L’intelligence artificielle entend le son des machines en bonne santé

Les sons offrent des informations cruciales sur le bon fonctionnement d’un appareil. Les scientifiques de l’ETH ont mis au point une nouvelle stratégie d’apprentissage automatique qui détecte si une machine est “saine” ou si elle a besoin de maintenance.

Qu’il s’agisse de roues de chemin de fer ou de générateurs dans une centrale électrique, de pompes ou de soupapes, toutes ces machines émettent des sons. Pour des oreilles expérimentées, ces bruits ont même une signification : les appareils, les machines, les équipements ou le matériel roulant sonnent différemment lorsqu’ils fonctionnent correctement et lorsqu’ils présentent une déficience ou un défaut.

Les sons qu’ils émettent donnent donc aux professionnels des indices utiles pour savoir si un appareil reste dans un état excellent ou “sain” ou s’il va rapidement demander un entretien ou une réparation immédiate. Ceux qui identifient à temps que les sons émis par un équipement fonctionnent mal peuvent, en fonction de la situation, prévenir un défaut coûteux et intervenir avant les dommages.

L’observation et l’analyse des sons ont gagné en importance dans l’exploitation et la maintenance des infrastructures techniques, notamment depuis que l’enregistrement des sons, des bruits et des signes acoustiques est devenu relativement rentable grâce aux microphones modernes.

Pour extraire les données requises de ces sons, des méthodes éprouvées de traitement du signal et d’analyse des données ont été établies. L’une d’entre elles est la transformation en ondelettes. Mathématiquement, les tonalités, les sons ou le bruit peuvent être représentés comme des ondes.

La transformation en ondelettes décompose une fonction en un ensemble d’ondelettes, des oscillations ondulatoires localisées dans le temps. L’idée sous-jacente est de déterminer la quantité d’ondelette présente dans un signal pour une plage et une zone spécifiques. Bien que de tels cadres aient connu un certain succès, ils peuvent encore prendre beaucoup de temps.

Détecter les déficiences à un stade précoce

Les scientifiques de l’ETH ont maintenant mis au point une technique d’apprentissage automatique qui rend la transformation en ondelettes entièrement apprenable. Cette nouvelle technique est idéale pour les signaux à haute fréquence, comme le son et les vibrations. Elle permet d’identifier immédiatement si un appareil sonne “sain” ou non. La méthode établie par les chercheurs postdoctoraux Gabriel Michau, Gaëtan Frusque et Olga Fink, professeur de systèmes de maintenance intelligents, et publiée aujourd’hui dans la revue PNAS, associe de manière innovante le traitement du signal et l’apprentissage automatique.

Il permet à un algorithme intelligent, c’est-à-dire une règle de calcul, d’effectuer immédiatement une surveillance acoustique et une évaluation du son. En raison de sa ressemblance avec la transformation en ondelettes solides, la méthode d’apprentissage automatique recommandée offre une excellente interprétabilité des résultats.

L’objectif des scientifiques est que, bientôt, les professionnels qui utilisent des machines dans l’industrie puissent utiliser un dispositif qui surveille automatiquement les outils et les alerte à temps sans exiger de connaissances préalables spécifiques lorsque des sons perceptibles, anormaux ou “malsains” se produisent dans l’équipement. Le nouveau processus d’apprentissage automatique s’applique non seulement à différents types de dispositifs, mais aussi à des types distincts de signes, de sons ou de vibrations. Par exemple, il reconnaît les fréquences sonores que les gens ne peuvent pas entendre naturellement, comme les signes à haute fréquence ou les ultrasons.

Néanmoins, le processus d’apprentissage ne se contente pas de battre toutes sortes de signes sur une barre. Au contraire, les chercheurs l’ont créé pour repérer les distinctions subtiles entre les différents types de sons et créer des résultats spécifiques à la machine. Ce n’est pas anodin, car il n’existe pas d’échantillons défectueux pour en tirer des enseignements.

