Detección de anomalías acústicas con Amazon Lookout for Equipment

A medida que la fábrica moderna está más conectada, los fabricantes utilizan cada vez más tipos de entradas diferentes (como datos de procesos, audio y visuales) para aumentar su eficiencia operativa. Las empresas utilizan esta información para monitorear el rendimiento de los equipos y anticiparse a los fallos mediante técnicas de mantenimiento predictivo basadas en aprendizaje automático (ML) e inteligencia artificial (IA). Aunque los sensores tradicionales integrados en el equipo pueden ser informativos, la inspección visual y de audio también puede proporcionar información sobre el estado del activo. Sin embargo, el aprovechamiento de estos datos y la obtención de información procesable pueden ser muy manuales y prohibitivos en materia de recursos.

Koch Ag & Energy Solutions, LLC (KAES) aprovechó la oportunidad para colaborar con Amazon ML Solutions Lab para obtener más información sobre las soluciones alternativas de detección de anomalías acústicas y obtener otro par de ojos sobre su solución existente.

El equipo de ML Solutions Lab utilizó los datos existentes recopilados por los equipos de KAES sobre el terreno para una exploración profunda de los datos acústicos. En colaboración con el científico de datos principal de KAES, el equipo de ML Solutions Lab colaboró con un equipo interno de Amazon que había participado en el concurso Detección y clasificación de escenas y eventos acústicos 2020 y obtuvo altas calificaciones por sus esfuerzos. Tras revisar la documentación de Giri et al. (2020), el equipo presentó algunas ideas muy interesantes sobre los datos acústicos:

• Los datos industriales son relativamente estacionarios, por lo que el tamaño de la ventana de audio grabado puede durar más
• Los intervalos de inferencia se pueden aumentar dedfr 1 segundo,10 hasta 30 segundos.
• Las frecuencias de muestreo de los sonidos grabados podrían reducirse y conservar la información pertinente.

Además, el equipo investigó dos enfoques diferentes para la ingeniería de características que KAES no había explorado previamente. El primero era un featurizer espectral promedio; el segundo era un featurizer avanzado basado en el aprendizaje profundo avanzado (red VGGish). Para este esfuerzo, el equipo no necesitaba usar el clasificador para las clases de VGGish. En su lugar, eliminaron la capa clasificadora de nivel superior y mantuvieron la red como extractor de características. Con este enfoque de extracción de características, la red puede convertir la entrada de audio en una incrustación de 128 dimensiones de alto nivel, que se puede alimentar como entrada a otro modelo de ML. En comparación con las funciones de audio sin procesar, como formas de onda y espectrogramas, este pipeline de aprendizaje profundo es más semánticamente significativa. El equipo de ML Solutions Lab también diseñó una API optimizada para procesar todos los archivos de audio, lo que reduce el tiempo de E/S en más de un 90% y el tiempo total de procesamiento en aproximadamente un 70%.

Detección de anomalías con Amazon Lookout for Equipment

Para implementar estas soluciones, el equipo de ML Solutions Lab utilizó Amazon Lookout for Equipment, un nuevo servicio que ayuda a permitir el mantenimiento predictivo. Amazon Lookout for Equipment utiliza la IA para conocer los patrones de funcionamiento normales de los equipos industriales y alertar a los usuarios sobre el comportamiento anormal del equipo. Amazon Lookout for Equipment ayuda a las organizaciones a tomar medidas antes de que se produzcan fallos en las máquinas y evitar tiempos de inactividad imprevistos.

La implementación satisfactoria del mantenimiento predictivo depende del uso de los datos recopilados de los sensores de equipos industriales, en sus condiciones de funcionamiento únicas, y de la aplicación de técnicas de aprendizaje automático sofisticadas para crear un modelo personalizado que pueda detectar condiciones anormales de la máquina antes de que se produzcan fallos en la máquina.

Amazon Lookout for Equipment analiza los datos de los sensores de equipos industriales para entrenar automáticamente un modelo de aprendizaje automático específico para ese equipo sin necesidad de conocimientos de aprendizaje automático. Aprende las relaciones multivariantes entre los sensores (etiquetas) que definen los modos de funcionamiento normales del equipo. Con este servicio, puede reducir el número de pasos manuales de ciencia de datos y horas de recursos para desarrollar un modelo. Además, Amazon Lookout for Equipment utiliza el exclusivo modelo de aprendizaje automático para analizar los datos de los sensores entrantes casi en tiempo real para identificar con precisión las señales de alerta temprana que podrían provocar fallos en la máquina con poca o ninguna intervención manual. Esto permite detectar anomalías en los equipos con rapidez y precisión, diagnosticar problemas rápidamente, tomar medidas para reducir el costoso tiempo de inactividad y reducir las alertas falsas.

