02.03.2022 - Eidgenössische Technische Hochschule Zürich (ETH Zürich)

Künstliche Intelligenz versteht den Klang gesunder Maschinen

Defekte frühzeitig erkennen

An Geräuschen lässt sich erkennen, wie gut eine Maschine funktioniert. ETH-​Forschende haben ein neues maschinelles Lernverfahren entwickelt, das automatisch feststellt, ob eine Maschine «gesund» ist oder eine Wartung nötig hat.

Ob Eisenbahnräder oder Generatoren in einem Kraftwerk, ob Pumpen oder Ventile – sie alle machen Geräusche. Für geübte Ohren haben diese Geräusche sogar eine Bedeutung: Bauteile, Maschinen, Anlagen oder Rollmaterial klingen nämlich anders, wenn sie einwandfrei funktionieren, als wenn sie einen Mangel oder Fehler haben.

Die Geräusche, die sie erzeugen, geben den Fachleuten somit nützliche Hinweise, ob sich eine Maschine sich in einem gutem – oder «gesunden» – Zustand befindet, oder ob sie schon bald eine Wartung benötigt oder dringend zu reparieren ist. Wer rechtzeitig erkennt, dass eine Maschine fehlerhaft tönt, kann einem kostspieligen Defekt zuvorkommen und eingreifen, bevor sie kaputtgeht. Folgerichtig gewinnen die Überwachung und Untersuchung von Geräuschen an Bedeutung für den Betrieb und die Instandhaltung technischer Infrastruktur – zumal das Aufnehmen von Tönen, Geräuschen und akustischen Signalen mit modernen Mikrophonen vergleichsweise kostengünstig ist.

Um die benötigte Information aus solchen Geräuschen herauszuziehen, haben sich bewährte Methoden der Signalverarbeitung und Datenanalyse etabliert. Zu ihnen zählt die sog. Wavelet-​Transformation. Mathematisch lassen sich Töne, Klänge, Geräusche als Wellen darstellen. Bei der Wavelet-​Transformation wird eine Funktion in eine Menge von Wavelets zerlegt. Das sind wellenartige Schwingungen, die zeitlich verortet sind. Die zugrundeliegende Idee dabei ist es, zu bestimmen, wie viel von einem Wavelet in einem Signal enthalten ist. Obwohl solche Verfahren recht erfolgreich sind, erfordern sie oft viel Erfahrung und eine manuelle Einstellung der Parameter.

Defekte frühzeitig erkennen

Nun haben ETH-​Forschende ein maschinelles Lernverfahren entwickelt, das die Wavelet-​Transformation vollständig lernen kann. Der neue Ansatz eignet sich besonders für hochfrequente Signale wie Schall-​ und Vibrationssignale. Er macht es möglich, automatisch zu erkennen, ob eine Maschine «gesund» klingt oder nicht.

Der Ansatz, den die Postdoktoranden Gabriel Michau, Gaëtan Frusque, und Olga Fink, Professorin für Intelligente Instandhaltungssysteme, entwickelt und nun in der Zeitschrift PNAS veröffentlicht haben, verbindet Ansätze der Signalverarbeitung und des maschinellen Lernens auf eine neue Art und Weise. Mit dem neuen Ansatz kann ein intelligenter Algorithmus, also eine Rechenregel, die akustische Überwachung und Klanganalyse von Maschinen automatisch durchführen. Aufgrund seiner Ähnlichkeit zur bewährten Wavelet-​Transformation lassen sich die Ergebnisse des vorgeschlagenen maschinellen Lernansatzes auch sehr gut interpretieren.

Das Ziel der Forschenden ist es, dass Fachpersonen, die in der Industrie Maschinen betreiben schon in naher Zukunft ein Tool nutzen können, das die Apparaturen automatisch überwacht und sie – ohne dass spezielle Vorkenntnisse erforderlich wären – rechtzeitig warnt, wenn in den Geräten auffällige, abnormale oder «ungesunde» Geräusche auftreten. Das neue maschinelle Lernverfahren lässt sich nicht nur auf unterschiedliche Maschinentypen anwenden, sondern auch auf verschiedene Arten von Signalen, Geräuschen oder Vibrationen. Zum Beispiel erkennt es auch Schallfrequenzen, die Menschen – wie Hochfrequenz-​Signale oder Ultraschall – von Natur aus nicht hören können.

