Berta Sándor
Hangja alapján tudható, hogy jó-e egy gép
Árulkodók lehetnek az egyes berendezésekből hallható zajok.
Az ETH Zurich kutatói megállapították, hogy a hang alapján felismerhető, ha egy gép jól vagy rosszul működik. A szakemberek ehhez egy új gépi tanulási eljárást dolgoztak ki, amely a zajok alapján automatikusan megállapítja, hogy egy készülék "egészséges-e" vagy karbantartásra van szüksége. Amennyiben valaki képes meghallani a problémás zörejeket, akkor még azelőtt avatkozhat be a folyamatokba, hogy komolyabb problémák keletkeznének.
A svájci tudósok az új eljárásban ötvözték a jelfeldolgozást és az adatelemzéseket, többek között a Wavelet-transzformációt. Az utóbbi segítségével a különböző jelek időbeli (vagy térbeli) és a frekvenciatartománybeli elemzése egyszerre hajtható végre. A mostani gépi tanulási eljárás képes teljes mértékben megtanulni a Wavelet-transzformációt és automatikusan felismerni, hogy egy berendezés "egészséges-e" vagy sem. A cél az, hogy a különböző ipari készülékeket működtető és karbantartó személyek egy olyan eszközt kapjanak, amelyet hatékonyan alkalmazhatnak a rendszerek automatikus felügyeletére és amely figyelmezteti őket, ha közbe kell avatkozniuk.
A megoldás előnye nem csupán különböző típusú gépek, hanem eltérő zajok vagy vibrációk esetében is használható. Sőt, megtanítható az egyes specifikus zörejek és minták felismerésére is, amelyek csak bizonyos berendezések esetében jöhetnek elő. Az eljárás ezenkívül alkalmazható a különböző madárhangok megkülönböztetésére is. Az algoritmusnak meg kellett tanulnia, hogy egy bizonyos madárfaj eltérő egyedeinek hangjait is azonosítsa.
Az ETH Zurich kutatói megállapították, hogy a hang alapján felismerhető, ha egy gép jól vagy rosszul működik. A szakemberek ehhez egy új gépi tanulási eljárást dolgoztak ki, amely a zajok alapján automatikusan megállapítja, hogy egy készülék "egészséges-e" vagy karbantartásra van szüksége. Amennyiben valaki képes meghallani a problémás zörejeket, akkor még azelőtt avatkozhat be a folyamatokba, hogy komolyabb problémák keletkeznének.
A svájci tudósok az új eljárásban ötvözték a jelfeldolgozást és az adatelemzéseket, többek között a Wavelet-transzformációt. Az utóbbi segítségével a különböző jelek időbeli (vagy térbeli) és a frekvenciatartománybeli elemzése egyszerre hajtható végre. A mostani gépi tanulási eljárás képes teljes mértékben megtanulni a Wavelet-transzformációt és automatikusan felismerni, hogy egy berendezés "egészséges-e" vagy sem. A cél az, hogy a különböző ipari készülékeket működtető és karbantartó személyek egy olyan eszközt kapjanak, amelyet hatékonyan alkalmazhatnak a rendszerek automatikus felügyeletére és amely figyelmezteti őket, ha közbe kell avatkozniuk.
A megoldás előnye nem csupán különböző típusú gépek, hanem eltérő zajok vagy vibrációk esetében is használható. Sőt, megtanítható az egyes specifikus zörejek és minták felismerésére is, amelyek csak bizonyos berendezések esetében jöhetnek elő. Az eljárás ezenkívül alkalmazható a különböző madárhangok megkülönböztetésére is. Az algoritmusnak meg kellett tanulnia, hogy egy bizonyos madárfaj eltérő egyedeinek hangjait is azonosítsa.