Czy AI może wykrywać wady strukturalne złożonych maszyn na podstawie nagrań dźwiękowych ?

Maszyny często wydają subtelne sygnatury akustyczne przed awarią, a AI ostatnio wykazała się zdolnością diagnozowania problemów takich jak zużycie łożysk czy niewspółosiowość, jedynie poprzez słuchanie. Ta zdolność umożliwiłaby utrzymanie predykcyjne w branżach, gdzie przestoje są kosztowne. Łączy ona lukę między percepcją sensoryczną a diagnozą techniczną, łącząc fizykę, inżynierię i analizę danych sensorycznych.

Naukowcy poczynili znaczne postępy w wykorzystywaniu sztucznej inteligencji do wykrywania wad strukturalnych w złożonych maszynach na podstawie nagrań dźwiękowych. To podejście, znane jako analiza akustyczna lub monitorowanie stanu w oparciu o dźwięk, polega na trenowaniu modeli uczenia maszynowego na dużych zbiorach danych nagrań audio z maszyn w różnych stanach pracy. Analizując wzorce i anomalie w tych nagraniach, algorytmy AI mogą identyfikować potencjalne problemy, takie jak niewspółosiowe koła zębate, zużyte łożyska lub inne problemy mechaniczne. Zastosowanie technik głębokiego uczenia, w szczególności sieci neuronowych konwolucyjnych, okazało się skuteczne w wydobywaniu istotnych cech z sygnałów dźwiękowych i wykrywaniu usterek z dużą dokładnością. Technologia ta ma potencjalne zastosowania w branżach takich jak produkcja, lotnictwo i energetyka, gdzie utrzymanie predykcyjne może pomóc zapobiegać awariom sprzętu i zmniejszać przestoje. Kilka badań wykazało skuteczność tego podejścia w wykrywaniu wad strukturalnych w złożonych maszynach, w tym skrzyń biegów, pomp i turbin wiatrowych. Rozwój bardziej zaawansowanych modeli uczenia maszynowego i większych zbiorów danych powinien dodatkowo poprawić dokładność i niezawodność tej technologii. W miarę jak dziedzina ta będzie się rozwijać, można spodziewać się szerszego zastosowania analizy akustycznej w środowiskach przemysłowych.

+- podany 13 maja 2026 · Źródło: IEEE — National Institute of Standards and Technology