隨著人工智能技術(shù)的快速發(fā)展及其在工業(yè)系統(tǒng)中廣泛應(yīng)用，智能化、數(shù)字化等技術(shù)漸成當(dāng)下產(chǎn)業(yè)發(fā)展新引擎。伴隨著自動化技術(shù)水平的不斷提高，以及工業(yè)設(shè)備制造和工程系統(tǒng)復(fù)雜性大大增加，以往依賴人工經(jīng)驗監(jiān)測、記錄和分析的事先維護早已滿足不了當(dāng)前所需，設(shè)備維護管理成為當(dāng)下工業(yè)企業(yè)發(fā)展面臨的新挑戰(zhàn)。

傳統(tǒng)設(shè)備維護的方式主要是通過被動故障維護以及定期以人工巡檢的方式檢測。眾所周知，故障的發(fā)生具有非常大的偶然性，僅依賴人工診斷難度較大、耗時長且需要耗費大量資源，對企業(yè)來說備件存儲成本相對也較高，存在著諸多缺陷。

預(yù)測性維護應(yīng)運而生，并已成為工業(yè)設(shè)備運維的趨勢所需。

什么是預(yù)測性維護？預(yù)測性維護可以做什么？

預(yù)測性維護是集設(shè)備狀態(tài)監(jiān)測、故障診斷、故障狀態(tài)預(yù)測、維修決策支持和維修活動于一體的一種新興的維修方式。不僅可以降低設(shè)備故障率，提高設(shè)備利用率，更是保障設(shè)備持續(xù)使用乃至提高企業(yè)生產(chǎn)效率的重要手段，同時還可以在一定程度上減少設(shè)備的維修費用。

當(dāng)前，預(yù)測性維護技術(shù)大多采用溫度、功率、振動或聲音監(jiān)控，所有這些技術(shù)都涉及實時持續(xù)監(jiān)控機器狀況，以便快速發(fā)現(xiàn)問題，針對性解決問題。

為什么選擇聲音賽道？

萬事萬物均有其聲，工業(yè)設(shè)備同樣可以“開口說話”。不同的設(shè)備在運行過程中會產(chǎn)生的獨有的聲紋信號，這也屬于該設(shè)備特有的“DNA”，具有唯一性且包含著豐富的信息。

隨著技術(shù)的高速發(fā)展，以及對聲音在工業(yè)領(lǐng)域應(yīng)用的探索深入，基于聲音的設(shè)備狀態(tài)監(jiān)控已能夠自動屏蔽環(huán)境噪聲，現(xiàn)階段在實現(xiàn)持續(xù)監(jiān)控與早期故障告警上，智能化的聲音狀態(tài)監(jiān)測具有無可比擬的優(yōu)勢。

作為智能語音領(lǐng)域唯一落地的國家級制造業(yè)創(chuàng)新中心，國家智能語音創(chuàng)新中心持續(xù)聚焦制造業(yè)發(fā)展重大需求，以聲學(xué)為核心，開展了多維度的工業(yè)聽診技術(shù)研究。

那么，如何最大化發(fā)揮“聲音”的聽診作用，有效開展預(yù)測性維護工作，并實現(xiàn)真正落地，乃至持續(xù)創(chuàng)造價值？

一是技術(shù)創(chuàng)新，二是數(shù)據(jù)支撐。

源頭發(fā)力，科技創(chuàng)新為基

內(nèi)外兼修，軟硬結(jié)合，創(chuàng)新中心自主研發(fā)了聲音信號處理、多模態(tài)智能降噪、波束成形、聲源定位等聲學(xué)前端算法技術(shù)，以及可適應(yīng)不同應(yīng)用場景的高精度麥克風(fēng)陣列模組硬件，基本實現(xiàn)了技術(shù)路徑全面覆蓋。

麥克風(fēng)陣列研制方面，創(chuàng)新中心自研的64mic麥克風(fēng)陣列不僅在頻帶寬度、靈敏度、信噪比等方面性能優(yōu)良，支持監(jiān)測距離遠達40m，定位精度可達1°。與此同時，基于聲學(xué)優(yōu)勢，創(chuàng)新中心還進一步融合了視覺相關(guān)技術(shù)，將聲像圖與可見光圖疊加，實現(xiàn)故障可視化。

創(chuàng)新中心研制的麥克風(fēng)陣列不僅可單獨部署，還可融合各類固定式、手持式、可移動式載體，適用于工業(yè)領(lǐng)域內(nèi)如局部放電、氣體泄漏、設(shè)備異響等多樣化復(fù)雜場景，幫助用戶快速鎖定“故障”點，高效、切實解決問題。

