Machine Learning basierte akustische Systemüberwachung Stephan Hotto 08.06.2017 https://www.xivero.com

DAS XIVERO Gründungsteam XIVERO GMBH DAS XIVERO Gründungsteam STEPHAN HOTTO SEBASTIAN KREMPEL LARS INGER Software Engineer Focus Areas: C, C#, Java and Python Software Architecture Planning of SQL and noSQL Databases Software Development: Individual- and Embedded-Software Backend Systems Mobile Applications (Windows Phone / iOS) Deep / Machine Learning ISTQB/TMAP certified Profound knowledge Hard- and Software as well as Mobile App quality assurance. Numerous Projects over different domains: Multimedia (Audio, Video, TV, ProAudio) Biotechnology Telecommunication Streaming Services / Internet Radio Insurance / Self-care Home Automation Dipl.-Ing. Electrical Communication Engineering Focus Areas: International Project Management (PMI / PMP) Product Management Contract-, Financial-, Vendor-Management Interims Management Digital Signal Processing Deep / Machine Learning Software Development (JAVA, iOS) Development and integration of DSP algorithms www.xivero.com info@xivero.com

Hochfrequenz Lösungen: XIVERO GMBH Fokus Wir sind spezialisiert auf die Entwicklung von DSP-Algorithmen zur Verarbeitung von Hochfrequenz- und Audiosignalen. Hochfrequenz Lösungen: Audio Lösungen: Software Defined Radios Mastering Studios & HiFi Enthusiasten Open Source DAB+ Transmitter Mobile ATIS & ADS-B Receiver FM Sub-Carrier Modulation Analyse: MusicScope Optimierung: AudioRepair, XiPodizer, XiFEO Effekt-Prozessoren: AMTRA, HPEX

Traditioneller Ansatz: PREDICTIVE (RISK BASED) MAINTENANCE AKUSTISCHE SYSTEMÜBERWACHUNG Klassische Anwender: Hersteller von Flugzeugtriebwerken Windenergie Betreiber Maschinenbau Traditioneller Ansatz: Stethoskop unterstützte Expertenohren Beschleunigungssensoren Trendanalyse von Spitzenwerten, RMS und CREST

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 1/7 MACHINE LEARNING UND DEEP LEARNING MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 1/7 ML (z.B. Supporting Vector Machines): Klassifizierung von normalen Betriebszuständen. Fehlerhafte Zustände liegen außerhalb des bestimmten Klassifizierungsraums. Deep Neuronal Networks: Es werden große Datenmengen von normalen und fehlerhaften operativen Zuständen benötigt, um die Gewichtungen zu trainieren.

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 2/7 DIGITAL SIGNAL PROCESSING – FEATURE EXTRACTION MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 2/7 Signalaufbereitung: Breitbandakustiksensoren (20Hz – 48kHz) Zeitbereichsanalyse: Spitzenwerte, RMS, CREST

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 3/7 DIGITAL SIGNAL PROCESSING – FEATURE EXTRACTION MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 3/7 Signalaufbereitung: Frequenzbereichsanalyse: Spektrum Erfassung der Fundamentalfrequenzen Envelope Spectrum Analyse der Amplitudenmodulation Cepstrum Messung von Harmonischen

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 4/7 MACHINE LEARNING & CONDITION MONITORING MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 4/7 Training & Parameter Klassifizierung: Machine Learning Algorithmen klassifizieren den operativen Zustand. Überwachung: Der ML-Algorithmus überwacht kontinuierlich die erlernten Parameter und löst einen Alarm bei einer Abweichung aus. Ist das mathematische Modell bekannt, können die fehlerhaften Komponenten direkt identifiziert werden. Der Betreiber der überwachten Maschine kann jeden Alarm durch eine „One Click Operational State Acceptance“ bestätigen und die „Machine Learning“ Komponente erlernt das neue Verhalten als operativ zulässig.

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 5/7 SIGNALERFASSUNG, VORVERARBEITUNG UND SPEICHERUNG MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 5/7 Signalerfassung: Beschleunigungssensoren (Piezo, Dynamisch) Kontaktmikrofone Klassische manuelle Messungen (z.B. FLUKE) Vorverarbeitung: Ein IoT-Pre-Processor extrahiert die elementaren Parameter aus dem 96kHz digital abgetasteten akustischen Signal. Übertragung & Speicherung: Die komprimierten und verschlüsselten Daten werden via Internet (LAN, WiFi, LTE, etc.) in die unternehmenseigene Infrastruktur oder die XiVero-Cloud übertragen.

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 6/7 MACHINE LEARNING, VISUALISIERUNG UND ALARMIERUNG MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 6/7 Machine Learning & Mathematical Model: Erlernen der operativen Zustände auf Basis der bekannten System-Modelle. Erkennen von Zuständen außerhalb des operativ zulässigen Bereiches Visualisierung: Visuelle Aufbereitung der Messwerte und identifizierten Störungen für die schnelle Analyse durch Experten und Zulieferer. Alarmierung: Frühzeitige Alarmierung, um auf Anomalien effizient zu reagieren und Ausfälle zu vermeiden.

MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 7/7 GESAMTÜBERBLICK MACHINE LEARNING BASIERTE AKUSTISCHE SYSTEMÜBERWACHUNG – 7/7 Condition based Maintenance as a Service: System Health Monitoring based on Machine Learning Algorithms Discover anomalies early and reliably to secure your investments