→ LOGIN

So funktioniert die künstliche Intelligenz von Neuron Soundware

Viele Kunden fragen uns, wie künstliche Intelligenz bei der Erkennung von Audioanomalien funktioniert. Wir haben einen Artikel mit einem anschaulichen Beispiel vorbereitet Fahrtreppenüberwachung.

Die Branche der technischen Diagnostik ist mit einem Mangel an menschlichen Experten konfrontiert. Dank des technologischen Fortschritts können menschliche Experten durch künstliche Intelligenz ersetzt werden, die in der Lage ist, selbst große Datenmengen in relativ kurzer Zeit zu verarbeiten.

Am Anfang steht die Digitalisierung des Klangs

Neuron Soundware hilft dabei, Daten von Maschinen zu digitalisieren und dann zu verstehen. In diesem Fall wandelt es zunächst das menschliche Zuhören in eine visuelle Form um. Auf der Grundlage der grafischen Werte sucht das System dann nach anomalen Zuständen in den Daten und sendet auf dieser Grundlage intelligente Warnmeldungen an die Kunden.

Dies funktioniert ähnlich wie die Lichter in einem Auto, wenn der Ölstand niedrig ist, die Türen offen sind oder die Sicherheitsgurte während der Fahrt nicht angelegt sind.

Ein Fahrtreppenbetreiber braucht das Gleiche. Er muss sehen, in welchem Zustand sich die einzelnen Geräte befinden und ob es unerwünschte Symptome gibt, die auf einen bevorstehenden Ausfall hinweisen könnten.

Das Sammeln von Geräuschen von Maschinen erfolgt in 3 Schritten

Zunächst installieren wir die Sensoren an den entsprechenden Stellen der Maschine. Dort, wo wir die größte Ausfallrate der Maschinenkomponente erwarten.
Die Sensoren senden Audiosignale an den nEdge (Internet of Things) IoT-Gerät über ein Kabel. Dieses ist entweder mit dem Internet verbunden oder verarbeitet die Audiosignale direkt am Einsatzort der Maschine, On-Edge genannt.
Die Tonsignale werden in digitaler Form, d.h. in einer computerverarbeitbaren Sprache, im nEdge IoT-Gerät. Gleichzeitig werden diese Audiodaten dann von maschinellen Lernalgorithmen in einem Mikrocomputer ausgewertet, der in der nEdge-"Box" untergebracht ist.

Durch den Vergleich der gesunden und aktuellen Maschinendaten zeigt die nGuard-Softwareanwendung dann umsetzbare Informationen für die Maschinenwartung an. Das sind genau die Lichter, die wir vom Armaturenbrett eines Autos kennen. Entweder ist alles in Ordnung, oder es ist etwas nicht in Ordnung. Zum Beispiel muss ein Teil geschmiert oder ausgetauscht werden. Diese Bewertung erfolgt durch clevere Algorithmen, die auf allgemeinen mechanischen Kenntnissen der Maschine, dem Wissen über die Betriebsgeschichte der Maschine und den aufgelaufenen Nenngeräuschen bei störungsfreiem Betrieb beruhen. Darüber hinaus hilft jedes Feedback aus dem Maschinenbetrieb, das der Bediener den Neuron Soundware-Spezialisten zur Verfügung stellt, diese Algorithmen zu verfeinern.

Wie die Audiodigitalisierung funktioniert - im Detail

Der grundlegende Input für die Verarbeitung der Audiodaten der Maschine sind digitalisierte Daten. Diese müssen aus den Audiosprechern aufbereitet und für die künstliche Intelligenz aufbereitet werden.

Die grundlegende Messgröße ist die Energie der vom Messobjekt ausgehenden Schallwellen. Die Schallenergie (Vibration) wird in einem Diagramm dargestellt, wobei die y-Achse die Energiemenge (Signalstärke/Lautstärke) und die x-Achse die Zeit angibt, in der sich die Energie/Lautstärke/Vibration ändert. Bei rotierenden Maschinen erscheint das Signal meist als periodisch wiederkehrend. Man kann es sich vereinfacht als eine sinusförmige Wellenform vorstellen.

Im Falle einer bestimmten Rolltreppenansprache beispielsweise stellen wir den Ton als Schalldruck wie folgt dar:

Anschließend werden diese Schallsignale mathematisch in das so genannte Frequenzspektrum umgewandelt. Frequenzspektren sind für die detailliertere Aufgabe der KI-Analyse besser geeignet als reine Zeitverlaufsdaten. Das Frequenzspektrum nach der Umwandlung aus der Zeitleiste sieht auf der Rolltreppe so aus:

Umwandlung von der Zeitachse in das Frequenzspektrum

Verschiedene Teile des Geräts haben unterschiedliche Schall- und Vibrationseigenschaften. Diese werden durch die mechanische Bewegung der einzelnen Komponenten erzeugt. Das resultierende Geräuschmuster kann dann durch eine tiefere Frequenzanalyse in einzelne mechanische Störungen aufgeteilt und getrennt werden, da sich diese Störungen in unterschiedlichen Frequenzen manifestieren.

