Geschäftskontext
In einer 'Smart Factory' senden Tausende von Sensoren kontinuierlich kurze Audioclips von Maschinenmotoren. Ziel ist es, Anomalien (Verschleiß) zu erkennen. Aufgrund des hohen Datenvolumens muss die Feature-Extraktion (Filterbank-Energien) effizient sein und die Daten müssen für das nachfolgende Clustering standardisiert werden.
Datenaufbereitung
Generierung einer großen Menge (1000 Zeilen) simulierter Maschinendaten, um Last zu erzeugen.
Kopiert!
| 1 | |
| 2 | DATA casuser.machine_noise; |
| 3 | LENGTH machine_id varchar(10) _audio_data_ varbinary; |
| 4 | dummy_audio = '524946462408000057415645666D7420100000000100010044AC000088580100020010006461746100080000FFFFFFFF'x; |
| 5 | DO i=1 to 1000; |
| 6 | machine_id = cats('MACH_', i); |
| 7 | _audio_data_ = dummy_audio; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | drop i dummy_audio; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Durchführung der Feature-Berechnung mit Filterbänken (FBank), benutzerdefinierter Frame-Länge und Standardisierung (Mittelwert 0, Varianz 1).
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | audio.computeFeatures / TABLE={name='machine_noise', caslib='casuser'} audioColumn='_audio_data_' fbankOptions={useLogFbank=true, nBins=40} frameExtractionOptions={frameLength=25, frameShift=10, windowType='HAMMING'} featureScalingMethod='STANDARDIZATION' casOut={name='iot_features', caslib='casuser', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Validierung der Ausgabedaten, um sicherzustellen, dass für alle 1000 Maschinen Ergebnisse vorliegen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableDetails / TABLE={name='iot_features', caslib='casuser'}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion verarbeitet alle 1000 Datensätze ohne Fehler. Die resultierende Tabelle 'iot_features' enthält log-FBank-Merkmale, die standardisiert sind (Werte zentriert um 0). Das Hamming-Fenster wurde korrekt angewendet.