La idea es: de vez en cuando uso alguna aplicación de teléfono inteligente imaginaria y grabo el sonido del motor del vehículo. Luego, la aplicación debe interpretar ese sonido y decir OK / NOK. Si NO, conduzco para que un profesional me examine más a fondo.
(por ejemplo, cuando el motor funciona bien, produce un sonido agradable y constante y cuando NOK el sonido es como ruido aleatorio)
¿Es posible detectar defectos en el motor del vehículo examinando el sonido que hace?
engine
maintenance
Marian Paździoch
fuente
fuente
Respuestas:
Es absolutamente posible saber si un motor no es saludable por el ruido que hace. En muchas fallas, un motor comenzará a emitir ruidos inusuales antes de que se muestren los códigos de falla o las luces de advertencia. Además, ciertos equipos auxiliares, como los alternadores, pueden dar indicios audibles de que está fallando.
Supongo que sería posible utilizar el tipo de software que los servicios de búsqueda de música (donde reproduces música y el software te dice el nombre del artista) combinado con el tipo de software utilizado para afinar instrumentos musicales podría escuchar de una manera que el humano el oído no puede Si lo combina con algún tipo de opción de interfaz OBD para que el software conozca RPM, temperatura ambiente, etc., probablemente podría hacer aún más.
El problema sería que probablemente necesitaría un sonido de referencia para cada motor. Supongo que podría "entrenar" el software permitiéndole perfilar el motor varias veces para que pueda "aprender" los sonidos de una manera similar a la que hace el software de dictado de voz más antiguo.
Personalmente, sé que puedo escuchar un motor y escuchar ciertas fallas, como correas sueltas, cojinetes ruidosos y preencendido (pinking). Esta es una habilidad que he perfeccionado durante varios años. Por lo tanto, no hay una razón teórica por la que no se pueda escribir software para hacer lo mismo. Dicho esto, sería un trabajo de desarrollo bastante complicado.
fuente
Ciertamente es posible, pero probablemente solo en la medida en que lo propone: una indicación de ir / no ir. Los mecánicos usarán estetoscopios de motor para determinar exactamente de dónde proviene el ruido, lo que puede indicarles si un sonajero es un cojinete defectuoso o un perno flojo, o si un golpe es de un pistón o un elevador. Algunos motores tienen "detectores de detonación" (micrófonos realmente sintonizados) integrados que envían una señal a la ECU para retrasar la sincronización si se detectan detonaciones (una señal de detonación, una condición muy dañina). Como señala @Steve Matthews, es probable que tenga que tener diferentes perfiles para cada combinación de automóvil / motor, y cualquier actualización significativa del mercado de accesorios puede invalidarlos.
fuente
En realidad me topé con esta pregunta porque estaba buscando si esto ya se había hecho. Lo único que encontré todavía es la aplicación mycarmakesnoise, pero tendrás que comparar los sonidos tú mismo. No soy mecánico, por lo que no sé mucho sobre los sonidos de un defecto en un automóvil.
Sin embargo, estoy empezando a aprender sobre el aprendizaje profundo. Para mí, parece totalmente posible utilizar el espectrograma de una grabación de audio de un defecto a problemas de identidad utilizando una red neuronal convolucional. Quizás incluso mejor que los humanos, ya que las imágenes pueden clasificarse más precisas por una computadora que por un humano (~ 94% para humanos versus ~ 95% para computadoras). Sin embargo, hay problemas importantes que superar.
En primer lugar, necesita un conjunto de datos muy grande. Eso significa reunir (al menos) cientos de grabaciones de audio del mismo defecto en el mismo vehículo. Miles de grabaciones serían aún mejores (mayor conjunto de datos = mejores resultados). Digamos que queremos identificar diez defectos diferentes y hay (conjetura total) 300 tipos de automóviles. Necesitaría 300 * 10 * 100 = 300,000 grabaciones solo para diez defectos. Además, no puede usar el mismo automóvil una y otra vez. Eso significaría que necesitará 100 autos del mismo tipo por defecto para obtener mejores resultados. Reunir estas grabaciones sería una operación masiva. Supongo que una forma de contrarrestar este problema sería comenzar con una marca y un tipo de automóvil.
El siguiente problema es la diferencia de sonido por tipo de automóvil con el mismo defecto. Un Volvo con frenos rotos sonará diferente a un Ford con el mismo problema. Este problema probablemente se pueda superar teniendo un conjunto de datos realmente grande, como se mencionó anteriormente.
Además, el ruido de fondo siempre será diferente. Una persona podría estar sentada en un verdadero auto silencioso, escuchando nada más que sus pensamientos. La otra persona estallará metal en un auto de mierda con cosas que crujen y cosas en el maletero que hacen mucho ruido. Lo mismo cuenta aquí. Necesita un conjunto de datos grande, por lo que el ruido de fondo puede ser lo más aleatorio posible.
El último problema que se me ocurre ahora es la potencia de cálculo necesaria. Las redes neuronales necesitan capacitación mediante el conjunto de datos grandes que recopilamos. Esto requiere mucha potencia computacional. Sin acceso a una súper computadora o al menos una buena tarjeta de video, la capacitación llevaría días o semanas.
En resumen: Sí, probablemente sea posible detectar defectos en los automóviles utilizando el sonido que produce, pero probablemente sea realmente difícil de hacer.
[editar] Una opción podría ser entrenar una red neuronal por marca y modelo de automóvil, pero aún así. Me imagino, por ejemplo, una ruptura de parte podría producir sonidos muy diferentes dependiendo de dónde se rompió. Nuevamente, no soy mecánico, por lo que podría estar lleno de mierda cuando se trata de autos.
No creo que una herramienta genérica de detección de problemas sea casi imposible. Creo que es muy plausible que se pueda construir una herramienta como esta utilizando una red neuronal. Sin embargo, reunir suficientes datos de sonido para entrenar a la red sería un gran trabajo.
Además, si estamos trabajando con automóviles más nuevos, podemos agregar todo tipo de información del sistema OBD a los tensores de entrada de la red neuronal. Esa información adicional podría ser muy útil para que la red neuronal descubra lo que está sucediendo.
fuente
Debo estar de acuerdo en que definitivamente hay algunas fallas que podría identificar simplemente instalando una aplicación especialmente creada que usaría un micrófono, tal vez una cámara y tal vez ese sensor que indica la posición de su teléfono (rotación, sacudidas). Podría ayudar con algunas fallas, pero desafortunadamente no podría ser su veredicto definitivo para una condición del motor. Eso podría ser posible rodamientos, correa trapezoidal o tensor desgastados, correa de levas, cadena de levas, tensor de cadena / correa, holgura de la válvula, falla de encendido, etc. : D Pero no leerá cosas como alta presión de combustible, baja presión de aceite, junta de culata rota, fugas en la tubería de agua, falta de la rueda trasera izquierda o quema del asiento del pasajero: D
fuente
Sé de algunos trabajos de investigación que se realizaron midiendo vibraciones en cajas de engranajes para detectar patrones que conducen a fallas, pero desarrollar los valores iniciales lleva meses y fue un análisis constante ...
fuente