完善资料让更多小伙伴认识你，还能领取20积分哦， 立即完善>
3天内不再提示
电子发烧友论坛|
ADI 公司团队在过去 20 年里一直致力于理解人类是如何解读声音和振动的。我们的目标是建立一个系统，能够学习来自设备的声音和振动，破译它们的含义，以检测异常行为，并进行诊断。本文详细介绍了 OtoSense 的体系结构，它是一种设备健康监测系统，支持我们所说的计算机听觉，让计算机能够理解设备行为的主要指标：声音和振动。
0
|
|
相关推荐
3个回答
|
|
|
简介
任何深谙设备维护必要性的人都知道，设备发出的声音和振动有多重要。通过声音和振动进行适当的设备健康监测，可以将维护成本降低一半，使用寿命延长一倍。实现实时声学数据和分析是另一种重要的基于状态的系统监测 (CbM) 方法。 我们可以学着了解设备发出的正常声音是什么样的。当声音出现变化时，我们可以确认出现异常。然后我们可以了解是什么问题，通过这样的方式把声音和特定的问题联系在一起。识别异常可能需要进行几分钟的训练，但将声音、振动和原因结合起来实施诊断可能需要一辈子的时间。经验丰富的技工人员和工程师可能具备这种知识，但他们属于稀缺资源。单单通过声音本身识别问题可能相当困难，即使使用录音、描述性框架或接受专家亲自培训也是如此。 因此，ADI 公司团队在过去 20 年里一直致力于理解人类是如何解读声音和振动的。我们的目标是建立一个系统，能够学习来自设备的声音和振动，破译它们的含义，以检测异常行为，并进行诊断。本文详细介绍了 OtoSense 的体系结构，它是一种设备健康监测系统，支持我们所说的计算机听觉，让计算机能够理解设备行为的主要指标：声音和振动。 该系统适用于任何设备，可以实时工作，无需网络连接。它已被应用于工业应用，支持实现一个可扩展的高效设备健康监测系统。 本文探讨了引导 开发OtoSense 的原则，以及在设计 OtoSense 期间，人类听觉所发挥的作用。然后，本文讨论了声音或振动特性的是如何被设计出来的、如何从这些特性了解其代表的意义，以及在持续学习中如何不断改变和改进 OtoSense，用于执行愈加复杂的诊断，且结果更为精准。 |
|
|
|
|
|
指导原则
为了保证耐用、不可知且高效，OtoSense 设计理念秉持几个指导原则：
听觉是一种关乎生存的感觉。它是对遥远的、看不见的事件的整体感觉，在出生前就已成熟。 人类感知声音的过程可以用四个熟悉的步骤来描述：声音的模拟获取、数字转换、特征提取和解读。在每个步骤中，我们都会将人耳与 OtoSense 系统比较。
|
|
|
|
|
|
从声音和振动到特性
经过一段时间（如之前所示，时间窗或块），我们会给某个特征分配一个单独的编号，用于描述该时间内声音或振动的给定属性/质量。OtoSense 平台选择特性的原则如下：
在频域上使用的特性提取自 FFT。FFT 在每个缓冲区上计算，产生从 128 到 2048 个单独频率的输出。然后，该过程创建一个具有所需维数的向量，该向量比 FFT 小得多，但仍能细致地描述环境。OtoSense 最初使用一种不可知的方法在对数频谱上创建大小相同的数据桶。然后，根据环境和要识别的事件，这些数据桶将重点放在信息密度高的频谱区域，要么是从能够熵最大化的无监督视角，要么是从使用标记事件作为指导的半监督视角来判断。这模拟了我们的内耳细胞结构，在语言信息密度最大的地方，语音细节更密集。 结构：支持终端和本地数据 OtoSense 在终端位置实施异常检测和事件识别，无需使用任何远程设备。这种结构确保系统不会受到网络故障的影响，且无需将所有原始数据块发送出去进行分析。运行 OtoSense 的终端设备是一种自包含系统，可以实时描述所鉴听设备的行为。 运行 AI 和 HMI 的 OtoSense 服务器一般托管在本地。云架构可以将多个有意义的数据流聚合成为 OtoSense 设备的输出。对于一个专门处理大量数据并在一个站点上与数百台设备交互的 AI 来说，使用云托管的意义不大。 从特性到异常检测 正常/异常评估无需与专家进行太多交互。专家只需要帮忙确定表示设备声音和振动正常的基线。然后，在推送给设备之前，先将这个基线在 Otosense 服务器上转换为异常模型。 然后，我们使用两种不同的策略来评估传入的声音或振动是否正常：
从特征到事件识别 特征属于物理领域，含义属于人类认知。要将特征与含义联系起来，需要 OtoSense AI 和人类专家之间展开互动。我们花了大量时间研究客户的反馈，开发出人机界面 (HMI)，让工程师能够高效地与 OtoSense 交互，设计出事件识别模型。这个 HMI 允许探索数据、标记数据、创建异常模型和声音识别模型，并测试这些模型。 OtoSense Sound Platter（也称为 splatter）允许通过完整概述数据集来探索和标记声音。Splatter 在完整的数据集中选择最有趣和最具代表性的声音，并将它们显示为一个混合了标记和未标记声音的 2D 相似性地图。 任何声音或振动，包括其环境，都可以通过许多不同的方式进行可视化——例如，使用 Sound Widget（也称为 Swidget）。 在任何时候，都可以创建异常模型或事件识别模型。事件识别模型是一个圆形的混淆矩阵，它允许 OtoSense 用户探索混淆事件。 异常可以通过一个显示所有异常和极端声音的界面进行考察和标记。 持续学习过程——从异常检测到日益复杂的诊断 OtoSense 的设计初衷是向多位专家学习，并且随着时间推移，进行越来越复杂的诊断。常见过程是 OtoSense 和专家之间的循环：
ADI 公司提供的 OtoSense 技术旨在使声音和振动专业知识在任何设备上都持续可用，且无需连接网络来执行异常检测和事件识别。在航空航天、汽车和工业监测应用中，该技术被越来越多地用于设备健康监测，这表示，在曾经需要专业知识，以及涉及嵌入式应用的场景中，尤其是对于复杂设备而言，该技术都表现出了不错的性能。 |
|
|
|
|
只有小组成员才能发言，加入小组>>
请问下图大疆lightbridge2遥控器主板电源芯片型号是什么？
4442 浏览 1 评论
使用常见的二极管、三极管和mos做MCU和模组的电平转换电路，但是模组和MCU无法正常通信，为什么？
313浏览 2评论
为了提高USIM卡电路的可靠性和稳定性，在电路设计中须注意的点有哪些？
297浏览 2评论
312浏览 2评论
314浏览 2评论
353浏览 2评论
/6 
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 （电路图） 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证：合字B2-20210191
工商网监
湘ICP备2023018690号
1865
评论
淘帖
2481