Das Lernverfahren schlägt jedoch nicht alle Arten von Signalen über eine Leiste. Vielmehr haben es die Forschenden so entworfen, dass es die feinen Unterschiede der verschiedenen Geräusche feststellen und maschinenspezifische Befunde erstellen kann. Das ist nicht trivial, da der Algorithmus keine Beispiele von defekten Signalen zum Lernen hat.

Auf «gesunde» Geräusche fokussiert

In realen industriellen Anwendungen lassen sich meist nämlich gar nicht so viele aussagekräftige Geräuschbeispiele von defekten Maschinen sammeln, da Defekte nur selten auftreten. Daher ist es auch nicht gut möglich, dem Algorithmus beizubringen, wie die Geräuschdaten von Fehlern klingen und wie sie sich von den gesunden Geräuschen unterscheiden. Die ETH-​Forschenden trainierten die Algorithmen deshalb so, dass der maschinelle Lernalgorithmus lernte, wie eine Maschine normalerweise klingt, wenn sie einwandfrei läuft, und dann erkennt, wenn ein Geräusch vom Normalfall abweicht.

Dabei verwendeten sie eine Vielzahl von Geräuschdaten von Pumpen, Ventilatoren, Ventilen und Gleitschienen und wählten einen Ansatz des «unüberwachten Lernens», bei dem nicht sie einem Algorithmus «sagten», was er lernen soll, sondern der Computer lernte ohne Anleitung und selbstständig die relevanten Muster. Auf diese Weise befähigten Olga Fink und ihr Team das Lernverfahren, verwandte Geräusche innerhalb eines bestimmten Maschinentyps zu erkennen und auf dieser Grundlage zwischen bestimmten Fehlertypen zu unterscheiden.

Selbst wenn den Forschenden ein Datensatz mit Geräuschdaten von Fehlern zur Verfügung gestanden hätte, und sie dadurch in der Lage gewesen wären, ihre Algorithmen sowohl mit gesunden als auch mit defekten Bespielen zu trainieren, hätten sie nie sicher sein können, dass eine solcherlei gekennzeichnete Datensammlung tatsächlich alle gesunden und fehlerhaften Varianten enthielte. Ihr Sample wäre womöglich unvollständig gewesen und ihr Lernverfahren hätte je nachdem wichtige Fehlergeräusche nicht erkannt. Zudem kann derselbe Maschinentyp – je nach Nutzungsintensität oder Standortklima – sehr verschiedene Geräusche erzeugen, sodass mitunter selbst technisch fast identische Defekte je nach Maschine sehr unterschiedlich klingen.

Lernen von Vogelstimmen

Der Algorithmus lässt sich beileibe nicht nur auf die Geräusche von Maschinen anwenden. Die Forschenden testeten ihre Algorithmen auch zur Unterscheidung zwischen verschiedenen Vogelstimmen. Dabei verwendeten sie Aufnahmen von Vogelliebhabern. Die Algorithmen mussten lernen, verschiedene Vogelstimmen einer bestimmten Vogelart zu unterscheiden – und zwar so, dass die Art des verwendeten Mikrophones keine Rolle spielte: «Das maschinelle Lernen soll die Vogelstimmen erkennen, nicht die Aufnahmetechnik bewerten», sagt Gabriel Michau.

Dieser Lerneffekt ist auch bei technischer Infrastruktur wichtig: Auch bei den Maschinen müssen die Algorithmen die blossen Hintergrundgeräusche und sowie die Einflüsse der Aufnahmetechnik ausschliessen, um die relevanten Geräusche zu erfassen. Für eine Anwendung in der Industrie, ist es wichtig, dass das maschinelle Lernen die feinen Unterschiede zwischen den Geräuschen erkennen kann. Damit es für die Fachpersonen in der Praxis nützlich und vertrauenswürdig ist, darf es weder zu oft Alarm schlagen noch relevante Geräusche überhören.

