Audio data acquisitie systeem project Smart Acoustic Sensor for Health Monitoring

Technologische Innovatie

Er is een prototype data-acquisitiesysteem ontworpen en gebouwd. Daarmee kan een geluidsprofiel van een cyclisch bewegend mechanisch onderdeel opgenomen en weergegeven worden. Er is on-board software ontwikkeld, waarmee een grote hoeveelheid parameters ingesteld kunnen worden. Er is een software format ontwikkeld, waarin de opgenomen audiosignalen, en de ingestelde parameters in een bestand opgeslagen en getransporteerd kunnen worden.

SMASH staat voor Smart Acoustic Sensor for Health Monitoring
SMASH bouwt voort op geluidsmetingen, uitgevoerd in 2008 bij het NLR, in het kader van HeliHUMS, gericht op conditiebewaking en ‘smart maintenance’ bij helicopters. Deze metingen zijn uitgevoerd aan twee identieke tandwieloverbrengingen. Bij één overbrenging was een van de tanden van het drijvende tandwiel opzettelijk beschadigd.

Voor de metingen is destijds gebruik gemaakt van een akoestische antenne, met 5 microfoons. Een akoestische antenne maakt het mogelijk om een geluidsbron te localiseren. Het idee was om abnormale geluidsproductie op het aangrijppunt van de kapotte tand vast te stellen. De defecte overbrenging was voor het menselijk oor gemakkelijk te onderscheiden van de onbeschadigde configuratie, zowel draaiend in belaste als in onbelaste toestand.

Echter, op basis van geometrische ‘mapping’ kon de beschadiging niet worden vastgesteld.
Er is ook gekeken naar de frequentieprofielen van de individuele microfoons. In die akoestische spectra waren verschillen te zien tussen die van de beschadigde en de onbeschadigde overbrenging. Die waargenomen verschillen waren echter niet structureel genoeg om als basis te dienen voor een detectie-algoritme. De resultaten van het genoemde onderzoek waren dus nogal teleurstellend. Maar de belangrijkste aanbeveling in het rapport was om de individuele microfoon-meetsignalen in een later stadium opnieuw te analyseren met eventuele nieuwe analysetechnieken.

Begin 2019 zijn de datasets uit 2008 dan ook opnieuw geanalyseerd, nu met een zg. ‘deep learning’ algoritme. Na training was het model in staat om de beschadigde aandrijving goed te onderscheiden van de onbeschadigde.
Dit soort algoritmes is echter min of meer een ‘Black Box’. Het is niet erg inzichtelijk hoe de discriminerende criteria precies tot stand gekomen zijn. Het is bijvoorbeeld mogelijk dat de resultaten alleen gelden bij de specifieke tandverhouding die in de test gebruikt is, of dat het onderscheid gemaakt is aan de hand van een triviale eigenschap van de specifieke opnamen.
Om een algemeen geldig model te krijgen is het nodig om een dataset te vergaren, die bestaat uit meerdere instanties van het betreffende faalmechanisme, onder verschillende ‘geluidsomgevingen’

Voortbouwend op het positieve resultaat van het Deep Learning algoritme, dient SMASH om een aantal, meer praktische aspecten te onderzoeken. Het doel is om een recorder prototype te ontwikkelen en testen, die faalmechanismen herkent van typische industriële componenten (lagers, tandwielen, pompen). Eisen, gesteld aan een recorder / analyzer prototype:
• contactloze meting, op basis van geluid
• eenvoudig en goedkoop
• configureerbaar voor specifieke omstandigheden
• autonoom
• Schade-indicator (groen – geel – rood)
• nadere (spectrum) analyse bij een geconstateerd gebrek
• Draadloze en veilige gegevensoverdracht

De samenstelling van de recorder is eenvoudig en openbaar. Het kan door een gebruiker gebouwd of aanbesteed worden.

Audio opgenomen met twee microfoons 10-10000 Hz +
Optische cyclus-sensor (IR)

Audio + data format
Audio signalen, het signaal van een rotatie (‘blip’) sensor, alsmede de waarden van de ingestelde meetparameters worden ‘verpakt’ in een nieuw ontwikkeld (op het WAV format gebaseerd) file format.

Aanbieder

Nederlands Lucht- en Ruimtevaartcentrum NLR

Kennisinstituut op lucht- en ruimtevaartgebied.

Voordelen

• Gebaseerd op Raspberry Pi 3B of 4

Business case

Hoewel er nog geen direct vermarktbaar product is, zijn het ontwikkelde prototype, (met door Avans Hogeschool studenten ontworpen verbeteringen), de ontwikkelde software, en het data format zeker waardevolle bouwstenen voor een bruikbaar industrieel product. De gegevens, afkomstig van een dergelijke recorder kunnen bruikbaar materiaal vormen voor een Artificial Intelligence algoritme, dat mechanische gebreken autonoom opspoort en detecteert.
Vroege en autonome opsporing van gebreken kan een grote bijdrage leveren aan de voorspelbaarheid, en dus planbaarheid van onderhoud, en daarmee aan potentieel grote kostenbesparingen.

Documenten

• Dedicated-to-innovation-in-aerospace.pptx