隐藏在众目睽睽之下，电动机（motors）是人类文明的组成部分。可以在笔记本电脑，汽
车，房屋，学校和手表中找到电动机。没有电动机，就无法生产您钟爱的产品。根据美国
能源部的数据，工业用电机占全国用电量的25％。
类似于电动机，声音无处不在，类似于电动机，某些声音无法听到。借助传感器，可以分
析声音以检测故障，从而在重大故障发生之前防止重大故障。
传统的预测性维护方法可分为三个部分：
1）在机器开始出现故障之前，使用常规的硬件工具（如超声波麦克风）识别异常声音。
2）使用红外热像仪检测放电或泄漏检测
3）使用可识别压力，温度或振动变化的传感器。人工智能（AI）的最新进展已经改变了
如何优化预测性维护的格局。
在此博客中，我们将设计深度学习架构，例如卷积递归神经网络（CRNN），以处理高频数
据，这些数据将通过频谱图进行处理。 CRNN模型可同时从数据的空间结构和循环结构中学习。
使用传感器收集数据
借助成千上万的高频声音片段，机器学习可用于预测电动机何时会发生故障。然后将结合
信号处理技术创建一个CRNN模型，以使我们能够从高频数据中提取值。我们首先使用传感
器收集数据，然后将声音分为四类：最佳压力，轻微降低的压力，剧烈降低的压力，接近
完全故障）。
使用频谱图处理数据
我们通过将原始数据分为固定且相等的标记序列来处理原始数据。我们采用频谱图对这些
信号片段进行预处理，并将这些信号馈送到CRNN模型中。频谱图是信号的时频图。它们基
本上是随时间推移信号频率强度的曲线图。换句话说，我们正在建立一个AI授权的时间序
列模型，该模型可以映射高频域中的数据行为。为了使序列标准化，我们需要减小序列的
大小；简单的区分，再加上适当的片段以限制极端变化。
以下是由6个不同压力信号组成的原始序列和标准化序列的示例图：
要在Python中计算频谱图，我们使用称为Librosa的库。 我们可以为每个压力序列进行转
换，因此我们以每个样品6个频谱图的序列结束，而不是原始信号序列。
AI CRNN模型
CNN（卷积神经网络）和RNN（递归神经网络）可以一起使用，并且不能互斥，因为它们都
可以对图像和文本输入进行分类，从而为组合两种网络类型提供了提高效率的机会。 在
CNN无法处理具有附加时间特征的视觉复杂的地方，RNN会进入并解决处理问题。
以下是CRNN的体系结构：
CNN和RNN的组合有时称为CRNN。 输入首先由CNN层处理，然后将其输出馈送到RNN层。 光
学字符识别和/或音频分类通常使用这种类型的混合模型。
在本练习中，我们向CRNN提供以前生成的频谱图，以检测电动机的工作状态。 现在，对
电动机的每个观测都由堆叠的频谱图组成（总共6个频谱图，每个压力信号一个）。 在
Keras中显示了执行此操作的脚本：
def get_model(data):
inp = Input(shape=(data.shape[1], data.shape[2], data.shape[3]))
x = Conv2D(filters=64, kernel_size=(2, 2), padding='same')(inp)
x = BatchNormalization(axis=1)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 1))(x)
x = Dropout(0.2)(x)
x = Permute((2, 3, 1))(x)
x = Reshape((data.shape[2], -1))(x) x = Bidirectional(GRU(64,
activation='relu',
return_sequences=False))(x)
x = Dense(32, activation='relu')(x)
x = Dropout(0.2)(x)
out = Dense(y_train.shape[1], activation='softmax')(x)
model = Model(inputs=inp, outputs=out)
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
return model
在第一阶段，网络从频谱图中提取卷积特征，即结构，频率x时间x n_features。 要遍历
循环部分，我们需要以x n_features：time的格式重整数据。 新的n_features是对卷积
n_features和频率进行奉承操作计算的结果。 因此，我们的模型的准确度达到了约86％
。
在此博客中，我们了解了预测性维护的传统方法，并略微涉及了该领域的AI应用程序。
随着AI的发展，未来对硬件传感器的依赖将越来越少。
想要了解有关预测性维护的更多信息，请发送讯息给Growthbotics！
original article
https://growthbotics.pixnet.net/blog/post/22345853-%E5%85%A5%E9%96%80%EF%BC%9A%E4%BD%BF%E7%94%A8%E8%81%B2%E9%9F%B3%E9%80%B2%E8%A1%8C%E9%A0%90%E6%B8%AC%E6%80%A7%E7%B6%AD%E8%AD%B7