haku: @keyword akustiikka / yhteensä: 44
viite: 9 / 44
| Tekijä: | Tossavainen, Teemu |
| Työn nimi: | Sound based fault detection system |
| Ääneen perustuva viantunnistusjärjestelmä | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2015 |
| Sivut: | 54 + 18 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | Ohjelmistotekniikka (T3001) |
| Valvoja: | Saikkonen, Heikki |
| Ohjaaja: | Kugler, Mauricio |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201512165739 |
| Sijainti: | P1 Ark Aalto 3285 | Arkisto |
| Avainsanat: | sound analysis fault detection signal processing machine learning vian tunnistus akustiikka signaalinkäsittely |
| Tiivistelmä (fin): | Mekaanisten laitteiden toimintaäänesta voidaan saada tietoa laitteen kunnosta ja huollon tarpeesta. Esimerkiksi vaikka auton kuljettaja ei olisi ammattimekaanikko, pystyy hän useissa tapauksissa päättelemään auton käyntiäänestä, että jotain on vialla. Asia verrattain on helppo ihmisille, mutta se on haastava ongelma koneille. Automaattisella järjestelmällä, joka pysytyisi tunnistamaan vian pelkästään äänen perusteella, olisi potentiaalisesti paljon hyötyä. Äänen käyttämisestä viantunnistukseen on etuja. Kuulo on etäaisti, joka pystyy välittämään tietoa etäisistä tapahumista, jopa esteiden takaa. Tällöin saavutetaan etua verrattuna moniin muihin signaaleihin, jotka vaativat fyysisen kosketuksen tai asennuksen analysoitavaan laitteeseen, kuten tärinä signaali. Lisäksi mikrofoni on verrattain halpa sensori, minkä ansiosta järjestelmästä voisi tehdä kustannustehokkaan. Ehdotamme kolmitasoista viantunnistusjärjestelmää, joista tämä työ keskittyy kahteen ensimmäiseen. Ensimmäisellä tasolla järjestelmän tulisi kyetä tunnistamaan mahdollisen ongelman esiintyminen, toisella sen tulisi pystyä tunnistamaan, että vika on todennäköisesti olemassa. Kolmannella tasolla järjestelmän tulisi kyetä tunnistamaan kyseisen vian tyyppi. Tässä työssä esittelemme kirjallisuuskatsauksen aiheeseen. Viimeaikoina on ollut kasvavaa kiinnostusta ääneen pohjautuvien viantunnistuksen tutkimukseen. Useimmat menetelmät luokittelevat äänisignaalin ennalta kerättyjen vikaäänien perusteella. Yleisiä viantunnistusmenelmiä ei ole tutkittu yhtä kattavasti. Työssä esitämme menetelmän, joka perustuu useisiin äänen piirteisiin, jotka kattavat sekä taajuus, että aika esityksen. Suoritimme kokeita, joiden avulla arvioimme toteutetun järjestelmän toimivuutta. Kokeissa nauhoitimme laitteiden normaaleja ääniä, sekä ääniä, joissa esiintyy vika. Lisäksi arvioimme järjestelmän kohinan sietoisuutta lisäämällä kyseisiin ääniin -6 desibelin ääni-kohinasuhteella olevaa Gaussian valkoista kohinaa. Saamiemme tulosten perusteella, menetelmämme on validi ja järjestelmä toimi verrattain hyvin huolimatta voimakkaasta kohinasta. Tämän työn tuloksia tullaan hyödyntämää ääneen pohjautuvan vian tunnistuksen jatkotutkimuksessa. |
| Tiivistelmä (eng): | Often with mechanical machines, the operating sound can indicate the condition, the correctness of settings, or the need for maintenance. For example, many drivers can tell, even without training, that there is something wrong with a car by the sound it makes. Such skill is relatively easy for humans to master, but reproducing it in an artificial system is challenging. An artificial system that could detect impending faults or need for maintenance by utilizing only sounds would have many potential applications. Microphones have relatively low-cost compared to other kinds of specialized sensors. Sounds can be detected remotely and even beyond barriers, allowing more freedom in the positioning of the sensor than, for instance, vibration based solutions. We propose a system with three levels of fault detection, from which this research will focus on the first two. Firstly, the system detects an indication that there could be a fault; secondly it detects that there is a high probability for fault occurring. On the third level, it would identify specific faults. In this thesis, we conducted a literature review of the field. In the literature, most methods are based on identifying specific pre-learned faults in specific applications, with only a handful of general methods. We devised a method and metrics to distinguish between normal and abnormal operating sounds of a mechanical machine by utilizing several low-level features, which were extracted both from time and frequency domain. We conducted experiments to evaluate the implemented system. The experiments included various sounds of machines operating normally and after they were damaged. In addition, we evaluated performance with added -6 dB SNR Gaussian white noise. The results indicate that the approach is valid and the system performed well even with added noise. The results of this thesis will be utilized in further research on sound based fault detection. |
| ED: | 2016-01-17 |
INSSI tietueen numero: 52862
+ lisää koriin
INSSI