Azure pro stroje (Neuron soundware: Umělá inteligence ve službách mechanika)
Rozvoj nových technologií vždy jednou za čas přináší příležitost výrazně proměnit společnost. Stačí se podívat, jak se změnil svět s příchodem Internetu či chytrých telefonů. A pokrok v oblasti umělé inteligence někteří přirovnávají k vynálezu elektřiny. Ovšem je třeba říct, že neuronové sítě nejsou zcela novým vynálezem. Princip tzv. strojového učení je známý už dvacet let, nicméně díky nárůstu výpočetního výkonu v současnosti zažívá renesanci.
Čeká nás opravdu tak dramatická změna?
Během posledních několika málo let se počítače naučily hrát jednoduché hry pouze sledováním obrazovky a mačkáním kláves. V loňském roce porazily nejlepší lidské hráče planety ve hře GO, která díky své složitosti a počtu kombinací měla být pro počítače nedobytná ještě nejméně celá desetiletí. A právě to je nejnázornější příklad, jak moc se přístup v řešení složitých problémů změnil.
Již nejde o sílu výpočetního výkonu, jako za časů počítačových šachů, ale zejména o kvalitu algoritmu. Ten využívá tzv. hlubokých neuronových sítí, které imitují proces učení v biologických organismech. Učí se na základě dat a historických zkušeností podobně jako lidé.
Vysvětleme si to na příkladu rozeznávání objektů v obrazu. Například, jak se liší kůň od osla. Možná byste mohli zkusit vymyslet rovnici, v níž je od sebe rozlišíte s použitím poměrů velikostí uší, vzdálenosti očí aj. Nicméně pak vám někdo dá fotku z jiného úhlu a pracně připravená rovnice přestane fungovat. Ale když poskytnete neuronové síti stovky obrázků zvířat, naučí se je sama rozpoznávat. Je to, jako když se učí malé dítě. Nejprve si koně s oslem plete, ale když je párkrát správně pojmenujete, začne je správně rozlišovat.
Toto pokročilé strojové učení, umělá inteligence, nachází své uplatnění v celé řadě oborů od rozpoznání překážek u samořiditelných aut až po úpravu fotografií ve stylu vybraného malíře. Mohla by však sloužit mechanikovi?
Jeden z oborů, kde se použití neuronových sítí nabízí, je prostředí audio diagnostiky
Vibrace a zvuk jsou často nejjednodušší metodou rozpoznání mechanických závad ať u motorů, převodů, výhybek či jiných mechanismů. Akustická emise byla však donedávna příliš složitá, než aby bylo možné ji přímo zpracovávat. Signál byl chaotický. Proto se v praxi uplatňovala pouze v jednoduché formě. Například u ložisek se hledaly tzv. vyšší harmonické frekvence. Výrazná amplituda na násobku otáček ložiska indikovala potenciální problém.
Většina z nás ovšem zažila situaci, kdy jste jeli automobilem a měli pocit, že něco nezní úplně dobře, něco není v pořádku. A někdo asi zažil i situaci, kdy mechanik po zaparkování vozu v servise přišel k vám a rovnou vám oznámil, v čem je problém. A to je možné díky naší lidské schopnosti porozumět zvukům velmi komplexně. Zkuste pustit minci na zem a uvidíte, jak se lidé otočí – všichni tento zvuk rozpoznali.
A tuto schopnost rozpoznávání zvuku je nyní možné replikovat v počítači. Diagnostika tedy může nabýt mnohem komplexnější podoby. Již nebude omezena jednoduchými rovnicemi. Neuronové sítě mají schopnost odlišovat od sebe složité vzory. Může se zaměřovat na krátké události dlouhé jen desítky či stovky milisekund. Dokáže ovšem stejně dobře zpracovávat i zvuky dlouhé mnoho vteřin. Technologie senzorů zároveň není omezena frekvenčním pásmem lidského ucha. Citlivý mikrofon či piezo-senzor dokáže zaznamenat pomalé chvění až po vysoký ultrazvuk. Zvuk reprezentuje to, co se fyzicky odehrává uvnitř stroje, a reflektuje mechanismus zařízení. Lze tedy obohatit různé stroje o schopnost porozumět svým vlastním mechanickým závadám.
Jaké možnosti využití se nabízejí?
Naše zkušenost zahrnuje zpracování audio záznamů z rozličných mechanických zařízení – od eskalátorů, přes výhybky, klimatizační jednotky až po atypické zvuky z větrných elektráren. Jelikož se technologie učí z dat, je její využití univerzální. V ideálním případě je trénovací data-set obsáhlý, a to včetně řady problémových stavů. Pak je možné připravit algoritmus, který rozpoznává konkrétní problémy. Pustíte mu několik vteřin záznamu. Výsledek analýzy je pak znám téměř okamžitě – vyhodnocení, jak moc je která třída poruchy rozpoznána.
Nabízí se technologie využít pro vývoj složitějších prediktivních modelů – například pro akustické stopy ložisek. Z jemných odstínů zvuku ložiska může neuronová síť odhadnout životnost ložiska. To by radikálně změnilo způsob, jakým se v současnosti spravují stroje. Každý stroj by mohl mít individuální algoritmus, který jej bude sledovat v reálném čase a hlásit do centrálního systému, s jakou pravděpodobností a kdy dojde k výpadku. Místo pravidelných prohlídek by bylo možné přejít na systém průběžné kontroly dle potřeby.
S dalším rozvojem algoritmů a rozrůstajícím se množstvím dat lze pak očekávat i zpřesňování kvality analýzy. Využití u dalších strojních zařízeních se nabízí – ať se jedná o zdviže, motory zaoceánských lodí, kogenerační jednotky či třeba potrubní ventily. Řada dnešních řešení na prediktivní údržbu by mohla být rozšířena o informace získané prostřednictvím audio diagnostiky. Zvýší se tím přesnost a spolehlivost celého řešení.
Svět IoT a edge computing
Rozvoji též nahrává, že pro analýzu zvuku stačí malé snímací zařízení s mikropočítačem. Data není třeba posílat k analýze do cloudu. Výsledným algoritmem po dokončení učení je jen malá knihovna, která může pracovat na relativně levném hardwaru a odhalovat mechanické závady. Dochází tak k efektivnímu propojení výpočtů v cloudu a využití koncových (edge) zařízení. Nově vzniklý odborný název toto označuje slovem fog-computing. Analytické studie předpovídají v následujících letech vznik miliard zařízení tohoto typu, která si budou moci předávat informace a znalosti.
Je zřejmé, že trend miniaturizace a zvyšování výpočetního výkonu bude i nadále pokračovat. Svět internetu věcí rozšíří diagnostické možnosti strojů. Mechanik již nebude odkázán na své smysly, jako byl v předchozích stoletích. Současné systémy monitoringu budou v nejbližší době zdokonaleny a jednotlivé stroje vylepšeny o senzory vybavené prvky umělé inteligence odhalující poruchy novým a komplexním způsobem. Stroje se zatím ještě samy neopraví, ale rozhodně budou samy sobě rozumět mnohem lépe.
Pavel Konečný | Neuron soundware