亚马逊AWS官方博客

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

随着现代化工厂的联系越来越紧密,制造商越来越多地使用各种输入(例如过程数据、音频和视觉)来提高运营效率。公司使用这些信息来监控设备性能并使用由机器学习 (ML) 和人工智能 (AI) 提供支持的预测性维护技术来预测故障。尽管内置在设备中的传统传感器可以提供信息,但音频和视觉检查也可以提供有关资产运行状况的洞察。但是,利用这些数据并获得切实可行的洞察需要频繁手动操作,而且使用的资源过多。
Koch Ag & Energy Solutions, LLC (KAES) 借此机会与 Amazon ML Solutions Lab 合作,了解有关替代声学异常检测解决方案的更多信息,并重新审视他们现有的解决方案。ML Solutions Lab 团队使用 KAES 设备在现场收集的现有数据进行了深入的声学数据探索。ML Solutions Lab 团队与 KAES 的首席数据科学家合作,与亚马逊的一个内部团队积极沟通,该团队参加了 2020 年声学场景和活动的检测和分类竞赛,并因其付出的努力而赢得了高分。在查看了 Giri 等人的文档(2020) 之后,该团队对声学数据提出了一些非常有趣的洞察:

  • 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

Michael Robinson

是 Koch Ag & Energy Solutions, LLC (KAES) 的首席数据科学家。他的工作重点是计算机视觉、声学和数据工程。他利用技术知识来解决 KAES 面临的独特挑战。业余时间,他喜欢打高尔夫球、摄影和旅行。

Dave Kroening

是 Koch Ag & Energy Solutions, LLC (KAES) 的 IT 负责人。他的工作重点是为能够创造长期价值的举措制定愿景和战略。这包括探索、评估和开发有可能破坏 KAES 内部运营能力的机会。他和他的团队还帮助发现和试验可以创造竞争优势的技术。在业余时间,他喜欢与家人欢度时光、玩单板滑雪和赛车。

Mehdi Noori

是 Amazon ML Solutions Lab 的数据科学家,负责与各个垂直行业的客户合作,帮助他们加快云迁移之旅,以及使用先进的解决方案和技术解决他们的机器学习 (ML) 问题。Mehdi 是麻省理工学院的博士后研究员,并获得了中佛罗里达大学工程学博士学位。

Xin Chen

是 Amazon ML Solutions Lab 的高级经理,负责领导汽车垂直行业,并帮助不同行业的 AWS 客户识别和构建机器学习解决方案,以抓住其组织的最高投资回报率机器学习机会。Xin 在圣母大学获得计算机科学与工程博士学位。

Yunzhi Shi

是 Amazon ML Solutions Lab 的数据科学家,负责帮助 AWS 客户利用 AI 和云能力解决业务问题。最近,他一直在为各行各业的客户构建计算机视觉、搜索和预测解决方案。Yunzhi 在德克萨斯大学奥斯汀分校获得地球物理学博士学位。

Dan Volk

是 Amazon ML Solutions Lab 的数据科学家,负责帮助各行各业的 AWS 客户加快人工智能和云的采用。Dan 曾在制造、航空航天和体育等多个领域工作,拥有加州大学伯克利分校的数据科学硕士学位。

Brant Swidler

是 Amazon Lookout for Equipment 的技术产品经理。他专注于领导产品开发,包括数据科学和工程工作。Brant 拥有石油和天然气行业的行业背景,拥有圣路易斯华盛顿大学机械和航空航天工程学士学位以及达特茅斯塔克商学院的工商管理硕士学位。