Diagnósticos de IA basados en audio en tiempo real

Resumen de la solución

A medida que el sector de las energías renovables evoluciona rápidamente gracias a los avances en la IA y el aprendizaje automático, están surgiendo nuevas oportunidades para lograr ganancias de eficiencia y reducir costos. Las empresas recurren cada vez más al mantenimiento predictivo para aumentar la eficiencia y reducir costos. Sin embargo, los sistemas de mantenimiento predictivo enfrentan los siguientes desafíos:

• Integrar datos con diversos formatos y fuentes.

• Escalar el alto volumen de señales IoT que se generan.

• Realizar análisis en tiempo real de grandes conjuntos de datos, lo que puede consumir muchos recursos.

• Adquisición y utilización eficaz de datos no estructurados, lo que dificulta el desarrollo de modelos sólidos de mantenimiento predictivo.

Esta solución utiliza MongoDB Atlas Vector Search para explorar la aplicación de la IA en la detección de anomalías en tiempo real mediante entrada de sonido. Este enfoque ofrece varias ventajas:

• Modelo de datos de documentos: El formato BSON (JSON binario) de MongoDB almacena diversos tipos de datos, incluidos datos no estructurados, lo que simplifica el mantenimiento y permite responder m\u00e1s r\u00e1pido a los cambios.

• Recopilaciones de series de tiempo: MongoDB maneja datos de series de tiempo, lo cual es crucial para el monitoreo en tiempo real en el mantenimiento predictivo y garantiza intervenciones oportunas.

• Procesamiento de datos en tiempo real: MongoDB permite diagnósticos y respuestas inmediatos, lo que es vital para el mantenimiento proactivo para evitar reparaciones costosas.

• Agregación de datos: Las potentes capacidades de agregación de MongoDB proporcionan una perspectiva completa de las tendencias de rendimiento en toda la flota.

• Búsqueda vectorial en Atlas: MongoDB Atlas permite buscar datos no estructurados, con funciones como la indexación y recuperación de vectores para implementar soluciones robustas de mantenimiento predictivo. Para crear su primer índice, visite la guía de inicio rápido de Búsqueda vectorial en Atlas.

Arquitecturas de Referencia

Esta solución se divide en dos partes:

1. Preparación de audio

En primer lugar, la solución captura el audio del equipo en diferentes situaciones, como funcionamiento normal, carga alta o baja, equipo obstruido o no operativo.

Una vez recopilado cada sonido, se utiliza un modelo de incrustación para procesar los datos de audio y convertirlos en incrustaciones vectoriales. Al generar incrustaciones para cada pista de audio, el sistema captura las características únicas de cada sonido.

Luego, cargue los vectores a MongoDB Atlas. Tras agregar solo algunos ejemplos de sonidos a la base de datos, estarán listos para buscarlos y compararlos con el sonido emitido por los equipos durante las operaciones en tiempo real.

2. Diagnóstico de audio en tiempo real

A continuación, configure su equipo en funcionamiento normal y comience a capturar el sonido que produce en tiempo real. El video de demostración anterior captura clips de audio de un segundo de duración. Luego, los convierte en incrustaciones vectoriales con el mismo modelo utilizado anteriormente. Este proceso ocurre en milisegundos, lo que permite monitorear el audio en tiempo real. Las incrustaciones vectoriales se envían a MongoDB Atlas Vector Search, que busca el sonido más similar entre los grabados en el paso anterior. Vector Search devuelve el resultado con un porcentaje de similitud. El sistema realiza este paso cada segundo aprovechando la rápida incrustación vectorial y las búsquedas rápidas. Esto permite la monitorización de audio en tiempo real.

Figura 1. Diagnóstico en tiempo real de aerogeneradores mediante el análisis del audio emitido para determinar si está funcionando normalmente, detenido o si presenta algún problema

Enfoque de modelo de datos

El modelo de datos para la colección vectorizada de audio es sencillo. La solución utiliza una colección llamada sounds para almacenar documentos que representan el audio preparado. Estos documentos incluyen una etiqueta de audio y una URL para el GIF que se muestra en la interfaz de usuario de la solución. Una vez que el sistema vectoriza el audio de referencia para cada estado, agrega la incrustación al documento.

Durante la etapa de diagnóstico de audio en tiempo real, los clips de audio de un segundo que se graban en tiempo real se vectorizan y envían a la Búsqueda Vectorial de MongoDB Atlas, donde se comparan con vectores de la colección sounds.

Compilar la solución

Esta solución utiliza el repositorio Diagnóstico de turbinas eólicas en GitHub. Para obtener instrucciones más detalladas, consulta el README del repositorio.

{
   "mappings": {
      "dynamic": true,
      "fields": {
         "emb": {
            "dimensions": 2048,
            "similarity": "cosine",
            "type": "knnVector"
         }
      }
   }
}

Lecciones clave

• Comprende el rol de la IA y el aprendizaje automático en la revolución del mantenimiento predictivo en la industria de energías renovables.

• Descubra cómo MongoDB Atlas Vector Search facilita la detección de anomalías en tiempo real y aborda los desafíos que enfrentan las empresas y los equipos de desarrollo.

• Cree un índice de Búsqueda Vectorial en Atlas o en una implementación local.

Autores

• Ainhoa Múgica, MongoDB

• Arnaldo Vera, MongoDB

• Dr. Humza Akhtar, MongoDB

• Dr. Han Heloir, MongoDB

• Ralph Johnson, MongoDB

Obtén más información

• entrada de blog: Transformando el mantenimiento predictivo con IA

• Mantenimiento predictivo con IA multiagente con MongoDB

• Excelencia en el mantenimiento predictivo con MongoDB Atlas