«Mit unserer Forschung konnten wir aufzeigen, dass unser Ansatz des maschinellen Lernens die Anomalien unter den Geräuschen erkennt, und dass er so flexibel ist, dass man ihn für verschiedene Signale und verschiedene Aufgaben anwenden kann», schliesst Olga Fink. Ein wichtiges Merkmal ihrer Lernmethode ist, dass sie auch in der Lage ist, die Entwicklung der Klänge zu überwachen, so dass sie aus der Art und Weise, wie sich die Klänge im Laufe der Zeit entwickeln, Hinweise auf mögliche Fehler erkennen kann. Dies eröffnet mehrere interessante Anwendungsmöglichkeiten.

Fakten, Hintergründe, Dossiers
  • maschinelles Lernen
  • Wartungen
  • künstliche Intelligenz
Mehr über ETH Zürich
  • News

    Lichtverstärkung beschleunigt chemische Reaktionen in Aerosolen

    Aerosole in der Atmosphäre reagieren unter Sonnenlichteinstrahlung. Im Innern der Aerosol-​Tröpfchen und -​Partikel wird das Licht verstärkt, was die Reaktionen beschleunigt, wie ETH-​Forschende nun zeigen und beziffern konnten. Die Wissenschaftler:innen raten, den Effekt in künftigen Klima ... mehr

    Spiegelkabinett als Sensorplattform

    Sensoren sind ein Grundpfeiler des Internets der Dinge, sie liefern die Daten für die Steuerung aller möglichen Objekte. Präzision ist dabei unerlässlich, und hier könnten Quantentechnologien einen wichtigen Beitrag leisten. Forscher in Innsbruck und Zürich zeigen nun, wie Nanoteilchen in w ... mehr

    Blick in die magnetische Zukunft

    Der Einblick in die Vorgänge innerhalb von solch künstlichem Spin-​Eis könnte eine wichtige Rolle spielen bei der Entwicklung neuartiger Hochleistungsrechner. Gefriert Wasser zu Eis, ordnen sich die Wassermoleküle mit ihren Wasserstoff-​ und Sauerstoffatomen in einer komplexen Struktur an. ... mehr

  • Forschungsinstitute

    ETH Zürich Inst.f. Lebensm.wiss.,Ern.,Ges.

    Die Kernkompetenzen des Labors für Lebensmittelmikrobiologie sind die Detektion und Kontrolle von pathogenen Organismen im Lebensmittel, die Analyse komplexer Mikrofloren und molekulare Mechanismen der bakteriellen Pathogenität. mehr

  • q&more Artikel

    Analytik in Picoliter-Volumina

    Zeit, Kosten und personellen Aufwand senken – viele grundlegende sowie angewandte analytische und diagnostische Herausforderungen können mit Lab-on-a-Chip-Systemen realisiert werden. Sie erlauben die Verringerung von Probenmengen, die Automatisierung und Parallelisierung von Arbeitsschritte ... mehr

    Investition für die Zukunft

    Dies ist das ganz besondere Anliegen und gleichzeitig der Anspruch von Frau Dr. Irmgard Werner, die als Dozentin an der ETH Zürich jährlich rund 65 Pharmaziestudenten im 5. Semester im Praktikum „pharmazeutische Analytik“ betreut. Mit Freude und Begeisterung für ihr Fach stellt sie sich imm ... mehr

  • Autoren

    Prof. Dr. Petra S. Dittrich

    Jg. 1974, ist Außerordentliche Professorin am Department Biosysteme der ETH Zürich. Sie studierte Chemie an der Universität Bielefeld und Universidad de Salamanca (Spanien). Nach der Promotion am Max-Planck-Institut für biophysikalische Chemie in Göttingen war sie Postdoktorandin am ISAS In ... mehr

    Dr. Felix Kurth

    Jg. 1982, studierte Bioingenieurwesen an der Technischen Universität Dortmund und an der Königlich Technischen Hochschule in Stockholm. Für seine Promotion, die er 2015 von der Eidgenössisch Technischen Hochschule in Zürich erlangte, entwickelte er Lab-on-a-Chip Systeme und Methoden zur Qua ... mehr

    Lucas Armbrecht

    Jg. 1989, studierte Mikrosystemtechnik an der Albert-Ludwigs Universität in Freiburg im Breisgau. Während seines Masterstudiums konzentrierte er sich auf die Bereiche Sensorik und Lab-on-a-Chip. Seit dem Juni 2015 forscht er in der Arbeitsgruppe für Bioanalytik im Bereich Einzelzellanalytik ... mehr