شارك
الرئيسية
3 دقائق 
طور باحثون من المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zürich) طريقة جديدة تعتمد على التعلم الآلي، يمكن أن تكتشف ما إذا كانت الآلة تعمل جيداً دون أعطال، أو تتطلب صيانة.
اكتشاف الأعطال في الآلات عن طريق أصواتها
تُصدر جميع الآلات أصواتاً، من السكك الحديدية حتى المولدات. يمكن للأذن الخبيرة تحديد أصواتها في حالتها الطبيعية، وتمييز الأصوات غير الطبيعية التي تدل على وجود عطب في الآلة، والذي يدل بدوره على حاجتها للصيانة أو الإصلاح الفوري قبل فوات الأوان، وتفاقم العطب ليصبح عيباً إصلاحه مكلف.
مع تطور الميكروفونات الحديثة، أصبح بالإمكان تسجيل النغمات والضوضاء والإشارات الصوتية، لمراقبة أي صوت غريب، وأصبح لتحليلها أهمية كبيرة في تشغيل وصيانة الآلات، وكل ذلك بتكلفة مقبولة، خاصة بالنسبة لغير الخبراء الذين لا يمكنهم تمييز الأصوات غير الطبيعية.
تتم معالجة هذه الأصوات والإشارات وتحليل البيانات باستخدام طرق منها "التحويل المويجي"، وهي طريقة تحلل مجموعة من الموجات التي هي عبارة عن اهتزازات موضعية في وقت معين.
على الرغم من أن هذه الطريقة ناجحة تماماً، إلا أنها تستغرق وقتاً طويلاً، لذلك لجأ الباحثون إلى التعلم الآلي لتسريع العملية، وكشف العيوب في مرحلة مبكرة.
اقرأ أيضاً: شاهد: روبوت يخوض تحدي غطاء الزجاجة ويستعرض طريقة جديدة للتحكم في الآلات
التعلم الآلي وفائدته في الكشف عن أعطال الآلات
طور الباحثون في المعهد الفيدرالي السويسري للتكنولوجيا طريقة للتعلم الآلي، تجعل التحويل المويجي قابلاً للتعلم بشكل كامل، وهي طريقة مناسبة للإشارات عالية التردد، مثل إشارات الصوت والاهتزاز، وتمكّن من الكشف التلقائي عما إذا كانت الآلة تعمل بشكل طبيعي أم لا.
نُشرت نتائج الدراسة في دورية "وقائع الأكاديمية الوطنية للعلوم" (PNAS)، وبينت فعالية الخوارزمية الذكية في المراقبة الصوتية والتحليل الصوتي تلقائياً. يمكن عبر هذه الخوارزمية تحذير المهنيين الذين يستخدمون الآلة بوجود شيء غير طبيعي في الوقت المناسب.
يمكن أيضاً تطبيق عملية التعلم الآلي هذه على أنواع مختلفة من الآلات، وعلى أنواع مختلفة من الإشارات أو الأصوات أو الاهتزازات، وهي تتعرف على الترددات الصوتية التي لا يستطيع الإنسان سماعها بطبيعته، مثل الإشارات عالية التردد أو الموجات فوق الصوتية. وتكتشف أيضاً الاختلافات الدقيقة في أنواع الصوت المختلفة وإنتاج نتائج خاصة بالآلة.
اقرأ أيضاً: هل تزيد المساعِدات الصوتية ذات الأصوات الأنثوية من الأفكار السلبية المتحيزة ضد النساء؟
تدريب النموذج على الرغم من عدم وجود بيانات كافية
عند تدريب نموذج التعلم الآلي، لم تتوفر الكثير من الأمثلة عن الآلات التي تحتاج إلى صيانة، إذ لا يمكن عادةً جمع العديد من الأمثلة الصوتية التمثيلية للآلات المَعيبة، إذ لا يمكن الوصول إلى عيوب الآلات بسرعة، فقد كان من الصعب تعليم الخوارزمية ما قد تبدو عليه بيانات الضوضاء الناتجة عن الأخطاء وكيف تختلف عن الأصوات الطبيعية.
لحل هذه المشكلة، درّب الباحثون خوارزمية التعلم الآلي بطريقة تجعلها تتعلم كيف تبدو الآلة عندما تعمل بشكل صحيح ثم تتعرف تلقائياً على الصوت غير الطبيعي.
للقيام بذلك، استخدموا مجموعة متنوعة من البيانات الصوتية من المضخات والمراوح والصمامات واختاروا منهج "التعلم غير الموجه". وبذلك أصبح بإمكان الخوارزمية التعرف على الأصوات ذات الصلة داخل نوع معين من الآلات والتمييز بين أنواع معينة من الأخطاء على هذا الأساس.
حتى لو تمكن الباحثون من جمع بيانات تحتوي على عينات لأصوات مَعيبة، وتم تدريب الخوارزمية على التمييز بينها وبين الطبيعية، لن تمثل هذه البيانات جميع متغيرات الصوت غير الطبيعية، فقد تكون العينة غير مكتملة، وربما قد تفوّت آلية التعلم أصوات أخطاء مهمة. علاوة على ذلك، يمكن أن تنتج الآلة نفسها أصواتاً مختلفة جداً اعتماداً على كثرة الاستخدام أو الظروف المحيطة بها.
اقرأ أيضاً: إليكم أول الأصوات المسجلة على سطح المريخ
تجربة النموذج على تغريدات الطيور
لم يتوقف الباحثون عند حدود الآلات فقط، بل تعدوا ذلك ليصلوا إلى اختبار الخوارزمية على تسجيلات لأصوات الطيور وتغريداتها المختلفة التي جمعها مراقبو الطيور.
كان على الخوارزميات أن تتعلم التمييز بين تغريدات الطيور المختلفة لنوع معين، بغض النظر عن نوع الميكروفون الذي يستخدمه مراقبو الطيور، فمن المفترض أن يتعرف التعلم الآلي على تغريدات الطيور، وليس تقييم تقنية التسجيل.
كان ذلك بمثابة اختبار للخوارزمية من أجل تطبيق أدق على الآلات، لضمان عدم تأثر الخوارزمية بضوضاء الخلفية وتأثيرات تقنية التسجيل عندما تهدف إلى اكتشاف الأصوات غير الطبيعية، لأنه من المهم في التطبيقات الصناعية المستقبلية أن يكون التعلم الآلي قادراً على اكتشاف الفروق الدقيقة بين الأصوات، ويجب ألا يعطي تنبيهات كثيرة غير ضرورية، ولا يفوت الأصوات التي تشير إلى الأعطال المهمة.
أثبت الباحثون أن نهج التعلم الآلي هذا يكتشف التغييرات البسيطة بين الأصوات، وأنه مرن بدرجة كافية ليتم تطبيقه على أنواع مختلفة من الإشارات والمهمات. كما أنه قادر أيضاً على مراقبة تطور الصوت بحيث يمكنه اكتشاف مؤشرات العيوب المحتملة من الطريقة التي تتطور بها الأصوات بمرور الوقت. هذا يفتح الباب أمام العديد من التطبيقات المثيرة للاهتمام.