==============================================

SoundObserver

A Vibration Analyzer for Defect Detection

==============================================

Márcio Weck e Hendri Nogueira

1. Descrição

    O propósito do SoundObserver é escutar vibrações acústicas no ambiente ao seu redor, e tentar identificar possíveis problemas pelas características dos sons detectados, utilizando redes neurais e partindo de um conhecimento já adquirido sobre o ambiente durante a fase de treinamento.

2. Características

• Taxa de amostragem: 13kHz - 16kHz
• Tamanho da amostra: 16 bits
• Formato de áudio: Sem formato - Ver em X.X
• Técnica de pré-processamento: Upscaling e mediana
  
• Técnica de Inferência: Rede Neural Multi-Layer Perceptron ( Simulação O(n²) )
  
• Tipo do problema: Classificação

  

3. Desenvolvimento

3.1. Requisitos

• Processamento rápido
  
• Amostragem, transformada e simulação devem caber dentro do intervalo de amostragem, onde ia = 1/taxa de amostragem;
• Memória maior que 16kBytes
  
• Taxa de amostragem * tamanho da amostra, é o espaço ocupado pelo array gerado na amostragem, e ainda é preciso guardar outros dados;
• Microfone
• Hardware necessário para "escutar" o som do ambiente;
• Se for um microfone de eletreto, tem suas vantagens por que elimina a necessidade de uma fonte de alimentação polarizadora, porém por ter um sinal muito fraco requer um amplificador, sendo necessários alguns resistores, capacitores e transistores (ver arquiteturas);
• ADC
• Será necessário converter o sinal analógico para digital, na taxa de amostragem definida (ver características)
• Implementação em C
• A complexidade dos algoritmos requer uma linguagem mais conhecida pelos desenvolvedores, C ou C++ provém as facilidades de programação e a velocidade;
• Filtro passa-baixa
• Usado antes do ADC para evitar o efeito "aliasing" no sinal digital;
  

3.2 Interfaces

• Entrada de aúdio: microfone;
• Saída: Leds sinalizam detecção dos padrões anômalos;
• Saída: Passar dados para um computador (utilizado somente na fase de treinamento e debug dos dados);
  

3.2. Funcionalidade

• Contextualização
• Redes Neurais MLP : Nessas redes, cada camada tem uma função específica. A camada de saída recebe os estímulos da camada intermediária e constrói o padrão que será a resposta. As camadas intermediárias funcionam como extratoras de características, seus pesos são uma codificação de características apresentadas nos padrões de entrada e permitem que a rede crie sua própria representação, mais rica e complexa, do problema.

• Aprendizado "Backpropagation" : Durante o treinamento com o algoritmo backpropagation, a rede opera em uma sequência de dois passos. Primeiro, um padrão é apresentado à camada de entrada da rede. A atividade resultante flui através da rede, camada por camada, até que a resposta seja produzida pela camada de saída. No segundo passo, a saída obtida é comparada à saída desejada para esse padrão particular. Se esta não estiver correta, o erro é calculado. O erro é propagado a partir da camada de saída até a camada de entrada, e os pesos das conexões das unidades das camadas internas vão sendo modificados conforme o erro é retropropagado.
  
  
• Aprendizado "Quickpropagation" : Mais rápido que o backpropagation. Sua principal diferença é que para cada peso, idependentemente, são utilizadas as inclinações anterior e atual do erro. Assume uma superfície de erro localmente quadrática (formando uma parábola).
  

• Erro médio quadrático: Define quando o algoritmo deve parar.
  