Diese Erscheinungen werden durch Sinustöne veranschaulicht. Jede der Komponenten "klingt" etwas anders, da sich die verschiedenen Fehler bei unterschiedlichen Frequenzen manifestieren.

Da die Maschinen komplex sind, sind die gemessenen Signale sehr weit von einer idealisierten Sinuswelle entfernt. Daher ist es notwendig, das gemessene Schallsignal in einzelne Untersignale zu zerlegen, wofür sich die schnelle Fourier-Transformation (FFT) am besten eignet.

Die Fourier-Transformation zerlegt das Signal in einzelne Sinusschwingungen und übersetzt diese in ein Frequenzspektrum. Auf diese Weise können wir nur kleine "Zähne" im Frequenzspektrum in der Grafik darstellen. Mit diesen Zähnen lässt sich viel leichter arbeiten.

Die Frequenzanalyse ermöglicht uns eine technische Schalldiagnose

Wenn wir uns jedoch eine reale Maschine ansehen, stellen wir fest, dass das erzeugte Signal während des Betriebs nicht ideal regelmäßig ist. Daher verwenden wir auch eine Methode zur Berechnung einer großen Anzahl von schnellen Fourier-Transformationen. Um deren zeitlichen Verlauf zu analysieren, verwenden wir eine spezielle Darstellungsmethode, das so genannte Spektrogramm.

Die einzelnen Farben in der Abbildung zeigen die Signalintensität (Amplitude) an. Die y-Achse zeigt die Frequenz und die x-Achse die zeitliche Entwicklung an. Auf diese Weise wird der Klang in eine visuelle und datenmäßige Form gebracht. Auf diese Weise können wir die Veränderungen der Geräusch- und Vibrationsäußerungen der Maschine im Laufe der Zeit besser erkennen.

Die Verarbeitung des Klangs von der Manifestation im Zeitsample bis zum Frequenzspektrum sieht vereinfacht so aus:

Oder im Falle von Rolltreppen:

Wie KI Daten verarbeitet und auswertet

Unter künstlicher Intelligenz verstehen wir clevere Algorithmen, die in Daten nach Mustern suchen und diese auswerten.

In der Realität sieht das, vereinfacht ausgedrückt, etwa so aus: Die Algorithmen zerlegen das Spektrogramm in seine Einzelteile und vergleichen diese mit vorhandenen Schall- und Schwingungsmustern in der Datenbank. Zum Beispiel mit den nominalen Maschinenerscheinungen (wenn die Maschine gut läuft) oder mit bekannten sogenannten Fehlerbibliotheken.

Dank eines solchen Datenvergleichs können wir dann erkennen, ob sich an einer Maschinenkomponente eine Geräusch- oder Schwingungserscheinung entwickelt, die eine unerwünschte oder fehlerhafte Erscheinung ist. Dies ist in der nachstehenden Abbildung zu sehen, die Beispiele für definierte Frequenzen für verschiedene Arten von Fehlern zeigt.

In dem Beispiel eines kaputten Elektromotors, der die Rolltreppe antreibt, würde das folgendermaßen aussehen:

Die Klangmanifestationen sind auf dem ersten Bild zu sehen.
Das zweite Bild zeigt ein Spektrogramm.
Das dritte Bild zeigt die anomale Bewertung im nGuard-Portal.

In den ersten beiden Abbildungen sehen wir eine deutliche Veränderung am Ende des Trends. Dies wird dann in nGuard grafisch dargestellt, indem der anomale Score überschritten wird, d.h. der Grad der Abweichung der Geräusche von der Norm, den die KI als anomal, d.h. von der Norm abweichend, bewertet.

Um dies zu veranschaulichen, stellen wir die Datenverarbeitung durch künstliche Intelligenz in der folgenden Abbildung dar, die künstliche Intelligenz beispielsweise aus der Perspektive selbstfahrender Autos zeigt.

Diese müssen auch eine große Menge an Daten sammeln. Wie sieht ein Verkehrsschild aus, wie sieht eine Ampel aus, wie sieht eine Abbiegung aus usw. Das Gleiche gilt für die künstliche Intelligenz, die Maschinen überwacht. Je mehr "Klang"-Daten sie über die Maschinen hat, desto besser kann sie das tatsächliche Geräusch, das die Maschine macht, beurteilen.

Wir verwenden Millionen von anonymisierten Aufzeichnungen von Maschinen auf der ganzen Welt, um den Maschinenstatus zu bewerten. Darüber hinaus sammeln wir Daten von einer bestimmten Maschine und ihren Komponenten.

Wie Modelle der künstlichen Intelligenz bei der Erkennung von Anomalien funktionieren

Künstliche Intelligenz hilft uns, den Klang mathematisch in Form eines Vektors auszudrücken. Der numerische Ausdruck von Klang in Vektorform ist die bei weitem schwierigste Disziplin der Klanganalyse. Wir können uns den Vektorraum aus der untenstehenden Visualisierung als einen "Raum mit Pfeilen" vorstellen.

