3DSignals Gebruikt Geluidsanalytics om Machine-onderhoud te Revolutieeren

Industrial IoT's sensortechnologie ontgrendelt oplossingen voor langdurige onderhoudsuitdagingen. Traditioneel onderhoud is traag, duur en zwaar afhankelijk van schaarse gespecialiseerde arbeid.

Israelse start-up 3DSignals keert dit om door IoT te fusioneren met machine learning om apparatuur via geluid te monitoren.

Ik sprak met Amnon Shenfeld, mede-oprichter en CEO, om te leren hoe het idee ontspoot.

"Het begon op een treinrit," herinnert Shenfeld. "Met een achtergrond in deep learning, was ik overtuigd dat een neuraal netwerk automatisch machinegeluiden kon herkennen en classificeren, en—na expertverificatie—actionable inzichten in apparatuurgezondheid kon leveren."

Hij vormde een multidisciplinair team van data scientists, wiskundigen en elektrotechnici, en bezocht een lokale staalfabriek.

"We vroegen de operators welke falen ze het meest frequent tegenkwamen," zegt Shenfeld. "Zaagblad-breuk tops de lijst. Ze rapporteren een 50% efficiëntie-ratio—opmerkelijk in staalproductie—maar verspillen nog steeds tijd en hulpbronnen."

Ze opereerden op 20% uptime voordat een managementverandering, met bladfouten als groot pijnpunt. Elke vervanging kon 20 minuten duren, en de meeste lijnen vereisten drie veranderingen per dag. Dat is meer dan een uur downtime per machine, plus het risico op schade als bladen splijten.

Bestaande monitoring—stroom, temperatuur—bleek oneffectief. Shenfeld zag een kans voor 3DSignals.

De Preventieve Onderhoudscyclus Disrupteren

Conventioneel onderhoud vereist on-site ingenieurs om machines op een rigid schema te inspecteren. Het proces is arbeidsintensief en reactief.

"Historisch vertrouwden technici op akoestiek—auto's, pompen, etc.—om normale operatie te beoordelen," legt Shenfeld uit. "Een doorgewinterde ingenieur kan je vertellen of een pomp gezond is gewoon door te luisteren."

3DSignals is het eerste IoT-bedrijf dat sensor-gebaseerde geluidsanalytics benut voor een breed scala aan machines. Door de verwachte akoestieke handtekening van elk apparaat te leren en dan afwijkingen te detecteren, emuleert het systeem de expert's intuïtie met een deep-learning model.

Als resultaat wordt onderhoud voorspellend in plaats van gepland, wat ingenieurs in staat stelt om issues aan te pakken voordat ze leiden tot downtime.

Het platform is cloud-gebaseerd en gebruiksvriendelijk. Geluidsmonsters kunnen direct gedeeld worden met apparatuurfabrikanten, wat real-world data biedt die ontwerp en troubleshooting verbetert.

Geluid-gebaseerde monitoring past natuurlijk bij de energiesector, waar turbines vaak onbeheerd draaien. Routinematige checks kunnen fouten in volledig andere apparatuur ontdekken—iets wat voorheen ondetecteerbaar was.

Terwijl academie lang akoestische analyse voor stemherkenning bestudeerd, duwt 3DSignals de grens met geautomatiseerd gehoor voor industriële activa.

Zelfs Elon Musk verwies ooit naar een mysterieus geluid om de SpaceX Falcon 9-ontploffing te onderzoeken.

Bij het presenteren van het concept vraagt Shenfeld potentiële klanten: "Kun je vertellen of je machine correct functioneert gewoon aan het geluid?" Het antwoord is altijd "ja." Met toepassingen variërend van mijnbouw tot landbouw tot autonome voertuigen, staat 3DSignals klaar om onderhoudspraktijken in industrieën te herschikken.