使用 Amazon Lookout for Equipment 进行声学异常检测

• 工业数据相对稳定，因此录制的音频窗口大小会持续更长时间
• 推理间隔可以从 1 秒增加至 10-30 秒。
• 可以降低录制声音的采样率，但仍然保留相关信息。

此外，该团队还研究了 KAES 之前从未探索过的两种不同的特征工程方法。第一种是平均光谱特征器；第二种是基于高级深度学习的（VGGish 网络）特征器。为此，团队不需要为 vGGish 类别使用分类器。相反，他们移除了顶层分类器层，并将网络保留为特征提取器。通过这种特征提取方法，网络可以将音频输入转换为高级 128 维嵌入，然后将其作为输入馈送到另一个机器学习 (ML) 模型。与波形和声谱图等原始音频功能相比，这种深度学习嵌入在语义上更有意义。此外，ML Solutions Lab 团队还设计了一个用于处理所有音频文件的优化 API，将 I/O 时间缩短了 90％ 以上，总处理时间缩短了约 70％。

使用 Amazon Lookout for Equipment 进行异常检测

为了实施这些解决方案，ML Solutions Lab 团队使用了 Amazon Lookout for Equipment，这项新服务有助于实现预测性维护。Amazon Lookout for Equipment 使用 AI 来学习工业设备的正常运行模式，并在设备出现异常行为时提醒用户。Amazon Lookout for Equipment 帮助组织在机器发生故障之前采取行动，避免计划外停机。

成功实施预测性维护依赖于使用工业设备传感器在其独特的运行条件下收集的数据，然后应用复杂的机器学习 (ML) 技术来构建自定义模型，以便在机器发生故障之前可以检测到机器异常情况。

Amazon Lookout for Equipment 分析来自工业设备传感器的数据，无需机器学习 (ML) 专业知识也可为该设备自动训练特定的机器学习 (ML) 模型。它学习定义设备正常运行模式的传感器（标签）之间的多变量关系。您可以使用此服务减少开发模型所需的手动数据科学步骤和资源时间。此外，Amazon Lookout for Equipment 使用独特的机器学习 (ML) 模型近乎实时地分析传入的传感器数据，以准确识别可能导致机器故障的早期预警信号，很少需要或根本不需要人工干预。这样可以快速、精确地检测设备异常，快速诊断问题，采取措施减少代价高昂的停机时间，并减少误报。

ML Solutions Lab 团队与 KAES 一起开发了一个概念验证管道，演示了声音和机器遥测的数据摄入步骤。该团队使用遥测数据来识别机器的运行状态，并告知哪些音频数据与训练有关。例如，泵低速运转时具有特定的听觉特征，而泵高速运转时可能具有不同的听觉特征。RPM（速度）等测量值与声音之间的关系是了解机器性能和运行状况的关键。使用 Amazon Lookout for Equipment 时，机器学习 (ML) 训练时间从大约 6 小时缩短至不到 20 分钟，从而加快了模型探索速度。

此管道可以作为基础，为新资产构建和部署异常检测模型。将足够的数据提取至 Amazon Lookout for Equipment 平台之后，即可开始推理并识别异常检测。

KAES IT 负责人 Dave Kroening 表示：“我们需要一种解决方案来检测关键制造机械的声学异常和潜在故障。”“在几周内，ML Solutions Lab 的专家与我们的内部团队合作，开发了一种先进的替代深度神经网络嵌入声音特征技术和一个用于声学异常检测的原型。ML Solutions Lab 团队为我们提供了有关我们数据的洞察，并告诉我们可以使用 Amazon Lookout for Equipment 为新资产构建和部署异常检测模型，我们对此感到非常满意。”

通过将声音数据与机器遥测数据合并，然后使用 Amazon Lookout for Equipment，我们可以推导出遥测数据和声学信号之间的重要关系。我们可以了解在不同运营模式下的正常运行状况和看起来正常的声音。

如果您想帮助加快在产品和服务中使用机器学习 (ML)，请联系 ML Solutions Lab。

关于作者