L'intelligenza artificiale capisce il suono delle macchine in salute

Che si tratti di ruote ferroviarie o di generatori in una centrale elettrica, di pompe o di valvole, tutti producono rumori. Per le orecchie allenate, questi rumori hanno persino un significato: componenti, macchine, impianti o materiale rotabile hanno un suono diverso quando funzionano correttamente rispetto a quando presentano un difetto o un'anomalia.

I suoni che emettono forniscono quindi ai professionisti utili indizi per capire se una macchina è in buone condizioni, o "sana", o se avrà presto bisogno di manutenzione o di riparazioni urgenti. Se rilevate in tempo che una macchina sta suonando male, potete prevenire un difetto costoso e intervenire prima che si rompa. Di conseguenza, il monitoraggio e l'indagine dei suoni stanno acquisendo sempre più importanza per il funzionamento e la manutenzione delle infrastrutture tecniche, soprattutto perché la registrazione di suoni, rumori e segnali acustici con i moderni microfoni è relativamente poco costosa.

Per estrarre le informazioni necessarie da questi suoni, sono stati messi a punto metodi collaudati di elaborazione del segnale e di analisi dei dati. Una di queste è la cosiddetta trasformazione wavelet. Matematicamente, toni, suoni e rumori possono essere rappresentati come onde. Con la trasformazione wavelet, una funzione viene decomposta in un insieme di wavelet. Si tratta di oscillazioni ondulatorie localizzate nel tempo. L'idea di fondo è quella di determinare la quantità di wavelet contenuta in un segnale. Sebbene questi metodi abbiano un buon successo, spesso richiedono molta esperienza e l'impostazione manuale dei parametri.

Rilevare i difetti in una fase iniziale

Ora i ricercatori dell'ETH hanno sviluppato un metodo di apprendimento automatico in grado di imparare completamente la trasformazione wavelet. Il nuovo approccio è particolarmente adatto ai segnali ad alta frequenza, come quelli sonori e vibrazionali. Questo permette di riconoscere automaticamente se una macchina suona "sana" o meno.

L'approccio sviluppato dai ricercatori post-dottorato Gabriel Michau, Gaëtan Frusque e Olga Fink, professore di sistemi di manutenzione intelligenti, e ora pubblicato sulla rivista PNAS, combina in modo nuovo l'elaborazione del segnale e gli approcci di apprendimento automatico. Con il nuovo approccio, un algoritmo intelligente, cioè una regola di calcolo, può eseguire automaticamente il monitoraggio acustico e l'analisi del suono delle macchine. Grazie alla sua somiglianza con la trasformata wavelet, i risultati dell'approccio di apprendimento automatico proposto possono essere interpretati molto bene.

L'obiettivo dei ricercatori è che in un prossimo futuro i professionisti che operano sulle macchine dell'industria siano in grado di utilizzare uno strumento che monitorizzi automaticamente l'apparecchiatura e li avvisi per tempo - senza bisogno di particolari conoscenze preliminari - quando si verificano rumori vistosi, anomali o "malsani" nell'apparecchiatura. La nuova procedura di apprendimento automatico può essere applicata non solo a diversi tipi di macchine, ma anche a diversi tipi di segnali, rumori o vibrazioni. Ad esempio, riconosce anche le frequenze sonore che gli esseri umani, come i segnali ad alta frequenza o gli ultrasuoni, non possono sentire naturalmente.

Tuttavia, la procedura di apprendimento non batte tutti i tipi di segnali su una barra. Piuttosto, i ricercatori lo hanno progettato per rilevare le sottili differenze tra i vari suoni e produrre risultati specifici per la macchina. Questo non è banale, poiché l'algoritmo non ha esempi di segnali difettosi da cui imparare.

Focalizzati su suoni "sani

Nelle applicazioni industriali reali, di solito non è possibile raccogliere tanti esempi significativi di rumore di macchine difettose, perché i difetti si verificano solo raramente. Pertanto, non è nemmeno possibile insegnare all'algoritmo come suonano i dati di rumore dei guasti e come differiscono dai rumori sani. I ricercatori dell'ETH hanno quindi addestrato gli algoritmi in modo tale che l'algoritmo di apprendimento automatico imparasse come suona normalmente una macchina quando funziona correttamente e riconoscesse poi quando un rumore si discosta dal caso normale.

Per farlo, hanno utilizzato una serie di dati sul rumore provenienti da pompe, ventole, valvole e guide di scorrimento e hanno scelto un approccio di "apprendimento non supervisionato", in cui non hanno "detto" a un algoritmo cosa imparare, ma il computer ha appreso i modelli rilevanti senza guida e da solo. In questo modo, Olga Fink e il suo team hanno permesso alla procedura di apprendimento di riconoscere i suoni correlati all'interno di un certo tipo di macchina e di distinguere tra alcuni tipi di guasti su questa base.

Anche se i ricercatori avessero a disposizione un set di dati sul rumore dei difetti, e fossero quindi in grado di addestrare i loro algoritmi con campioni sia sani che difettosi, non potrebbero mai essere sicuri che tale set di dati etichettati contenga effettivamente tutte le varianti sane e difettose. Il loro campione potrebbe essere incompleto e la loro procedura di apprendimento potrebbe non aver colto importanti suoni di errore. Inoltre, lo stesso tipo di macchina può produrre suoni molto diversi a seconda dell'intensità d'uso o del clima del luogo, così che a volte anche difetti tecnicamente quasi identici hanno un suono molto diverso a seconda della macchina.

Imparare i richiami degli uccelli

L'algoritmo non può essere applicato solo ai suoni delle macchine. I ricercatori hanno anche testato i loro algoritmi per distinguere i diversi richiami degli uccelli. A tal fine, hanno utilizzato le registrazioni degli amanti degli uccelli. Gli algoritmi dovevano imparare a distinguere tra i diversi richiami di una determinata specie di uccelli, in modo che il tipo di microfono utilizzato non giocasse alcun ruolo: "L'apprendimento automatico deve riconoscere i richiami degli uccelli, non valutare la tecnica di registrazione", spiega Gabriel Michau.

Questo effetto di apprendimento è importante anche per le infrastrutture tecniche: anche con le macchine, gli algoritmi devono escludere il semplice rumore di fondo e le influenze della tecnologia di registrazione per catturare i suoni rilevanti. Per un'applicazione nell'industria, è importante che l'apprendimento automatico sia in grado di riconoscere le sottili differenze tra i suoni. Affinché sia utile e affidabile per i professionisti del settore, non deve suonare l'allarme troppo spesso né mancare i suoni rilevanti.

"Con la nostra ricerca siamo riusciti a dimostrare che il nostro approccio di apprendimento automatico rileva le anomalie tra i suoni e che è abbastanza flessibile da poter essere applicato a diversi segnali e a diversi compiti", conclude Olga Fink. Una caratteristica importante del suo metodo di apprendimento è che è anche in grado di monitorare l'evoluzione dei suoni, in modo da rilevare indizi di possibili errori dal modo in cui i suoni si evolvono nel tempo. Questo apre diverse possibilità di applicazione interessanti.

Fonte: Notizie ETH