Generalizacija razvijenih metoda
Generalizacija razvijenih metoda је veoma važna projektna aktivnost, koja je istovremeno i najizazovnija, jer na tržištu, ali i u literaturi, nedostaje generalizovan predlog rešenja detekcije stanja za široku familiju aktuatora. Ova aktivnost je počela u sedmom mesecu projekta, i trajala je 18 meseci. Osnovna ideja jeste da se predloži procedura za izdvajanje relevantnih obeležja iz snimljenog signala, koja će biti na opšti način definisana za različite tipove mašina. U duhu generalizacije procesa izdvajanja obeležja na čitavu familiju rotacionih aktuatora daju se sledeće smernice po pitanju izdvajanja karakteristicnih parametara: obeležja u vremenskom domenu treba da imaju informacije o relevantnim statistickim parametrima i mogu da budu ista bez obzira na mašinu koja se posmatra, dok obeležja u frekvencijskom domenu moraju biti specifična za problem koji se rešava. Što se frekvencijskog domena tiče, pretpostavka je da će na karakterističnim frekvencijama koje oslikavaju kretanje mašine promena signala biti najviše primetna. U slučaju ventilatorskog mlina, kako se udarne ploče troše, performanse su sve lošije i koncentracija uglja u mlinu je sve veća. Samim tim, logično je pretpostaviti da će promena biti najvidljivija na osnovnoj frekvenciji rotacije mlina i njenim višim harmonicima. Još jedan efekat koji se očekuje je promena zvučnog potpisa udarne ploče koja prolazi pored mikrofona. Broj udarnih ploča u mlinu određuje frekvenciju prolaska ploče pored mikrofona, tako da se relevantne informacije očekuju na njoj i njenim višim harmonicima. Sličnom metodologijom mogu da se izdvoje karakteristične frekvencije za bilo koji drugi rotacioni aktuator, samo treba voditi računa da broj obeležja u vremenskom i frekvencijskom domenu bude približno isti.
Zapravo, ovaj algoritam se sastoji iz 6 koraka:
1.)Snimanje zvučnih signala: Akvizicija signala se obavlja mikrokotrolerskim uređajem sa mikrofonom koji će biti razvijan u okviru aktivnosti 5 i koji će biti postavljen u blizini rotacionog aktuatora. Dužina snimanja u jednoj sesiji treba da bude značajno veća od hiperparametra L, a minimalno treba da traje nekoliko minuta.
2.)Predprocesiranje: Ovaj korak služi da se uniformiše snimljeni signal kako bi obeležja koja se kasnije izdvajaju bila uporediva između različitih sesija snimanja. Snimljeni signal se ovde deli na manje segmente dužine L koji su pomereni jedan u odnosu na drugi za d sekundi. Dakle, jedan dugačak akustički snimak se deli na nekoliko kraćih koji se dalje analiziraju. U ovom koraku se vrši i decimacija u kojoj se originalna frekvencija odabiranja iz prethodnog koraka smanji na frekvenciju odabiranja.
3.) Eliminacija segmenata sa nestacionarnim šumom: Jak nestacionarni šum može da utiče na tačnost klasifikacije algoritma, a u opštem slučaju ga je teško eliminisati jer se često njegove frekvencijske karakteristike preklapaju sa korisnim signalom. Iz tog razloga je zadatak ovog koraka da nestacionarni šum detektuje i eliminiše. Sama detekcija se vrši statističkom analizom razvijenom u okviru aktivnosti 3, a metodologija koja je ponuđena vrši ne samo detekciju naglih promena u vidu šuma, već se i prilagođava promenama u okruženju, što čini ovaj algoritam adaptivnim na promene režima rada mašine.
4.) Filtriranje stacionarne ambijentalne buke: Ovaj korak služi za uklanjanje stacionarnog ambijentalnog šuma kako bi akustični potpis same mašine došao do izražaja i kako bu se umanjio efekat okolne buke koja je uvek izražena u akustičnim signalima. Filtracija, razvijena u aktivnosti 3, se vrši korišćenjem DWT transformacije i primenom tvrdog praga. Na taj način je omogućeno ne samo čišćenje zvuka već i kompresija.
5.) Izdvajanje obeležja: Nad svakim segmentom iz prethodnog koraka vrši se diskretna wavelet transformacija na nivoa i na taj način se dobijaju koeficijenati. Za svaki skup koeficijenata se računa snaga i ti parametri se dalje kao obeležja šalju u naredni korak.
6.) Klasifikacija: Za klasifikaciju se koriste neuralne mreže definisane vektorom nm_layers. Broj elemenata tog vektora predstavlja broj skrivenih slojeva neuralne mreže, a svaki broj u vektoru predstavlja količinu neurona u odgovarajućem skrivenom sloju.
Sam proces obučavanja ovakvog algoritma se sastoji od pronalaženja optimalnih težinskih parametara neuralne mreže koristeći obučavajući skup merenja. Ono što je posebno značajno za sposobnost generalizacije je i mogućnost podešavanja hiperparametara tako da se prilagode svakom pojedinačnom rotacionom aktuatoru. Čak i u slučaju kad imamo više aktuatora istog tipa na raspolaganju, logično je očekivati da će optimalni hiperparametri biti drugačiji i da će zavisiti od mnogih faktora, kao na primer prisustvo buke, pozicija mikrofona i slično. Na ovaj način algoritam može u potpunosti da se specijalizuje za svaki partikularni problem i da omogući izdvajanje relevantnih frekvencijskih opsega za bilo koji rotacioni aktuator.
U cilju testiranja ovog algoritma potrebno je napraviti velike obučavajuće skupove za različite vrste mašina, zbog čega su timovi iz Srbije i Crne Gore sakupljali akustičke signale sa drugih ventilatorskih mlinova u bloku A2 termoelektrane Kostolac, kao i sa drobilica u rudnicima u okolini Pljevlja. Za kvalitetan obučavajući skup potrebno je snimiti ponašanje svake mašine u raznim režimima rada, što zahteva višemesečne redovne posete i organizaciju mnogih sesija snimanja. U drugoj godini projekta FASTER ovo je otežano zbog zabrane kretanja koja je važila za celu zemlju. Iz tog razloga testiranje performansi generalizovanog algoritma je obavljeno na nešto manjoj količini merenja nego što je planirano. U pitanju su snimci na 10 različitig pozicija u okviru dva ventilatorska mlina. Snimci su načinjeni u periodu od pola godine i metodologija odabira hiperparametara i obučavanja algoritma je sprovedena na svih 10 pozicija.
Kako bi se testirale performanse ovog generalizovanog algortma obavljeno je testiranje nad snimcima sa različitih pozicija dva mlina u termoelektranama. Prvo je potrebno obučiti parametre neuralne mreže za svaku poziciju svakog mlina. Tačnost klasifikacije je varirala između 92% i 97% u zavisnosti od mesta snimanja mlina i vrednosti parametara neuralne mrežne. Na ovu varijaciju tačnosti svakako utiče obučavanje neuralne mreže, s obzirom da konvergencija parametara klasifikatora veoma zavisi od početnih uslova i stohastičkog je krataktera. Međutim, pokazalo se da su performanse klasifikatora solidne čak i kada proces obučavanja konvergira ka lokalnom minimumu. Na tačnost procene stanja svakako utiče i pozicija mikrofona, jer u pojedinim situacijama jačina korisnog signala može da bude toliko oslabljena, da čak i potiskivanje neželjenog šuma ne moće dovoljno da je unapredi.