เชื่อหรือไม่ ? ว่าเสียงของเครื่องจักรและชิ้นส่วนต่าง ๆ สามารถบ่งบอกได้ว่าเครื่องจักรของคุณมีสภาพดีหรือเปล่า
นักวิจัยสถาบันเทคโนโลยีแห่งสหพันธ์สวิส ซือริช (Swiss Federal Institute of Technology in Zurich หรือ ETH) ได้พัฒนาระบบ Machine Learning แบบใหม่ ที่สามารถตัดสินใจได้โดยอัตโนมัติว่าเครื่องจักรนี้มีสภาพดีหรือต้องการการบำรุงรักษา
ไม่ว่าจะเป็นล้อรถไฟ เครื่องปั่นไฟ หรือปั้มและวาล์ว ต่างก็มี “เสียง” ของตัวเองอยู่ เสียงจากชิ้นส่วนเหล่านี้ต่างก็มีความหมายต่อผู้ที่คุ้นเคยกับมัน เพราะเสียงของชิ้นส่วน เครื่องจักร หรือระบบนั้น ต่างก็มีเสียงที่แตกต่างกันออกไปเมื่ออยู่ในสภาพปกติและเมื่อมีจุดตำหนิเสียหายเกิดขึ้น
เสียงที่อุปกรณ์เหล่านี้ส่งออกมาเป็นเบาะแสสำคัญให้ผู้เชี่ยวชาญสามารถใช้ตัดสินสภาพของเครื่องจักรได้ ว่าต้องมีการบำรุงรักษาหรือจำเป็นต้องซ่อมแซมอย่างเร่งด่วนหรือไม่ หากสามารถรู้ได้ทันก่อนเครื่องจักรเหล่านี้เกิดปัญหาขึ้น ก็จะสามารถช่วยป้องกันปัญหาล่วงหน้าและลดค่าใช้จ่ายจากความเสียหายก่อนเกิดปัญหาได้ ด้วยเหตุนี้ การเฝ้าระวังและตรวจสอบเสียงของเครื่องจักรจึงมีความจำเป็นสำหรับการดำเนินงานและการบำรุงรักษาโครงสร้างพื้นฐานเอาไว้ ยิ่งในปัจจุบันที่การบันทึกโทนเสียง เสียงรบกวน และสัญญาณเสียงต่าง ๆ ด้วยไมโครโฟนที่ทันสมัยมีราคาไม่แพงแล้ว
ในการดึงข้อมูลที่จำเป็นจากเสียงเหล่านี้ ในปัจจุบันมีวิธีวิเคราะห์และประมวลผลเสียงที่ได้รับการพิสูจน์ยอมรับแล้ว หนึ่งในนั้นก็คือวิธี Wavelet transformation ในทางคณิตศาสตร์แล้ว โทนเสียง เสียงรบกวน และเสียงทั่วไป สามารถแสดงออกมาเป็นคลื่นได้ ซึ่งวิธี Wavelet transformation นั้น จะแบ่งองค์ประกอบต่าง ๆ ของเสียงออกมาเป็นเวฟเล็ตจำนวนหนึ่ง ซึ่งเวฟเล็ตเหล่านี้คือการสั่นสะเทือนที่คล้ายคลื่นและมีการเปลี่ยนไปตามช่วงเวลา แนวคิดพื้นฐานของวิธีการนี้คือการตรวจสอบจำนวนคลื่นเวฟเล็ตที่มีอยู่ในสัญญาณ แม้ว่าวิธีการนี้จะค่อนข้างประสบความสำเร็จ แต่ก็ต้องใช้ประสบการณ์สูงและต้องมีการปรับพารามิเตอร์ด้วยตนเองทำให้ต้องมีผู้เชี่ยวชาญในการจัดการ
ตรวจจับความผิดปกติได้อย่างรวดเร็ว
นักวิจัย ETH จึงได้พัฒนาวิธีการ Machine Learning แบบใหม่ ที่สามารถเรียนรู้ Wavelet transformation ได้อย่างครบถ้วน ซึ่งวิธีการใหม่นี้เหมาะกับการรับสัญญาณที่มีความถี่สูงเช่นเสียงและการสั่นสะเทือน ทำให้ AI สามารถรับรู้ได้โดยอัตโนมัติว่าเครื่องจักรฟังดูอยู่ในสภาพดีหรือไม่
วิธีการนี้ถูกพัฒนาขึ้นโดยนักวิจัยหลังปริญญาเอก (Post-doc) Gabriel Michau, Gaëtan Frusque และ Olga Fink ศาสตราจารย์ด้านระบบบำรุงรักษาอัจฉริยะ ได้ทำการรวมวิธีประมวลผลสัญญาณและการใช้ Machine learning ในรูปแบบใหม่ ทำให้ด้วยวิธีใหม่นี้ ระบบอัลกอริทึมอัจฉริยะจะสามารถทำการตรวจสอบและวิเคราะห์เสียงของเครื่องจักรได้โดยอัตโนมัติ และเพราะวิธีการนี้คล้ายกับวิธี Wavelet transformation ทำให้ผลลัพธ์ของวิธีใหม่นี้สามารถนำมาใช้อ่านข้อมูลได้เป็นอย่างดี
นักวิจัยเหล่านี้คาดหวังให้เหล่าผู้เชี่ยวชาญที่คอยควบคุมเครื่องจักรต่าง ๆ ในอุตสาหกรรมได้ใช้งานระบบนี้เข้ามาช่วยตรวจสอบเครื่องจักรและช่วยแจ้งเตือนล่วงหน้าได้อัตโนมัติหากว่าเครื่องจักรที่ดูแลมีแนวโน้มจะแสดงความผิดปกติขึ้น โดยผู้ใช้งานไม่จำเป็นต้องมีความรู้พิเศษใด ๆ มาก่อนนัก วิธีการใหม่นี้นอกจากจะสามารถใช้งานได้กับเครื่องจักรหลากหลายแบบแล้ว ยังสามารถใช้อ่านสัญญาณได้ทั้งเสียงและการสั่นสะเทือน ซึ่งสามารถอ่านได้แม้แต่คลื่นอัลตราซาวด์หรือเสียงที่มีความถี่สูงจนมนุษย์ไม่สามารถได้ยินได้