• Estagio I  - Aprendizado
• Neste estágio, a rede irá aprender tudo o que ela precisa para poder inferir sobre os dados no estágio II, após essa fase ela não poderá mais aprender e somente dará respostas que estejam dentro do domínio do seu conhecimento. O aprendizado por backpropagation é lento, e demanda um recurso computacional considerável, devido a esse fato, ele será feito separado em um PC, nos trazendo as seguintes vantagens:
• Debug do erro médio quadrático com mais fácilidade;
• Análise das respostas geradas com mais facilidade;
• Evitar código que não será mais usado (uma vez treinada com sucesso, não haverá retreinamento);
• Para que o treinamento possa ser feito de forma a respeitar a realidade de um ambiente de externo, será necessário:
• Gravar usando o dispositivo no ambiente escolhido, e enviar para o PC através de uma conecção serial ou outra;

• Estagio II - Classificação
• Este estágio difere do anterior, por já estar com todos os pesos da rede ajustados para o ambiente e por poder ser executado quantas vezes for necessário. Para a detecção de falhas, a cada amostra, uma simulação será executada, e uma classificação para aquela janela análisada será reportada.

• Pré-processamento
• Ocorre sempre entre a amostragem e a análise dos dados, reduz o número de amostras mas mantém as características importantes para o treinamento;
  

                                                                   Figura 1. Diagrama de Blocos


Obs: Na figura 1, não estão mostrados detalhes de hardware como filtro passa-baixa e amplificador do microfone. O filtro na imagem é o algoritmo que retira as características essenciais das ondas, e que no caso é utilizado o Upscaling



5. Hardware


Foi utilizado uma placa que tenha um poder de processamento e uma capacidade de mémoria  suficientes para suportar um linux leve e roda nossa Implementação em C.

• CPU: AMD® Geode LX-800 500 MHz processor

• System Chipset: AMD® Geode LX800 + AMD® CS5536

• BIOS: AWARD

• System memory: 1 x 200-pin DDR 333/400MHz SO-DIMM

• SDRAM up to 1GB

• Ethernet: 10/100Base-T RTL8100C

• I/O

 I/O Interface:
   4 x USB 2.0
   2 x SATA-150
   1 x CFII
   1 x LPT
   6 x RS-232
   1 x RS-422/485
   1 x PS/2 keyboard/mouse
   1 x IDE

• Supper I/O: W83627EHG

• Audio: AC97 Codec Realtek ALC202A

• Display:

  VGA integrated in AMD® LX800
  24-bit single channel TTL
  18-bit single channel LVDS

•  Watchdog timer:

   Software programmable supports 1~255 sec. system reset

• Power Supply: 12V only, AT/ATX power support

• Power Consumption:

  +12V@0.92A (AMD LX 800 with DDR400 256MB RAM)

• Temperature: 0 ~ 60°C( 32 ~ 140°F)

• Humidity: Operation: 5% ~ 95%

• Dimension: 115mm x 165mm;Weight: GW:0.95Kg; NW: 0.35Kg

API

Foi utilizada a API do Alsa, para desenvolver um driver que fosse capaz de fazer a leitura da entrada PCM.

6. Topologia da Rede Neural

    A rede neural usada no projeto é composta de 10 neurônios na camada intermediária, 1 na camada de saída e 42 (podendo variar) na camada de entrada; O 42 entradas do padrão devem-se ao número de frames que são pré-processados durante o periodo de analise.

Exemplo meramente ilustrativo

7. Classificação

    O resultado da rede retorna um valor entre 0 e 1, oferencendo a possibilidade de analisar o erro com mais profundidade, e saber qual a gravidade do mesmo.




8. Estrutura Código

audio_capture_driver : é o driver feito com o alsa, para acessar o PCM, e definir a configuração do hardware de captura.
analic_tools : faz o pré-processamento do sinal.
neuralshooter : dispara os resultados da rede para cada caracterização do sinal.

  

REFERÊNCIAS

http://www.aoandrade.eletrica.ufu.br/Documents/ProjFinal.pdf

http://www.eps.ufsc.br/disserta/hugo/cap_4/cp4_hug.htm
http://rw4.cs.uni-sb.de/~kaestner/es0203/lecthr07.pdf

http://www.eps.ufsc.br/disserta96/tafner/index/index.htm#sum


http://www.ieiworld.com/product_groups/industrial/content.aspx?keyword=PE-2sd&gid=00001000010000000001&cid=09050662496936266123&id=08165508789038817846#