機械はさまざまな信号を発することで周囲環境へ影響を与えます。 そうした信号は装置の動作を反映する適切な情報源です。 これらの信号を理解できれば大幅な最適化が可能になります。 例えば、機械は異常または故障が生じる前に、わずかに異常な振動パターン、ノイズ、超音波が発生します。 機械にセンサを取り付けることで、その活動を監視できます。 人工知能（AI）のおかげで、異常を識別するスマート･ソリューションを構築できます。 その結果、装置が異常の重大度を自動的に分類し、関連するアラートを保全チームに送信できるようになります。 このユース･ケースではデモのためにファン･モータに実装しましたが、このアプローチは多くの産業用機械に容易に適用できます。
アプローチ
超音波に基づく分類モデルは約1秒のデータを収集し、メル周波数ケプストラム係数（MFCC）を使用して前処理し、学習済みニューラル･ネットワークに送ります。このネットワークは、4つのクラス［‘オフ’、‘正常’、‘目詰まり’、‘摩擦’］について学習済みです。超音波に基づく分類では、オンボード･アナログMEMSマイクを使用して192kHz（16bit、1チャネル）のレートで音声を収集します。1ミリ秒間隔でDMA割込みと共に最新の192音声サンプルを受信します。その後、これらのサンプルを重複なしの4,096サンプルからなるスライディング･ウィンドウで累積します。特徴抽出のために、バッファを21,33ms間隔でUSC前処理に入力します。USC前処理で超音波特徴であるMFCC（46 x 32）スペクトログラムを抽出します。
このステップは、計算効率とメモリ管理を最適化するために2つのルーチンに分かれています。
– 前半では、FFTおよびフィルタバンク･アプリケーションを使用して時間領域入力信号からの46 MFCC列の1列をメルスケールに変換します（32メルバンド）。
– 後半では、32列の計算がすべて完了した時点で（つまり981ms後）、メルスケールのスペクトログラムに対数スケーリングを適用して、USC畳込みニューラル･ネットワークの入力特徴を生成します。
（46 x 32）MFCCスペクトログラムを981ms間隔でUSC畳込みニューラル･ネットワーク入力に送ります。 このモデルは異常を［‘オフ’、‘正常’、‘目詰まり’、‘摩擦’］の4つのクラスに分類します。 このモデルは、最大速度で動作するUSBファンに対して有効なように開発されており、その他の速度でテストしたところ正常に機能しません。
センサ
最大周波数応答80kHzのアナログMEMSマイク（参照：IMP23ABSU）
データ
データフォーマット：回転数を1500rpmに固定して4つのクラス間でバランスの取れたさまざまな条件で録音した2～3時間分のデータ
結果
モデル：ST独自の量子化畳込みニューラル･ネットワーク
入力サイズ：46 x 32
複雑度：565K MACC
メモリ･フットプリント：
使用Flashメモリ：163KB（重みデータ）
使用RAM：74KB（アクティベーション･バッファ）
性能（超低消費電力マイコンSTM32L4R9 @ 120MHz使用時）
前処理：24MHz、計算速度：1秒当たり46 MFCC列、1列当たり4.2ms
NN処理：1秒当たり1推論、10MHz、1推論当たり78ms
