La inteligencia artificial escucha el sonido de las máquinas sanas

02.03.2022 - Suiza

Los sonidos proporcionan información importante sobre el funcionamiento de una máquina. Los investigadores de la ETH han desarrollado un nuevo método de aprendizaje automático que detecta si una máquina está "sana" o necesita mantenimiento.

Ya sean las ruedas de un tren o los generadores de una central eléctrica, ya sean las bombas o las válvulas, todas ellas emiten sonidos. Para los oídos entrenados, estos ruidos tienen incluso un significado: los dispositivos, las máquinas, los equipos o el material rodante suenan de forma diferente cuando funcionan correctamente que cuando tienen un defecto o una avería.

Los sonidos que emiten, por tanto, dan a los profesionales pistas útiles para saber si una máquina está en buen estado -o "sana"- o si pronto necesitará mantenimiento o una reparación urgente. Quien reconoce a tiempo que una máquina suena mal puede, según el caso, prevenir un costoso defecto e intervenir antes de que se estropee. Por ello, el control y el análisis de los sonidos han ido ganando en importancia en el funcionamiento y el mantenimiento de las infraestructuras técnicas, sobre todo desde que la grabación de tonos, ruidos y señales acústicas se hace comparativamente rentable con los micrófonos modernos.

La inteligencia artificial ayuda a explorar las fronteras de la química

El aprendizaje automático ayuda a simular la dinámica molecular reactiva para la investigación y el descubrimiento

Leer noticia

Para extraer la información necesaria de esos sonidos, se han establecido métodos probados de procesamiento de señales y análisis de datos. Uno de ellos es la llamada transformación wavelet. Matemáticamente, los tonos, sonidos o ruidos pueden representarse como ondas. La transformación wavelet descompone una función en un conjunto de ondas que son oscilaciones ondulatorias localizadas en el tiempo. La idea subyacente es determinar qué cantidad de ondícula hay en una señal para una escala y una localización definidas. Aunque estos marcos han tenido bastante éxito, siguen siendo una tarea que requiere mucho tiempo.

Detectar los defectos en una fase temprana

Ahora, los investigadores de la ETH han desarrollado un método de aprendizaje automático que hace que la transformación wavelet sea totalmente aprendible. Este nuevo enfoque es especialmente adecuado para las señales de alta frecuencia, como las de sonido y vibración. Permite detectar automáticamente si una máquina suena "sana" o no. El enfoque desarrollado por los investigadores postdoctorales Gabriel Michau, Gaëtan Frusque y Olga Fink, catedrática de Sistemas de Mantenimiento Inteligente, y publicado ahora en la revista PNAS, combina de forma novedosa el procesamiento de señales y el aprendizaje automático. Permite que un algoritmo inteligente, es decir, una regla de cálculo, realice la supervisión acústica y el análisis del sonido de forma automática. Debido a su similitud con la conocida transformación wavelet, el enfoque de aprendizaje automático propuesto ofrece una buena interpretabilidad de los resultados.

El objetivo de los investigadores es que, en un futuro próximo, los profesionales que manejan máquinas en la industria puedan utilizar una herramienta que monitorice automáticamente los equipos y les avise a tiempo -sin necesidad de conocimientos previos especiales- cuando se produzcan sonidos llamativos, anormales o "insanos" en los equipos. El nuevo proceso de aprendizaje automático no sólo se aplica a distintos tipos de máquinas, sino también a diferentes tipos de señales, sonidos o vibraciones. Por ejemplo, también reconoce frecuencias de sonido que los humanos -como las señales de alta frecuencia o los ultrasonidos- no pueden oír por naturaleza.

Sin embargo, el proceso de aprendizaje no se limita a superar todos los tipos de señales en un compás. Más bien, los investigadores lo han diseñado para detectar las sutiles diferencias entre los distintos tipos de sonido y producir resultados específicos para la máquina. Esto no es trivial, ya que no hay muestras defectuosas de las que aprender.

Centrado en los sonidos "sanos

En las aplicaciones industriales reales, normalmente no es posible recoger muchos ejemplos de sonidos representativos de máquinas defectuosas, porque los defectos sólo se producen en raras ocasiones. Por tanto, no es posible enseñar al algoritmo cómo pueden sonar los datos de ruido de los fallos y en qué se diferencian de los sonidos sanos. Los investigadores, por tanto, entrenaron los algoritmos de tal manera que el algoritmo de aprendizaje automático aprendiera cómo suena normalmente una máquina cuando funciona correctamente y luego reconociera cuándo un sonido se desvía de lo normal.

Para ello, utilizaron diversos datos sonoros de bombas, ventiladores, válvulas y carriles de deslizamiento y optaron por un enfoque de "aprendizaje no supervisado", en el que no eran ellos quienes "decían" al algoritmo lo que tenía que aprender, sino que el ordenador aprendía de forma autónoma los patrones relevantes. De este modo, Olga Fink y su equipo permitieron que el proceso de aprendizaje reconociera sonidos relacionados dentro de un determinado tipo de máquina y distinguiera entre ciertos tipos de fallos sobre esta base.

Aunque se hubiera dispuesto de un conjunto de datos con muestras defectuosas, y los autores hubieran podido entrenar sus algoritmos con las muestras de sonidos sanos y defectuosos, nunca habrían tenido la certeza de que esa colección de datos etiquetados contuviera todas las variantes de sonidos y fallos. La muestra podría haber sido incompleta y su método de aprendizaje podría haber pasado por alto importantes sonidos defectuosos. Además, un mismo tipo de máquina puede producir sonidos muy diferentes en función de la intensidad de uso o de las condiciones ambientales, por lo que incluso defectos técnicamente casi idénticos podrían sonar de forma muy diferente en función de una determinada máquina.

Aprender del canto de los pájaros

Sin embargo, el algoritmo no sólo es aplicable a los sonidos emitidos por las máquinas. Los investigadores también probaron sus algoritmos para distinguir entre diferentes cantos de pájaros. Para ello, utilizaron grabaciones de observadores de aves. Los algoritmos tenían que aprender a distinguir entre los cantos de las aves de una determinada especie, asegurándose también de que el tipo de micrófono que utilizaban los observadores de aves no importaba: "El aprendizaje automático debe reconocer los cantos de los pájaros, no evaluar la técnica de grabación", dice Gabriel Michau. Este efecto de aprendizaje también es importante para la infraestructura técnica: incluso con las máquinas, los algoritmos tienen que ser agnósticos al mero ruido de fondo y a las influencias de la técnica de grabación cuando se trata de detectar los sonidos relevantes.

Para una futura aplicación industrial, es importante que el aprendizaje automático sea capaz de detectar las sutiles diferencias entre los sonidos: para ser útil y fiable para los profesionales del sector, no debe alertar con demasiada frecuencia ni pasar por alto los sonidos relevantes. "Con nuestra investigación, hemos podido demostrar que nuestro método de aprendizaje automático detecta las anomalías entre los sonidos y que es lo suficientemente flexible como para aplicarlo a diferentes tipos de señales y tareas", concluye Olga Fink. Una característica importante de su método de aprendizaje es que también es capaz de controlar la evolución del sonido, de modo que puede detectar indicios de posibles defectos a partir de la forma en que los sonidos evolucionan con el tiempo. Esto abre varias aplicaciones interesantes.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Michau G, Frusque, G, Fink, O; "Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series"; Proceedings of the National Academy of Sciences PNAS; Feb 2022, 119 (8) e2106598119

https://www.quimica.es/noticias/1175015/la-inteligencia-artificial-escucha-el-sonido-de-las-maquinas-sanas.html