ФІЛЬТРАЦІЯ АУДІОСИГНАЛУ РОБОТИ ПРОМИСЛОВОГО ОБЛАДНАННЯ НА БАЗІ АВТОЕНКОДЕРА

Анотація

У статті розглянуто актуальну проблему фільтрації шумів в аудіальних сигналах, що генеруються промисловим обладнанням, з метою покращення ефективності сучасних автоматизованих систем контролю та управління. Обговорюють різні підходи до фільтрації шумових компонентів аудіосигналів, серед яких особливу увагу приділено автоенкодерам на базі повнозв’язних та згорткових нейронних мереж. Проведено серію експериментальних досліджень для аналізу впливу параметрів архітектури автокодувальника на якість фільтрації шумів,, зокрема, досліджено вплив розміру «горловини» нейронної мережі на загальну продуктивність системи. Під час дослідження як джерела шумів використовували штучно згенеровані сигнали з різними спектральними характеристиками, що моделюють умови промислового середовища. Для оцінки ефективності фільтрації застосовували метрику відношення сигналу до шуму (ВСДШ), що дає змогу оцінити якість відновлення цільового сигналу, яким є аудіосигнал роботи промислового двигуна. Результати експериментів продемонстрували, що обидві архітектури автоенкодерів показують високу здатність до очищення сигналу від шуму. Це дослідження підтверджує, що сучасні нейронні мережі здатні значно підвищити якість фільтрації, забезпечуючи надійний інструмент для моніторингу стану обладнання в режимі реального часу, що є особливо важливим для систем, орієнтованих на раннє виявлення збоїв і запобігання аварійним ситуаціям. Дослідження також підкреслює важливість використання автоенкодерів у завданнях моніторингу з погляду їх адаптивності до змін у середовищі та здатності до самонавчання. Завдяки можливості автоенкодерів відокремлювати корисні сигнали від шумових перешкод система здатна забезпечити високу чутливість до дрібних змін у роботі обладнання, що в промислових умовах є надзвичайно важливим для забезпечення безперервної роботи. Автоенкодери також показують здатність до масштабування в межах складних систем обробки сигналів, що робить їх придатними для застосування на підприємствах з великим обсягом обладнання. Крім того, їх використання допомагає знизити потребу у фаховому втручанні в процес моніторингу, адже моделі нейромереж здатні самостійно адаптуватися до нових умов та навчатися на основі змінних даних, що надходять із реального середовища. Практичне значення дослідження полягає в його застосуванні до широкого кола промислових завдань, пов’язаних із підвищенням надійності обладнання та зниженням витрат на обслуговування. Застосування автоенкодерів у системах діагностики може суттєво зменшити ризики непередбачуваних збоїв, а також оптимізувати витрати на утримання обладнання завдяки своєчасній діагностиці та обслуговуванню.