Wir konstruieren diesen "Pfeilraum", eine vektoriell ausgedrückte Menge aller möglichen Maschinengeräusche, auf der Grundlage einer Datenbank mit Maschinengeräuschen, einer Datenbank mit maschinenspezifischen Geräuschen und den Geräuschen der einzelnen Komponenten. Siehe Abbildung unten:

Bei der Auswertung des Maschinengeräusches wird durch eine mathematische Berechnung immer der aktuelle Geräuschvektor mit der Menge der möglichen Geräusche verglichen und ausgewertet, ob das Maschinengeräusch gleich dem Sollgeräusch ist oder ob es sich um einen anderen Vektor handelt und somit das Geräusch abweicht.

Die folgenden Abbildungen zeigen dann ein Beispiel von der Schallenergieerfassung bis hin zum Vergleich und der Bewertung des anomalen Scores.

In jeder Zeile sehen wir:

Eine grafische Darstellung des aufgezeichneten Maschinengeräuschs und seiner Lautstärke im Zeitverlauf
Ein Spektrogramm, das den Klang grafisch als Frequenzspektrum darstellt
Die einzelnen Teile der Zeitleiste werden in Vektoren umgewandelt und mathematisch ausgedrückt
Anomaler Score - d.h. ein Diagramm, das die Abweichung des Klangs von seinem Nennwert im Laufe der Zeit zeigt

Wir können dann die Entwicklung des Klangs im Laufe der Zeit (von links nach rechts) wie folgt verfolgen:

Abbildung: Nominales (normales) Maschinengeräusch
Abbildung: Nenngeräusch der Maschine unter Last
Abbildung: Umgelenkte Kettenbahn
Bild: Kettenbahnschaden
Bild: Kettenbahngeräusch nach Reparatur

Die letzte Darstellung der anomalen Punktzahl gibt im Vektorraum den Abstand vom Sollzustand an. Für unsere Zwecke verwenden wir einen Wert von 0,5 als Standardabstand vom Sollwert. Somit liegt alles, was innerhalb von 0,5 liegt, im grünen Bereich (innerhalb eines geringen Abstands zum grünen = nominalen Pfeil). 0,5 ist die Grenze der grünen Hüllkurve. Alles, was über 0,5 liegt, befindet sich außerhalb der Hüllkurve und weist daher auf einen anomalen Zustand hin.

Anhand dieser Abbildung können wir sehen, wie die Analyse einer anomalen Punktzahl aussieht.

Der Unterschied zwischen AI-Fehlererkennung und herkömmlicher Vibro-Diagnose

Die traditionelle Vibrodiagnostik erzeugt aus den Geräuschen ein Frequenzspektrum und wertet dann die einzelnen Frequenzen aus. Basierend auf den mechanischen Kenntnissen und den Schwingungserscheinungen der einzelnen Maschinen kann die Vibrodiagnostik dann die ungefähre Ursache der Schwingung abschätzen.

Die KI-Diagnose geht weiter und drückt das Frequenzspektrum mathematisch aus, indem sie nur numerische Vektoren verwendet. Die anschließende Analyse zwischen diesen Vektoren ermöglicht eine feinere und detailliertere Analyse der Geräusche und bietet breitere Anwendungsmöglichkeiten. Zum Beispiel die Erkennung von Geräuschen an nicht rotierenden Maschinen und dann Geräusche, die mit der Vibro-Diagnose schwer zu identifizieren sind (Knarren, Rascheln usw.).

Neuron Soundware hat für diese Methode weltweit Preise bei Wettbewerben gewonnen

Neuron Soundware war unter den Top 5 in der DCASE Wettbewerb. DCASE ist ein weltweiter Wettbewerb in der Klanganalyse mit Hilfe künstlicher Intelligenz. Die Teilnehmer erhalten die Geräusche der Maschinen ohne jegliche Störung. Darauf trainieren sie ein Modell (d. h. einen Rechenalgorithmus, der mit den Geräuschen arbeitet). Den Teams werden dann Geräusche mit und ohne Störung vorgelegt, und das Ziel ist es, diese Geräusche voneinander zu unterscheiden.

Die Qualität der Ergebnisse unterscheidet sich voneinander und damit auch von konkurrierenden Teams darin, wie welche Gruppe von Ingenieuren für maschinelles Lernen den Vektor erhält, der den Klang darstellt. Th. wie sie den Klang in eine numerische Darstellung übersetzen kann

Das Neuron Soundware-Team wurde beim internationalen DCASE-Wettbewerb 2020 für die Anwendung von künstlicher Intelligenz auf die vorausschauende Maschinenwartung unter die fünf besten Teams der Welt gewählt. Im Jahr 2021 verteidigte das Neuron Soundware-Team diese Platzierung.

Schlussfolgerung

Künstliche Intelligenz im Fall von Neuron Soundware kann man sich also als eine Reihe von Algorithmen vorstellen, die die Geräusch- und Vibrationsmanifestationen von Maschinen im Laufe der Zeit vergleichen. Dank ihres umfangreichen Wissens über die Erscheinungsformen von Maschinen und ihren Komponenten kann die KI beurteilen, um welche Art von Fehler es sich handelt und was zu seiner Behebung getan werden muss.