設備故障檢測，用計算機聽覺人工智能

說過了計算機視覺，咱們來講說計算機聽覺。

若是說，視覺是人工智能的眼睛，那麼聽覺就是人工智能的耳朵。

有的問題，須要眼睛發現，有的問題，則要用耳朵發現，固然，更多問題是用「心」發現，機器之心。。。

筆者有位從事印刷設備研究的親戚，當國內印刷廠高價從德國進口海德堡設備，可是不知道怎麼用，或者出故障的時候，就要把他請去。

而他，則像一位老中醫那樣，先聽聲，後辨問題。

收費不菲。 就像耳熟能詳的故事裏說的那樣，在問題處畫個圈，收費1元，知道在哪裏畫圈，收費99元。

機器正常運轉，它的聲音必定是有某種規律的，而若是機器出故障了，聲音也時常就伴隨故障而變化。

這裏能夠用傳統的模式識別方法，也能夠用最新的人工智能，神經網絡，深度學習的方法。

因材而異。

據美國電氣與電子工程師協會《光譜》雜誌報道，使用基於深度學習的人工智能能夠聽到機器或汽車的警告信號，並據此提早發現故障。

所謂深度學習，一般是指被稱爲人工神經網絡的軟件算法。這些神經網絡能夠通過多我的工神經元層過濾相關數據，以便更好地學習特定任務。目前流行的軟件多以圖像識別爲主，側重於語音和對話的聲學識別也很多，但以機器運轉發出的聲音爲深度學習對象的還很少見。上海速嵌的作法是，在每一個客戶端安裝麥克風，開啓物聯網服務，將麥克風蒐集的聲音上傳到雲端，通過深度學習算法運算後，客戶端可使用鏈接了網絡的智能手機等設備，監測聲音來源設備的狀態。

好比重工業公司的機械操做部門，他們時刻面臨機器(如工廠的圓形切割刀片或發電廠的水力發電渦輪機等)故障帶來的檢修和停工。第一層聲音檢測，是根據機器部件的基本物理建模來預測其什麼時候開始磨損;第二層，是使用深度學習算法和麥克風收集的聲音，來幫助檢測奇怪或異常的噪聲，經過訓練，軟件能夠提示機器發生的通常問題;第三層，可將具體的聲音標記、分類，而後經過深度學習將特定聲音與具體故障聯繫起來。通過對聲音數據集學習和訓練後的軟件，在故障發生前幾個小時，就能示警即將發生的問題。