Une intelligence artificielle à l'écoute du son des machines en bonne santé

Qu'il s'agisse de roues de train ou de générateurs dans une centrale électrique, de pompes ou de vannes, tous émettent des sons. Pour des oreilles exercées, ces bruits ont même une signification: les appareils, les machines, les équipements ou le matériel roulant produisent un son différent selon qu'ils fonctionnent correctement ou qu'ils présentent un défaut ou une défaillance.

Les sons qu'ils émettent donnent donc aux professionnel·les des indices utiles pour savoir si une machine est en bon état ou si elle va bientôt nécessiter un entretien ou une réparation urgente. Celles et ceux qui reconnaissent à temps qu'une machine émet un son défectueux peuvent, selon le cas, prévenir un défaut coûteux et intervenir avant qu'elle ne tombe en panne. C'est pourquoi la surveillance et l'analyse des sons ont gagné en importance dans l'exploitation et la maintenance des infrastructures techniques, d'autant plus que l'enregistrement des sons, des bruits et des signaux acoustiques est relativement rentable grâce aux microphones modernes.

Pour extraire les informations requises de ces sons, des méthodes éprouvées de traitement des signaux et d'analyse des données ont été établies. L'une d'entre elles est la transformation en ondelettes. Mathématiquement, les tonalités, les sons ou le bruit peuvent être représentés comme des ondes. La transformation en ondelettes décompose une fonction en un ensemble d'ondelettes qui sont des oscillations ondulatoires localisées dans le temps. L'idée sous-jacente est de déterminer la quantité d'ondelette présente dans un signal pour une échelle et un emplacement définis. Bien que de tels procedés aient connu un certain succès, ils peuvent néanmoins constituer une tâche fastidieuse.

Détecter les défauts à un stade précoce

Une équipe de recherche de l'ETH Zurich ont mis au point une méthode d'apprentissage automatique qui rend la transformation en ondelettes entièrement apprenable. Cette nouvelle approche est particulièrement adaptée aux signaux à haute fréquence, tels que les signaux sonores et vibratoires. Elle permet de détecter automatiquement si une machine a un son «sain» ou non. L'approche développée par les chercheurs postdoctoraux Gabriel Michau et Gaëtan Frusque, et Olga Fink, professeure de systèmes de maintenance intelligents, et maintenant publiée dans la revue PNAS, combine de manière inédite le traitement du signal et l'apprentissage automatique. Il permet à un algorithme intelligent, c'est-à-dire une règle de calcul, d'effectuer automatiquement une surveillance acoustique et une analyse du son. En raison de sa similitude avec la transformation en ondelettes bien établie, l'approche d'apprentissage automatique proposée offre une bonne interprétabilité des résultats.

L'objectif est que, dans un avenir proche, les professionnel·les qui utilisent des machines dans l'industrie puissent utiliser un outil qui surveille automatiquement l'équipement et les avertit à temps - sans nécessiter de connaissances préalables particulières - lorsque des sons ostensibles, anormaux ou «malsains» se produisent dans l'équipement. Le nouveau processus d'apprentissage automatique ne s'applique pas seulement à différents types de machines, mais aussi à différents types de signaux, de sons ou de vibrations. Par exemple, il reconnaît également des fréquences sonores que les êtres humains - comme les signaux à haute fréquence ou les ultrasons - ne peuvent pas entendre.

Toutefois, le processus d'apprentissage ne se contente pas de battre tous les types de signaux sur une barre. L'équipe de recherche l'a plutôt conçu pour détecter les différences subtiles entre les différents types de sons et produire des résultats spécifiques à la machine. Ce n'est pas une mince affaire puisqu'il n'y a pas d'échantillons défectueux à partir desquels apprendre.

Axé sur les sons «sains»

Dans les applications industrielles réelles, il n'est généralement pas possible de collecter de nombreux exemples sonores représentatifs de machines défectueuses, car les défauts ne se produisent que rarement. Il n'est donc pas possible d'apprendre à l'algorithme à quoi ressemblent les données sonores des défauts et en quoi elles diffèrent des sons sains. L'équipe de recherche a donc entraîné les algorithmes de manière à ce que l'algorithme d'apprentissage automatique apprenne comment une machine sonne normalement lorsqu'elle fonctionne correctement, puis reconnaisse lorsqu'un son s'écarte de la normale.

Pour ce faire, elle a utilisé diverses données sonores provenant de pompes, de ventilateurs, de vannes et de glissières et ont choisi une approche d'«apprentissage non supervisé», où ce n'est pas elle qui «dit» à un algorithme ce qu'il doit apprendre, mais plutôt l'ordinateur qui apprend de manière autonome les modèles pertinents. De cette façon, Olga Fink et son équipe ont permis au processus d'apprentissage de reconnaître des sons apparentés dans un type de machine donné et de distinguer certains types de défauts sur cette base.

Même si un ensemble de données contenant des échantillons défectueux avait été disponible, et si les scientifiques avaient pu entraîner leurs algorithmes avec des échantillons de sons sains et défectueux, il n'aurait jamais été certain qu'une telle collection de données étiquetées contenait toutes les variantes de sons et de défauts. L'échantillon aurait pu être incomplet, et la méthode d'apprentissage aurait pu manquer des sons défectueux importants. En outre, le même type de machine peut produire des sons très différents selon l'intensité de l'utilisation ou les conditions ambiantes, de sorte que même des défauts techniquement presque identiques peuvent avoir des sons très différents selon la machine.

Apprendre à partir des chants d'oiseaux

Toutefois, l'algorithme ne s'applique pas uniquement aux sons produits par des machines. L'équipe de recherche a également testé leurs algorithmes pour distinguer différents chants d'oiseaux. Pour ce faire, elle a utilisé des enregistrements d'observatrices et observateurs d'oiseaux. Les algorithmes devaient apprendre à distinguer les différents chants d'oiseaux d'une certaine espèce, en veillant à ce que le type de microphone utilisé par les ornithologues n'ait aucune importance: «L'apprentissage automatique est censé reconnaître les chants d'oiseaux, et non évaluer la technique d'enregistrement», explique Gabriel Michau. Cet effet d'apprentissage est également important pour l'infrastructure technique: même avec les machines, les algorithmes doivent être agnostiques au simple bruit de fond et aux influences de la technique d'enregistrement lorsqu'ils visent à détecter les sons pertinents.

Pour une future application industrielle, il est important que l'apprentissage automatique soit capable de détecter les différences subtiles entre les sons: pour être utile et digne de confiance pour les professionnels sur le terrain, il ne doit ni alerter trop souvent ni manquer les sons pertinents. «Grâce à nos recherches, nous avons pu démontrer que notre approche d'apprentissage automatique détecte les anomalies entre les sons, et qu'elle est suffisamment flexible pour être appliquée à différents types de signaux et différentes tâches», conclut Olga Fink. Une caractéristique importante de leur méthode d'apprentissage est qu'elle est également capable de suivre l'évolution du son, de sorte qu'elle peut détecter des indications de défauts éventuels à partir de la manière dont les sons évoluent dans le temps. Cela ouvre la voie à plusieurs applications intéressantes.