Diagnóstico de AI em tempo real com base em áudio

Visão Geral da Solução

À medida que o setor de energias renováveis desenvolve-se rapidamente com os progressos na IA e no machine learning, novas oportunidades para ganhos de eficiência e reduções de custos estão aparecendo. As empresas estão recorrendo cada vez mais à manutenção preditiva para aumentar a eficiência e reduzir custos. No entanto, os sistemas de manutenção preditiva enfrentam os seguintes desafios:

• Integração de dados com diversos formatos e fontes.

• Dimensionar o alto volume de sinais de IoT gerados.

• Realização de análise em tempo real de amplos conjuntos de dados, que podem consumir muitos recursos.

• A aquisição e a utilização eficaz de dados não estruturados, o que impede o desenvolvimento de modelos robustos de manutenção preditiva.

Essa solução usa o MongoDB Atlas Vector Search para explorar a aplicação da IA na detecção de anomalias em tempo real usando entrada de som. Essa abordagem tem vários benefícios:

• Modelo de dados de documento: o formato BSON (binário JSON) do MongoDB armazena diversos tipos de dados, incluindo dados não estruturados, o que simplifica a manutenção e permite respostas mais rápidas às alterações.

• Coleções de séries temporais: o MongoDB lida com dados de séries temporais, que são cruciais para o monitoramento em tempo real na manutenção preditiva e garante Intervenções atempadas.

• Processamento de dados em tempo real: o MongoDB permite diagnósticos e respostas imediatas, o que é essencial para uma manutenção proativa e evitar reparos dispendiosas.

• Agregação de dados: as poderosas funcionalidades de agregação do MongoDB oferecem informações abrangentes sobre as tendências de desempenho de toda a frota.

• Atlas Vector Search: O MongoDB Atlas permite pesquisar dados não estruturados, com recursos como indexação e recuperação de vetores para habilitar soluções robustas de manutenção preditiva. Para criar seu primeiro índice, visite o guia Início Rápido do Atlas Vector Search.

Arquiteturas de referência

Esta solução é dividida em duas partes:

1. Preparação de áudio

Primeiro, a solução captura o áudio do dispositivo em diferentes situações, como operação normal, carga alta ou baixa, hardware obstruído ou não operacional.

Depois que cada som for coletado, use um modelo de incorporação para processar os dados de áudio e convertê-los em incorporações vetoriais. Ao gerar incorporações para cada faixa de áudio, o sistema captura as características únicas de cada som.

Em seguida, faça o upload dos vetores para o MongoDB Atlas. Depois de adicionar alguns exemplos de ruídos ao banco de dados, eles estão prontos para serem pesquisados e comparados com o som emitido pelo hardware durante operações em tempo real.

2. Diagnóstico de áudio em tempo real

Em seguida, coloque seu dispositivo em operação normal e comece a capturar o som que ele emite em tempo real. A demonstração em vídeo anterior captura trechos de áudio de um segundo. Em seguida, ele pega trechos de áudio e os converte em incorporações vetoriais com o mesmo modelo de incorporação usado anteriormente. Esse processo acontece em milissegundos, o que permite monitorar o áudio em tempo real. As incorporações vetoriais são então enviadas para o MongoDB Atlas Vector Search, que pesquisa o som mais semelhante entre os que foram gravados na etapa anterior. O Vector Search retorna o resultado com uma porcentagem de similaridade. O sistema executa essa etapa a cada segundo, aproveitando a incorporação rápida de vetores e as pesquisas rápidas. Isso permite o monitoramento baseado em áudio em tempo real.

figura 1. Diagnóstico da gerador eólica em tempo real, analisando o áudio emitido para determinar se ele está operando normalmente, parado ou com algum problema

Abordagem do modelo de dados

O modelo de dados para coleta de áudio vetorizada é simples. A solução usa uma coleção chamada sounds para armazenar documentos que representam o áudio preparado. Esses documentos incluem um rótulo audio e uma URL para o Gif que é exibido na interface do usuário da solução. Depois que o sistema vetoriza o áudio de referência para cada status, ele adiciona a incorporação ao documento.

Durante o estágio de diagnóstico de áudio em tempo real, os trechos de áudio de um segundo gravados em tempo real são vetorizados e enviados para o MongoDB Atlas Vector Search, onde são comparados com incorporações da coleção sounds.

Construir a solução

Esta solução usa o repositório do GitHub de Diagnóstico de Turbine Ventosa. Para instruções mais detalhadas, consulte o repositório.README

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

Principais Aprendizados

• Compreenda a função da AI e do aprendizado de máquina na transformação da manutenção preditiva no setor de energia renovável.

• Descubra como o MongoDB Atlas Vector Search facilita a detecção de anomalias em tempo real e resolve os desafios enfrentados por empresas e equipes de desenvolvimento.

• Crie um índice do Vector Search no Atlas ou em um sistema local.

Autores

• Ainhoa Múgica, MongoDB

• Arnaldo Vera, MongoDB

• Dr. Humza Akhtar, MongoDB

• Dr. Han Heloir, MongoDB

• Ralph Johnson, MongoDB