รับฟังจากเสียงปกติของเครื่องจักร
ในงานอุตสาหกรรมจริง การเก็บตัวอย่างเสียงเครื่องจักรที่เกิดปัญหามาเป็นต้นแบบให้อัลกอริทึมใช้เรียนรู้นั้นทำได้ยาก เพราะการชำรุดของเครื่องจักรนาน ๆ ทีจึงจะเกิดขึ้น ทำให้การสอนระบบว่าเสียงของเครื่องจักรที่เสียหายแตกต่างจากเสียงของเครื่องจักรปกติอย่างไรนั้นทำได้ยาก นักวิจัย ETH จึงฝึกสอนระบบอัลกอริทึมให้เรียนรู้ว่าเสียงปกติของเครื่องจักรนั้นเป็นอย่างไร และตรวจจับหากเสียงมีการเปลี่ยนไปจากปกติแทน
เหล่านักวิจัยใช้ข้อมูลเสียงจำนวนมากจาก ปั้ม พัดลม วาล์ว รางเลื่อน และเลือกที่จะใช้การสอนแบบไม่มีผู้ควบคุมดูแล โดยไม่ได้บอกระบบว่าต้องเรียนรู้ในเรื่องอะไร แต่ให้ระบบทำการเรียนรู้ส่วนที่เกี่ยวข้องเองโดยไม่มีคู่มือหรือรูปแบบที่ตายตัว วิธีการนี้จึงทำให้นักวิจัยสามารถสร้างขั้นตอนการเรียนรู้เพื่อรับรู้เสียงที่เกี่ยวข้องกับประเภทเครื่องที่เฉพาะเจาะจงได้ และสามารถคัดแยกประเภทของความผิดปกติจากเสียงได้
แต่แม้จะมีการใช้ตัวอย่างเสียงจำนวนมากมาเป็นตัวอย่างทั้งเครื่องจักรที่สภาพดีและเครื่องจักรที่มีความผิดปกติแล้วก็ตาม ก็ยังไม่มีอะไรมายืนยันได้ว่าข้อมูลที่ระบบได้เรียนรู้ไปนั้นจะสามารถจำแนกเสียงความผิดปกติของเครื่องจักรได้ทุกรูปแบบ เครื่องจักรประเภทเดียวกันอาจจะมีเสียงที่ต่างกันออกไปขึ้นอยู่กับความหนักของการใช้งานและสภาพอากาศหรือสภาพแวดล้อมรอบเครื่องจักร ทำให้เสียงจากอาการผิดปกติของแต่ละเครื่องจักรอาจจะแตกต่างกันไปได้อย่างมากแม้จะมีอาการผิดปกติที่คล้ายกันก็ตาม
เรียนรู้เสียงร้องของนก
นอกจากเสียงของเครื่องจักรแล้ว นักวิจัยยังทดลองนำอัลกอริทึมใหม่นี้มาใช้ในด้านอื่น ๆ อีกเช่น การแยกเสียงร้องของนก โดยใช้เสียงที่เหล่านักส่องนกบันทึกไว้มาใช้ในการสอน และให้อัลกอริทึมทำการเรียนรู้การแยกเสียงร้องของนกแต่ละสายพันธุ์ โดยเสียงที่บันทึกมานั้นจะมาจากไมโครโฟนแบบไหนก็ได้
การนำ AI มาใช้เรียนรู้ในรูปแบบนี้มีความสำคัญในการช่วยพัฒนาโครงสร้างพื้นฐานของระบบในการนำไปใช้ฟังเสียงของเครื่องจักร ระบบอัลกอริทึมจะต้องเรียนรู้ที่จะตัดเสียงรบกวนเบื้องหลังออกจากเสียงที่จำเป็นของเครื่องจักร ในการใช้งานจริงในอุตสาหกรรม ระบบจะต้องสามารถเรียนรู้ความแตกต่างของเสียงได้แม้เพียงนิดเดียว ระบบจะต้องไม่แจ้งเตือนบ่อยเกินไปและต้องไม่มองข้ามเสียงที่สำคัญของเครื่องจักร
“จากงานวิจัยของเรา สามารถแสดงให้เห็นว่าวิธี Machine learning ของเราสามารถตรวจจับความผิดปกติจากเสียงได้ และมีความยืดหยุ่นมากพอที่จะนำไปใช้กับสัญญาณและงานอื่น ๆ ได้” Olga Fink กล่าวสรุปผลการวิจัยของเธอและทีม
ซึ่งนอกจากทั้งหมดที่กล่าวมาแล้ว ระบบ AI ใหม่นี้ยังสามารถเรียนรู้ไปถึงเสียงที่อาจจะเกิดขึ้นกับเครื่องจักรในอนาคต (Evolution of sound) ได้ ทำให้สามารถคาดเดาปัญหาที่อาจจะเกิดขึ้นกับเครื่องจักรได้ก่อนที่จะเกิดขึ้น ด้วยเสียงที่เปลี่ยนไปตามระยะเวลา ซึ่งนี่ก็จะเป็นอีกหนึ่งจุดที่จะเปิดความเป็นไปได้ในการนำระบบนี้ไปใช้งานในรูปแบบอื่น ๆ ในอนาคตครับ
