كشف الأعطال في الآلات الصناعية باستخدام التعلم الآلي وتحليل البيانات الصوتية Machine Learning-Based Acoustic Anomaly Detection in Industrial Machines

Developed an AI-based acoustic anomaly detection system to identify abnormal machine behavior using audio signal analysis. The pipeline processes raw audio files using Librosa, including waveform visualization, spectrogram, log-mel spectrogram, MFCC extraction, and dimensionality reduction with PCA for exploratory analysis. After normalization and MFCC feature extraction, a deep learning autoencoder was trained to learn normal operational patterns and detect anomalies based on reconstruction error. The model achieved 98.7% test accuracy and an AUC score of 99.9%, demonstrating high reliability for predictive maintenance and industrial monitoring applications. Technologies: Python, Librosa, NumPy, PCA, Autoencoder, Deep Learning Focus Areas: Audio Signal Processing, Anomaly Detection, Predictive Maintenance تم تطوير نظام ذكاء اصطناعي لاكتشاف الأعطال غير الطبيعية في الآلات الصناعية اعتمادًا على تحليل الإشارات الصوتية. تم استخدام مكتبة Librosa لمعالجة الملفات الصوتية، مع إجراء تحليل شامل يشمل رسم الموجة الصوتية (Waveplot)، الطيف الترددي (Spectrogram)، Log-Mel Spectrogram، واستخراج معاملات MFCC، بالإضافة إلى تقليل الأبعاد باستخدام PCA لأغراض التحليل الاستكشافي. بعد تطبيع البيانات واستخراج ميزات MFCC، تم تدريب نموذج Autoencoder لتعلم الأنماط الطبيعية لتشغيل الآلة واكتشاف الانحرافات بناءً على خطأ إعادة البناء (Reconstruction Error). حقق النموذج دقة اختبار بلغت 98.7% وقيمة AUC بلغت 99.9%، مما يعكس كفاءة عالية في تطبيقات الصيانة التنبؤية والمراقبة الصناعية. التقنيات المستخدمة: Python، Librosa، NumPy، PCA، Autoencoder، التعلم العميق مجالات التركيز: معالجة الإشارات الصوتية، كشف الشذوذ، الصيانة التنبؤية