실시간 오디오 기반 AI 진단

솔루션 개요

AI 와 머신 러닝 의 발전으로 재생 에너지 부문이 빠르게 진화함에 따라 효율성 높이고 비용 절감할 수 있는 새로운 기회가 생겨나고 있습니다. 효율성 높이고 비용을 절감하기 위해 예측 유지 관리에 의존하는 기업이 점점 늘어나고 있습니다. 그러나 예측 유지 관리 시스템에는 다음과 같은 과제가 있습니다.

• 다양한 형식 및 소스의 데이터 통합.

• 생성되는 대량의 IoT 신호를 확장합니다.

• 리소스 집약적일 수 있는 대규모 데이터 세트의 실시간 분석을 수행합니다.

• 비정형 데이터를 획득하고 효과적으로 활용하여 강력한 예측 유지 관리 모델의 개발을 방해합니다.

이 솔루션은 MongoDB Atlas Vector Search를 사용하여 사운드 입력을 사용한 실시간 이상 감지에 AI 애플리케이션 살펴봅니다. 이 접근 방식에는 다음과 같은 몇 가지 이점이 있습니다.

• 문서 데이터 모델: MongoDB의 BSON (binary JSON) 형식은 구조화되지 않은 데이터를 포함한 다양한 데이터 유형을 저장하므로 유지 관리가 간소화되고 변경 사항에 더 빠르게 대응할 수 있습니다.

• 시계열 컬렉션: MongoDB 예측 유지 관리에서 실시간 모니터링에 중요한 time-series 데이터를 처리하고 시기적절한 개입을 보장합니다.

• 실시간 데이터 처리: MongoDB 사용하면 즉각적인 진단 및 대응이 가능하므로 비용이 많이 드는 수리를 방지하기 위한 사전 유지 관리에 매우 중요합니다.

• 데이터 집계: MongoDB의 강력한 집계 기능은 전체 시스템의 성능 트렌드에 대한 포괄적 인사이트를 제공합니다.

• Atlas Vector Search: MongoDB Atlas 사용하면 벡터 인덱싱 및 조회와 같은 기능을 통해 구조화되지 않은 데이터를 검색 할 수 있으므로 강력한 예측 유지 관리 솔루션이 활성화 . 첫 번째 인덱스 만들려면 Atlas Vector Search 빠른 시작 가이드참조하세요.

참조 아키텍처

이 솔루션은 두 부분으로 나뉩니다.

1. 오디오 준비

첫째, 이 솔루션은 정상 작동, 높거나 낮은 부하, 방해받은 장비 또는 작동하지 않는 등 다양한 상황에서 장비의 오디오를 캡처합니다.

각 사운드가 수집되면 임베딩 모델을 사용하여 오디오 데이터를 프로세스 하고 벡터 임베딩으로 변환합니다. 시스템은 각 오디오 추적 에 대한 임베딩을 생성하여 각 사운드의 고유한 특성을 캡처합니다.

그런 다음 벡터를 MongoDB Atlas 에 업로드합니다. 데이터베이스 에 몇 가지 소리의 예만 추가되면 실시간 작동 중에 장비에서 방출되는 소리와 검색할 준비가 된 것입니다.

2. 실시간 오디오 진단

다음으로, 장비를 정상 작동 상태로 전환하고 실시간 소리를 캡처하기 시작합니다. 앞의 비디오 데모에서는 1초 길이의 오디오 클립을 캡처합니다. 그런 다음 오디오 클립을 가져와서 이전에 사용한 것과 동일한 임베딩 모델을 사용하여 벡터 임베딩으로 변환합니다. 이 프로세스 밀리초 단위로 진행되므로 실시간 오디오를 모니터 할 수 있습니다. 그런 다음 벡터 임베딩은 MongoDB Atlas Vector Search로 전송되어 이전 단계에서 기록된 사운드 중 가장 유사한 사운드를 검색합니다. Vector Search는 유사도 비율이 포함된 결과를 반환합니다. 시스템은 빠른 벡터 임베딩과 빠른 검색을 활용하여 이 단계를 매초 수행합니다. 이를 통해 실시간 오디오 기반 모니터링 가능합니다.

그림 1. 방출된 오디오를 분석하여 정상적으로 작동하는지, 중지되었는지 또는 문제가 발생했는지 확인하여 실시간으로 윈드터빈을 진단합니다.

데이터 모델 접근 방식

벡터화된 오디오 컬렉션 위한 데이터 모델 간단합니다. 이 솔루션은 sounds 컬렉션 을 사용하여 준비된 오디오를 나타내는 문서를 저장 . 이러한 문서에는 솔루션 UI 에 표시되는 GIF의 audio 레이블과 URL 포함됩니다. 시스템이 각 상태에 대한 참조 오디오를 벡터화한 후 문서 에 임베딩을 추가합니다.

실시간 오디오 진단 단계에서 실시간 녹음된 1초 분량의 오디오 클립이 벡터화되어 MongoDB Atlas Vector Search로 전송되어 sounds 컬렉션 의 임베딩과 비교됩니다.

솔루션 빌드

이 솔루션은 풍력 발전 설비 진단 Github 리포지토리 사용합니다. 자세한 지침은 리포지토리의 README를 참조하세요.

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

주요 학습 사항

• 재생 에너지 산업에서 예측 유지 관리를 혁신하는 AI와 머신 러닝의 역할을 이해하세요.

• MongoDB Atlas Vector Search가 실시간 이상 탐지를 지원하고 기업과 개발 팀이 직면한 과제를 해결하는 방식을 알아보세요.

• Atlas 또는 로컬 배포서버에서 Vector Search 인덱스 생성합니다.

작성자

• Ainhoa Múgica, MongoDB

• Arnaldo Vera, MongoDB

• Dr. Humza Akhtar, MongoDB

• Dr. Han Heloir, MongoDB

• Ralph Johnson, MongoDB