设备故障检测，靠“看”也靠“听”，基于听觉的人工智能

Posted 2022-11-28 quickembed

说过了计算机视觉，我们来说说计算机听觉。

如果说，视觉是人工智能的眼睛，那么听觉就是人工智能的耳朵。

有的问题，需要眼睛发现，有的问题，则要用耳朵发现，当然，更多问题是用“心”发现，机器之心。。。

笔者有位从事印刷设备研究的亲戚，当国内印刷厂高价从德国进口海德堡设备，但是不知道怎么用，或者出故障的时候，就要把他请去。

而他，则像一位老中医那样，先听声，后辨问题。

收费不菲。 就像耳熟能详的故事里说的那样，在问题处画个圈，收费1元，知道在哪里画圈，收费99元。

机器正常运转，它的声音一定是有某种规律的，而如果机器出故障了，声音也时常就伴随故障而变化。

这里可以用传统的模式识别方法，也可以用最新的人工智能，神经网络，深度学习的方法。

因材而异。

据美国电气与电子工程师协会《光谱》杂志报道，使用基于深度学习的人工智能可以听到机器或汽车的警告信号，并据此提前发现故障。

所谓深度学习，通常是指被称为人工神经网络的软件算法。这些神经网络可以经过多个人工神经元层过滤相关数据，以便更好地学习特定任务。目前流行的软件多以图像识别为主，侧重于语音和对话的声学识别也不少，但以机器运转发出的声音为深度学习对象的还不多见。上海速嵌的做法是，在每个客户端安装麦克风，开启物联网服务，将麦克风搜集的声音上传到云端，经过深度学习算法运算后，客户端可以使用连接了网络的智能手机等设备，监测声音来源设备的状态。

比如重工业公司的机械操作部门，他们时刻面临机器(如工厂的圆形切割刀片或发电厂的水力发电涡轮机等)故障带来的检修和停工。
第一层声音检测，是根据机器部件的基本物理建模来预测其何时开始磨损;
第二层，是使用深度学习算法和麦克风收集的声音，来帮助检测奇怪或异常的噪声，通过训练，软件可以提示机器发生的一般问题;
第三层，可将具体的声音标记、分类，然后通过深度学习将特定声音与具体故障联系起来。
经过对声音数据集学习和训练后的软件，在故障发生前几个小时，就能示警即将发生的问题。