从引擎声预测车辆故障：深度学习应用于通用声音识别

有一个困扰众多司机的问题：什么时候对爱车进行检修？

大多数车主会定期去4S店或修理店进行保养。但众所周知，常规保养不是“体检”，车辆已经存在的问题未必会发现。那么，难道只有当汽车在路上抛锚，我们才知道该送修了吗？

这不但效率低，而且危险。当开车有急事（比如赶高铁参加重要会议），或是在高速路上发生故障，那简直是惊魂一刻。

对此，以色列一家名为3DSignals的初创公司提出了解决方案：让AI监听早期的预警信号，比如发动机的声音变化，来判断车辆是否即将抛锚。这项技术依赖于深度学习（deep learning），来理解机械设备的噪音模式，并提前预测可能发生的问题。

3DSignals已开始与欧洲汽车巨头们接触，讨论把这项深度学习技术应用于汽车以及汽车零部件制造设备的前景，以实时监控可能存在的问题。还有消息称他们看中了自动驾驶出租车运营市场，与一家自动驾驶公司进行了初步沟通。

3DSignals联合创始人、算法负责人Yair Lavi表示：

“一个出租车乘客很可能只在乎到达目的地。即便乘坐车辆有了故障，只要没有抛锚，他也懒得报告。所以，对于出租车运营公司来说，3DSignals的解决方案很有吸引力。”

深度学习已经被谷歌、Facebook这样的互联网巨头广泛应用于图像、语音识别应用中。但用它来识别普通声音信号——比如机器的运转声音，倒是一件少有公司涉足的稀罕事。因此，3DSignals希望能成为这个细分市场的领军者。

Yair Lavi解释说：“全世界都在用深度学习进行图像识别，这是至今最新最火的应用。另外，AI行业还有一部分在做深度学习的语音识别。我认为专注于通用声音识别的公司可能是极少数，我们是其中之一。这是我的目标：成为通用声音深度学习的带头人。”

制造工厂应用

3DSignals为每一名客户安装超声波麦克风，它能监测到100千赫以内的音频。相比之下，人耳只能捕捉20赫兹至20千赫的声音。该公司的物联网服务把麦克风与计算设备连接起来，后者能处理一部分的数据，然后把信息上传到云端，由深度学习算法完成工作。客户可以随时通过联网设备，比如手机和平板电脑，来查看机械设备的状态。

3DSignals系统流程示意：损坏的刀片，超声波传感器，数据收集装置，实时警报

他们的第一批客户来自重工业领域，监测设备包括制造厂的圆形切割刀片和水电站的涡轮机。

开始，这些公司购买的是 3DSignals不基于深度学习的初级服务。它是对特定零件（比如圆形切割锯）进行基础物理学建模的软件，能预测这些零件什么时候会达到磨损上限。

第二级服务使用了深度学习算法，监测麦克风传来的声音中奇怪、不正常的频段。训练深度学习的样本是标志着机器发生普通故障的声音模式。

第三级服务同样采用了深度学习，只有它才能根据声音分辨出具体的故障种类。但在此之前，客户必须帮助3DSignals训练深度学习算法：为特定声音模式加上标签，标明这属于哪种故障。

Lavi说道：“一段时间之后，我们不仅能指出故障A何时会发生，我们还能在它发生之前就（肯定地）说：你会在五小时内遭遇故障A。有些问题不会立即出现，有一个恶化的过程。”

经过训练之后，3DSignals的深度学习算法能以98 %的精确度预测特定故障。但目前，使用3DSignals系统的客户尚无法体验这个级别的性能。他们仍在创建训练数据库，人工为关联特定故障的声音信号加入标签。

3DSignals表示，使用它的系统之后：

制造厂能降低80%的人为操作失误；

延长50%的圆形切割锯使用寿命；

降低40%的切割锯突然损坏事件；

展望

这家只有一岁的初创公司目前只有15名员工。但它发展速度相当快，已经拿到了以色列企业家Dov Moran的330万美元投资，后者是USB闪存的发明者之一。

Lavi和他的联合创始人同伴们正在把目光朝向几个大市场，包括汽车和水电之外的能源市场。在2017，他们计划了好几轮吸引风投的融资活动。如果一切顺利，3DSignals会在增长中的“可预测设备维护”市场继续保持领先，向工厂、发电厂、车主提供服务。即将诞生的无人驾驶汽车市场同样是一片蓝海：它们会使人类司机变为乘客，脱离了驾驶体验；这使得能通过声音判断设备状态的深度学习AI肩负更大的责任。对于一家初创公司来说，有机会能在通用声音识别领域成为领军者非常有前途。

Lavi说：“对我们来说，成为通用声音识别的深度学习专家至关重要，因为当前的学术论文尚未涵盖该领域。”

对初创科技企业来说，合理的定位是生存下去的必要条件。