基于音频的实时 AI 诊断

解决方案概述

随着AI和机器学习的进步，可再生能源行业迅速发展，提高效率和降低费用的新机会正在出现。越来越多的公司通过预测性维护来提高效率和降低成本。然而，预测性维护系统面临以下挑战：

• 集成不同格式和来源的数据。

• 扩展生成的大量物联网（IoT）信号。

• 对海量数据集执行实时分析可能会占用大量资源。

• 获取并有效利用非结构化数据，这阻碍了稳健的预测性维护模型的开发。

该解决方案使用MongoDB Atlas Vector Search 来探索AI在使用声音输入进行实时异常检测中的应用程序。这种方法有几个好处：

• 文档数据模型：MongoDB 的BSON （二进制JSON）格式存储各种数据类型，包括非结构化数据，可简化维护并更快地响应变更。

• 时间序列集合： MongoDB处理时间序列数据，这对于预测性维护中的实时监控至关重要，并确保及时干预。

• 实时数据处理： MongoDB支持立即诊断和响应，这对于主动维护以防止代价高昂的修复至关重要。

• 数据聚合：MongoDB 强大的聚合功能提供了对整个车队性能趋势的全面见解。

• Atlas Vector Search： MongoDB Atlas允许您搜索非结构化数据，并具有矢量索引和检索等功能，以启用强大的预测性维护解决方案。要创建第一个索引，请访问Atlas Vector Search快速入门指南。

参考架构

该解决方案分为两个部分：

1.音频准备

首先，该解决方案在不同情况下捕获设备的音频，例如正常运行、高负载或低负载、设备受阻或未运行。

收集每个声音后，使用嵌入模型进程音频数据并将其转换为向量嵌入。通过为每个追踪生成嵌入，系统捕获了每种声音的独特特征。

然后，将向量上传到MongoDB Atlas。只需将几个声音示例添加到数据库后，就可以对其进行搜索并与设备在实时操作期间发出的声音进行比较。

2。实时音频诊断

接下来，让设备正常运行并开始实时捕获其发出的声音。前面的视频演示捕获了一秒钟长的音频片段。然后，它会获取音频片段，并使用之前使用的相同嵌入模型将其转换为向量嵌入。此进程在几毫秒内完成，因此您可以实时监控音频。然后，将向量嵌入发送到MongoDB Atlas Vector Search，从上一步记录的声音中搜索最相似的声音。Vector Search 返回具有一定百分比相似度的结果。系统利用快速向量嵌入和快速搜索，每秒执行此步骤。这样就可以进行基于音频的实时监控。

图 1。通过分析发出的音频来进行实时风力涡轮机诊断，以确定其是正常运行、已停止还是遇到任何问题

数据模型方法

矢量化音频集合的数据模型很简单。该解决方案使用名为 sounds 的集合来存储表示已准备音频的文档。这些文档包括一个 audio 标签和一个显示在解决方案用户界面上的 GIF 的URL 。系统对每个状态的参考音频进行矢量化后，就会将嵌入添加到文档中。

在实时音频诊断阶段，实时记录的一秒钟音频片段被矢量化并发送给MongoDB Atlas Vector Search，与 sounds集合中的嵌入进行比较。

构建解决方案

该解决方案使用了风力涡轮机诊断 Github存储库。有关更详细的说明，请参阅存储库的 README。

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

关键要点

• 了解 AI 和机器学习在革新可再生能源行业预测性维护中发挥的作用。

• 探索 MongoDB Atlas Vector Search 如何促进实时异常检测，并解决企业和开发团队所面临的挑战。

• 在Atlas或本地部署上创建 Vector Search索引。

作者

• Ainhoa Múgica, MongoDB

• Arnaldo Vera, MongoDB

• Dr. Humza Akhtar, MongoDB

• Dr. Han Heloir, MongoDB

• Ralph Johnson, MongoDB