声音提供了有关机器运行情况的重要信息。ETH 研究人员现在开发了一种新的机器学习方法，可以自动检测机器是否“健康”或需要维护。

无论是铁路车轮还是发电厂的发电机，无论是泵还是阀门，它们都会发出声音。对于训练有素的耳朵来说，这些噪音甚至具有一定的意义：设备、机器、设备或机车车辆在正常运行时与出现缺陷或故障时发出的声音不同。

因此，他们发出的声音可以为专业人士提供有用的线索，帮助他们判断机器是否处于良好或“健康”的状态，或者它是否很快需要维护或紧急维修。那些及时发现机器听起来有故障的人可以根据具体情况防止代价高昂的缺陷并在它发生故障之前进行干预。因此，声音的监测和分析在技术基础设施的运行和维护中变得越来越重要——尤其是因为使用现代麦克风记录音调、噪音和声学信号相对具有成本效益。

为了从这些声音中提取所需的信息，已经建立了经过验证的信号处理和数据分析方法。其中之一就是所谓的小波变换。在数学上，音调、声音或噪音可以表示为波。小波变换将一个函数分解为一组小波，这些小波是时间局部化的波状振荡。其基本思想是确定一个信号中有多少小波在一个定义的尺度和位置上。尽管这样的框架已经相当成功，但它们仍然是一项耗时的任务。