Адаптивная система распознавания по акустическим признакам на базе генеративно-состязательных сетей и обучения с подкреплением
Цель настоящего исследования состоит в разработке адаптивной системы акустической диагностики, способной выявлять редкие и критически важные неисправности промышленного оборудования на основе анализа аудиосигналов. В качестве методологической основы используется совмещение модифицированной архитектуры генеративно-состязательной сети WaveGAN, алгоритмов обучения с подкреплением Deep Q-Network и многоагентного анализа с динамической адаптацией. Такая интеграция позволяет не только генерировать физически достоверные синтетические сигналы для компенсации дисбаланса классов, но и адаптировать поведение системы в зависимости от характеристик акустической среды и типа оборудования. Эксперименты, проведенные с использованием набора данных MIMII, продемонстрировали высокие показатели точности (до 96 %) и полноты классификации на различных типах оборудования. Полученные результаты свидетельствуют о высокой устойчивости системы к внешним шумам и ее способности к своевременному обнаружению импульсных и переходных дефектов. Научная новизна работы заключается в синтезе генеративного подхода и мультиагентной архитектуры с контекстной адаптацией к производственным условиям, что обеспечивает комплексный и интерпретируемый анализ аудиосигналов. Практическая значимость обусловлена возможностью внедрения разработанной системы в состав интеллектуальных платформ мониторинга технического состояния оборудования в условиях реального производства.
Авторы: Н. А. Верзун, М. О. Колбанев, А. Р. Салиева, Р. М. Мухтарбекова
Направление: Информатика, вычислительная техника и управление
Ключевые слова: акустическое распознавание, генеративно-состязательные сети, обучение с подкреплением, мультиагентные системы, предиктивное обслуживание, WaveGAN, промышленное оборудование, интеллектуальный мониторинг
Открыть полный текст статьи