Con KAES, el equipo de ML Solutions Lab desarrolló una línea de pruebas de concepto que demostró los pasos de ingestión de datos tanto para la telemetría sonora como para la máquina. El equipo utilizó los datos de telemetría para identificar los estados de funcionamiento de la máquina e informar qué datos de audio eran relevantes para la formación. Por ejemplo, una bomba a baja velocidad tiene cierta firma auditiva, mientras que una bomba a alta velocidad puede tener una firma auditiva diferente. La relación entre mediciones como las RPM (velocidad) y el sonido es clave para comprender el rendimiento y el estado de la máquina. El tiempo de entrenamiento de aprendizaje automático se redujo de unas 6 horas a menos de 20 minutos al utilizar Amazon Lookout for Equipment, lo que permitió realizar exploraciones de modelos más rápidas.

Este pipeline puede servir como base para crear e implementar modelos de detección de anomalías para nuevos activos. Una vez que se han ingerido suficientes datos en la plataforma Amazon Lookout for Equipment, se puede iniciar la inferencia y se pueden identificar las detecciones de anomalías.

«Necesitábamos una solución para detectar anomalías acústicas y posibles fallos de la maquinaria de fabricación crítica», afirma Dave Kroening, líder de TI de KAES. «En pocas semanas, los expertos del laboratorio de soluciones de ML trabajaron con nuestro equipo interno para desarrollar una técnica alternativa de características de sonido de integración de redes neuronales profundas de última generación y un prototipo para la detección de anomalías acústicas. Estamos muy satisfechos con la información que el equipo de ML Solutions Lab nos proporcionó sobre nuestros datos y nos enseñó las posibilidades de utilizar Amazon Lookout for Equipment para crear e implementar modelos de detección de anomalías para nuevos activos».

Al fusionar los datos de sonido con los datos de telemetría de la máquina y, a continuación, utilizar Amazon Lookout for Equipment, podemos derivar relaciones importantes entre los datos de telemetría y las señales acústicas. Podemos aprender las condiciones normales de funcionamiento y sonidos saludables en diferentes modos de funcionamiento.

Si desea ayuda para acelerar el uso del ML en sus productos y servicios, póngase en contacto con el laboratorio de soluciones de aprendizaje automático.

Este artículo fue traducido del  Blog de AWS en Inglés.

Sobre los autores

Michael Robinson es científico de datos principal en Koch Ag & Energy Solutions, LLC (KAES). Su trabajo se centra en la visión artificial, la acústica y la ingeniería de datos. Aprovecha los conocimientos técnicos para resolver los desafíos únicos de KAES. En su tiempo libre, le gusta jugar al golf, fotografiar y viajar.

Dave Kroening es líder de TI en Koch Ag & Energy Solutions, LLC (KAES). Su trabajo se centra en desarrollar una visión y una estrategia para iniciativas que puedan crear valor a largo plazo. Esto incluye explorar, evaluar y desarrollar oportunidades que puedan alterar la capacidad operativa de KAES. Él y su equipo también ayudan a descubrir y experimentar con tecnologías que pueden crear una ventaja competitiva. En su tiempo libre le gusta pasar tiempo con su familia, hacer snowboard y correr.

Mehdi Noori es científico de datos en el laboratorio de soluciones de aprendizaje automático de Amazon, donde trabaja con clientes de diversos sectores y les ayuda a acelerar su proceso de migración a la nube y a resolver sus problemas de aprendizaje automático mediante soluciones de vanguardia y tecnologías. Mehdi asistió al MIT como investigador postdoctoral y obtuvo su doctorado en Ingeniería en la UCF.

Xin Chen es gerente sénior de Amazon ML Solutions Lab, donde dirige la vertical automotriz y ayuda a los clientes de AWS de diferentes sectores a identificar y crear soluciones de aprendizaje automático para hacer frente a la mayor rentabilidad de su organización. oportunidades de aprendizaje automático de inversión. Xin obtuvo su doctorado en Ciencias de la Computación e Ingeniería en la Universidad de Notre Dame.

Yunzhi Shi es científico de datos en el laboratorio de soluciones de aprendizaje automático de Amazon, donde ayuda a los clientes de AWS a abordar los problemas empresariales con inteligencia artificial y capacidades en la nube. Recientemente, ha estado desarrollando soluciones de visión artificial, búsqueda y previsión para clientes de diversas verticales industriales. Yunzhi obtuvo su doctorado en Geofísica en la Universidad de Texas en Austin.

Dan Volk es científico de datos en el laboratorio de soluciones de aprendizaje automático de Amazon, donde ayuda a los clientes de AWS de diversos sectores a acelerar la adopción de la IA y la nube. Dan ha trabajado en varios campos, incluyendo fabricación, aeroespacial y deportes, y tiene un Máster en Ciencia de Datos de la Universidad de California en Berkeley.

Brant Swidler es el director técnico de productos de Amazon Lookout for Equipment. Se centra en el desarrollo de productos líderes, incluidos los esfuerzos de ingeniería y ciencia de datos. Brant tiene una formación industrial en la industria del petróleo y el gas y tiene una licenciatura en Ingeniería Mecánica y Aeroespacial de la Universidad de Washington en St. Louis y un MBA de la escuela de negocios Tuck de Dartmouth.