搭載了64mic麥克風(fēng)陣列的聲學(xué)成像儀，讓故障清晰可見

算法層面，創(chuàng)新中心采取不同任務(wù)調(diào)度不同算法的方式，合理分配計算資源，提高目標(biāo)監(jiān)測結(jié)果準(zhǔn)確性及穩(wěn)定性。

目前創(chuàng)新中心主要采用兩種不同預(yù)測性維護算法技術(shù)方案，即生成式方案和區(qū)分性方案。

在僅有正常數(shù)據(jù)的情況下，生成式方案有較大的優(yōu)勢。生成式方案可對正常狀態(tài)設(shè)備聲紋進行機器學(xué)習(xí)或深度學(xué)習(xí)建模，擬合聲紋數(shù)據(jù)的概率分布空間。對未見過的正常狀態(tài)聲紋，也有較好的魯棒性。從實踐結(jié)果來看，準(zhǔn)確率可達95%。

基于AE模型的生成式方案

針對工業(yè)復(fù)雜、多樣化場景需求，區(qū)分性方案效果更佳。區(qū)分性方案可通過對有監(jiān)督數(shù)據(jù)的學(xué)習(xí)來擬合數(shù)據(jù)的特征分布，通過判別器來判斷機器是否異?；蛘叱霈F(xiàn)哪種故障類別，隨著訓(xùn)練數(shù)據(jù)量的增加，準(zhǔn)確率提升明顯。從實踐結(jié)果上看，區(qū)分性方案準(zhǔn)確率可達98%。

基于TDNN模型的區(qū)分性方案

較之行業(yè)傳統(tǒng)依賴人工巡檢的維護方案，以聽診技術(shù)為核心的工業(yè)設(shè)備預(yù)測性維護優(yōu)勢明顯：

◇ 全天候、全過程管理，安全性、穩(wěn)定性強：支持7*24小時全時段遠程實時監(jiān)測，對設(shè)備運行狀態(tài)進行全面管控，及時發(fā)現(xiàn)故障、隱患，并進行智能化預(yù)警，最大程度保障設(shè)備使用的持續(xù)性，降低設(shè)備非計劃停機風(fēng)險。◇ 提升生產(chǎn)效率，降低維護成本：實現(xiàn)設(shè)備的自動巡檢和故障診斷，有效避免人工巡檢的繁瑣和時間浪費。通過對設(shè)備的故障診斷和預(yù)警，企業(yè)可提前進行相應(yīng)設(shè)備維護、損壞部件等更換。

◇ 多維度數(shù)據(jù)分析，準(zhǔn)確率高：科學(xué)化、數(shù)據(jù)化管理，基于聲音、振動、視覺等多維數(shù)據(jù)進行分析，避免人為主觀判斷誤差。過程生成的大量數(shù)據(jù)還可以為后續(xù)設(shè)備分析提供支撐，以及幫助企業(yè)制定合理的運營、維修和保障計劃。

◇ 支持經(jīng)驗數(shù)字模型化：“老師傅”經(jīng)驗+機理模型有效結(jié)合，可將傳統(tǒng)無法準(zhǔn)確傳承的經(jīng)驗知識進行數(shù)據(jù)積淀，形成可復(fù)制應(yīng)用的設(shè)備健康模型。

聲紋數(shù)據(jù)，硬核支撐

為了實現(xiàn)更精準(zhǔn)的預(yù)測和判斷，創(chuàng)新中心開展了關(guān)鍵領(lǐng)域工業(yè)設(shè)備聲紋數(shù)據(jù)庫建設(shè)工作。深入工業(yè)場景，通過一個或者多個麥克風(fēng)陣列對設(shè)備運行過程進行遠程非接觸式聲音信號搜集，通過對回收的數(shù)據(jù)進行處理，已建成9萬+小時的正、負(fù)聲紋數(shù)據(jù)庫。

通過聲紋數(shù)據(jù)的進一步加持，利用先進的機理算法與AI算法融合建模，對設(shè)備發(fā)出的聲音進行對比分析，為工業(yè)領(lǐng)域關(guān)鍵應(yīng)用設(shè)施設(shè)備運行實時狀態(tài)監(jiān)測，提供精準(zhǔn)性、預(yù)測性和實時性的聲學(xué)故障診斷及預(yù)測性維護服務(wù)。

落地見實效，實踐展實力

實踐是檢驗?zāi)芰Φ淖罴逊绞健?/strong>