Concentré sur les sons sains

Collecter de nombreux exemples sonores représentatifs de machines défectueuses dans des applications industrielles authentiques n’est généralement pas pratique, étant donné que les défauts se produisent rarement. Il n’est pas possible d’apprendre à l’algorithme à quoi ressemblent les données sonores provenant de défauts et comment elles se différencient des sons sains.

Les scientifiques ont donc éduqué les algorithmes de manière à ce que l’algorithme d’apprentissage de l’équipement apprenne à quoi ressemble le bruit habituel d’une machine lorsqu’elle fonctionne efficacement, puis reconnaisse lorsqu’un bruit diffère de la normale.

Pour ce faire, ils ont utilisé diverses informations sonores provenant de pompes, de ventilateurs, de vannes et de glissières et ont choisi une approche d'”apprentissage non supervisé”, c’est-à-dire qu’ils n’ont pas “dit” à un algorithme ce qu’il devait apprendre, mais que l’ordinateur a appris les modèles pertinents de manière autonome. De cette manière, Olga Fink et son équipe ont permis au processus d’apprentissage de reconnaître les sons associés à un type d’équipement donné et de distinguer certains types de défauts sur cette base.

Même si un ensemble de données contenant des échantillons défectueux avait été accessible, et si les auteurs avaient pu éduquer leurs algorithmes avec les échantillons de sons sains et défectueux, ils n’auraient jamais été sûrs qu’une telle collection de données classées contenait toutes les variantes de sons et de défauts.

L’échantillon aurait pu être incomplet, et leur technique d’apprentissage aurait pu manquer des sons défectueux essentiels. En outre, le même type d’équipement peut générer des sons extrêmement distincts selon l’intensité de l’utilisation ou les conditions ambiantes, de sorte que même des défauts techniquement pratiquement identiques peuvent avoir des sons très différents selon la machine proposée.

Apprendre à partir de sons d’oiseaux

L’algorithme ne s’applique toutefois pas uniquement aux sons émis par les machines. Les chercheurs ont également évalué leurs algorithmes pour différencier les différents chants d’oiseaux. Pour ce faire, ils ont utilisé des sons provenant d’observateurs d’oiseaux. Les algorithmes devaient apprendre à différencier les chants d’oiseaux d’une espèce particulière, en garantissant que le type de microphone utilisé par les observateurs d’oiseaux n’avait aucune importance : “L’apprentissage automatique est destiné à reconnaître les chants d’oiseaux, et non à évaluer la méthode d’enregistrement”, explique Gabriel Michau.

Cet effet d’apprentissage est également vital pour l’infrastructure technique : même avec les machines, les algorithmes doivent être agnostiques au simple bruit de fond et aux influences de la méthode d’enregistrement lorsqu’ils entendent identifier les sons pertinents.

Pour une future application industrielle, il est crucial que l’apprentissage automatique soit capable d’identifier les différences subtiles entre les sons : pour être utile et fiable pour les professionnels sur le terrain, il ne doit pas alerter trop souvent ou manquer des sons pertinents. “Grâce à notre étude, nous avons pu démontrer que notre technique d’apprentissage automatique détecte les anomalies entre les sons et qu’elle est suffisamment souple pour être utilisée pour différents types de signaux et de tâches”, explique Olga Fink.

Une caractéristique essentielle de leur technique d’apprentissage est qu’elle peut également observer le développement du son afin de détecter les signes d’éventuels défauts dans la façon dont les sons évoluent dans le temps. Cela ouvre la voie à de nombreuses applications passionnantes.

---

Plus d’information:

Gabriel Michau et al, Transformation en ondelettes profondes entièrement apprenable pour la surveillance non supervisée de séries chronologiques à haute fréquence, Actes de l’Académie nationale des sciences (2022). DOI : 10.1073/pnas.2106598119

Lisez l’article original sur Techxplore.

Connexe “Les employés d’Amazon utilisent déjà le ChatGPT pour le codage de logiciels“