Pavel Konečný, CEO a zakladetel Neuron soundware.

Ve fyzice je zvuk definován jako vibrace, jež se šíří přenosovým médiem (plynem, tekutinou či pevnou látkou) jako slyšitelná tlaková vlna. Většina slyšitelných zvuků, včetně lidské řeči, je vyvolána pevnými materiály. K řeči lidé sice potřebují dýchat, ale aby ke vzniku hlasu došlo, je nutné, aby bylo svalové napětí hlasivek velmi přesně řízeno.

Pokud lidské ucho zaslechne zvláštní zvuk, jako je například kovová lžička pomalu se pohybující po skle nebo vzdálené dunění o nízké frekvenci, obvykle i tělo na tento podnět automaticky zareaguje. Může nám třeba naskočit husí kůže jako podvědomá reakce na potenciální nebezpečí. Richard Feynman, světoznámý teoretický fyzik, je autorem teorie, podle které lze na základě pozorování vln v rohu plaveckého bazénu spočítat, co se ve vodě děje. Stav, kdy dění uvnitř objektu může být kompletně pozorováno i na jeho povrchu, je obecně znám jako „holografický princip“. Tento princip je základem pro mnoho prediktivních technologií, které se v současnoti používají pro včasnou detekci mechanických poruch.

Stroje jsou nejčastěji vyrobeny z kovu, tedy z velice dobrého vodiče zvuku. Z tohoto důvodu se fyzikální jevy, jako například porucha ložiska, obvykle zvukově projeví. Takovéto opotřebení je možno neinvazivně měřit i na povrchu ložiska. Výsledkem měření pak může být určení mechanického stavu stroje (nebo jeho součásti) a v některých případech i stanovení zbývající doby životnosti. Diagnostické metody založené na tomto principu jsou v průmyslu využívány již desítky let; především u strojů s jednoduchým typem pohybu (rotační apod.), kde jsou pro výpočty aplikovatelné jednoduché rovnice – toto je rovněž hlavní náplní oboru vibrodiagnostika.

 

Předpovídání poruch ve světě složitějších strojů

Svět je však plný mnohem složitějších strojů (např. robotů, jeřábů, tiskáren a motorů), pro které je charakteristický pohyb ve více osách, vzájemně se ovlivňující mechanismy, převodovky, lineární, diperiodický provoz a podobně. Logicky následuje otázka, zda umíme dostat všechny tyto aspekty pod kontrolu.

Abychom byli schopni analyzovat stav těchto komplexních strojů s vysokou přesností, bylo by nutné použít velké množství senzorů a mnoho složitých rovnic, což však je v konečném důsledku velmi drahé a nepraktické (samozřejmě kromě výjimky v podobě například atomové elektrárny, která je osazena stovkami senzorů). V reálném světě jsme však omezeni počtem senzorů, množstvím sbíraných dat i náklady na zpracování a výpočetní výkon. Nejběžnější stroje jsou obvykle monitorovány pomocí jednoho, maximálně nekolika sensory. Proto se může stát (a stává se), že signály pocházející z různých zdrojů se překrývají a míchají, což lidskému uchu může v konečném důsledku znít jako totální změť neidentifikovatelných zvuků.

A právě v tomto okamžiku přichází na scénu využití moderních algoritmů umělé inteligence a strojového učení, jako jsou hluboké neuronové sítě, které jsou schopny efektivně zpracovat velké množství signálů, a mnohem lépe určit stav daného zařízení. Tzv. samoučící algoritmy jsou schopné se naučit, jak se ve stroji projevují různé typy opotřebení a poruch, a zároveň se kalibrovat na specifické operace každého konkrétního stroje. Komplexní algoritmy umělé inteligence nám dovolují monitorovat každý senzor zvlášť či v různých kombinacích – zde vidíme budoucnost předpovídání mechanických poruch. S rychlým vývojem internetu věcí se dá také očekávat nárůst objemu sensorických dat dostupných k analýze a učení a zároveň dostupnost výpočetního výkonu pro zpracovávání objemných datasetů zvukových nahrávek. Rovněž předpokládáme, že s vývojem 3D tisku bude v brzké době možné senzory zakomponovat přímo do materiálů. V kombinaci s tzv. edge-computingem, který umožňuje provádět výpočty v místě sběru dat, bude tedy reálně možné, aby si v případě poruchy stroje samy byly schopny zavolat pomoc.