Projekt poświęcony automatyzacji diagnostyki maszyn przy użyciu sieci neuronowych i cyfrowego przetwarzania sygnałów. System analizuje dźwięki emitowane przez urządzenia w celu wykrywania awarii w trudnych warunkach akustycznych.
Wykorzystany zbiór danych to MIMII Dataset (Malfunctioning Industrial Machines Investigation and Inspection).
-
Źródło: Zenodo - MIMII Dataset
-
Zawartość: Nagrania dźwiękowe czterech typów maszyn: wentylatorów (Fan), pomp (Pump), suwaków/tłoków (Slider) oraz zaworów (Valve).
-
Charakterystyka: 10-sekundowe próbki (16 kHz) zarejestrowane w rzeczywistym środowisku przemysłowym z różnymi poziomami szumu tła.
Projekt został zrealizowany w języku Python przy użyciu następujących bibliotek:
-
TensorFlow/Keras – budowa i trening modeli klasyfikacyjnych (MLP).
-
Librosa – ekstrakcja cech dźwiękowych (współczynniki MFCC).
-
Padasip – implementacja adaptacyjnego filtrowania szumów (algorytm LMS).
-
Matplotlib & Seaborn – wizualizacja sygnałów i wyników uczenia.
-
Preprocessing: Ekstrakcja cech MFCC (Mel-frequency cepstral coefficients) stanowiących „odcisk palca” dźwięku maszyny.
-
Filtracja adaptacyjna: Zastosowanie filtru LMS (Least Mean Squares) w celu redukcji zakłóceń tła.
-
Klasyfikacja: Trening dwóch architektur sieci neuronowych (referencyjnej oraz głębokiej) w celu rozróżniania pracy prawidłowej od uszkodzenia.
-
Ewaluacja: Testy porównawcze skuteczności modeli na danych surowych oraz filtrowanych.