Предприятия, которые используют сложное и дорогостоящее оборудование в таких отраслях, как аэрокосмическая, строительная и автомобильная, требуют длительного времени безотказной работы, чтобы оставаться прибыльными.
Оставшийся срок полезного использования (RUL) — это показатель, который помогает предприятиям отслеживать и прогнозировать время до отказа с использованием данных в реальном времени. Это позволяет им принимать превентивные меры, гарантирующие, что оборудование не выйдет из строя во время критических операций, и планировать мероприятия по техническому обслуживанию, максимально повышая его производительность.
В случае с автомобилями технология автономного вождения потребует прогнозирования RUL для систем и компонентов автомобиля, чтобы обеспечить безопасное вождение в любое время. Представьте себе ближайшее будущее автономных роботов-такси, управляемых OEM-производителем. Максимальное увеличение полезности автопарка зависит от того, насколько хорошо этот OEM-производитель способен максимизировать количество километров в заданное время. Любое время, проведенное в поломке, будет потерей для бизнеса. Автомобиль, который может сообщить о своих проблемах, заявив, что отказ аккумулятора или двигателя, может позволить OEM-производителю предотвратить преждевременный отказ.
Прогнозная аналитика может оценить оставшийся срок полезного использования различных частей автомобиля, а предписывающая аналитика поможет свести к минимуму износ этих частей, рекомендуя наилучшие условия использования (или, в данном случае, наилучшее вождение условия).
Подход к определению оставшегося срока полезного использования варьируется от простого эмпирического моделирования до более точных, но кропотливых моделей глубокого обучения.
- Эмпирическое моделирование: по сути, формула, описывающая взаимосвязь между выходами и входами. Может основываться на физических параметрах, наблюдаемых в лаборатории. Не очень точно.
- Традиционные модели машинного обучения: могут использоваться при наличии достаточного количества размеченных данных. В этом случае необходимая «этикетка» представляет собой физическое значение оставшегося срока полезного использования, которое трудно получить, особенно в больших объемах. Из-за небольшого объема размеченных данных традиционные модели машинного обучения трудно обучать и использовать.
- Глубокое обучение: модель машинного обучения, в которой нейронные сети используются для определения взаимосвязи между входными «функциями» и выходными данными даже при небольшом объеме размеченных данных.
В этом сообщении блога мы рассмотрим, как Рам Аруначалам использовал методы глубокого обучения для создания модели оставшегося срока полезного использования электродвигателей.
Боковая панель: давайте кратко рассмотрим основную идею глубокого машинного обучения:
Основное различие между традиционным машинным обучением и глубоким обучением заключается в этапе извлечение признаков. В случае традиционного машинного обучения функции (или входные данные) для алгоритма необходимо находить вручную, но в случае глубокого обучения мы можем позволить алгоритму самому найти большинство функций.
Реализация Ram глубокого обучения для оставшегося срока полезного использования
Ram смог предсказать RUL без предметных знаний о характеристиках деградации двигателя, используя методы глубокого обучения. Это также сокращает время, затрачиваемое на оценку RUL, поскольку не требуется инженерия признаков (т. е. понимание связи параметров со сбоями), как в случае традиционных методов.
Одна из основных проблем для прогностических приложений заключается в том, что высококачественные помеченные обучающие данные для сценариев отказов не могут быть легко получены. В таком случае контролируемое обучение может предсказать RUL с высокой точностью, но с относительно небольшим объемом данных.
Использование контролируемых методов глубокого обучения, таких как автоматические кодировщики, использует начальный этап предварительной подготовки, на котором необработанные немаркированные данные обрабатываются для автоматического извлечения абстрактных функций высокого уровня. Веса инициализируются с хорошим локальным минимумом в результате этой процедуры и служат лучшим входом для дальнейшей точной настройки с помощью методов глубокого обучения с супервизором. Это помогает сократить время разработки модели и повысить точность прогнозов RUL.
Другой проблемой в таких случаях использования являются различные режимы отказа и условия эксплуатации, которые увеличивают сложность деградации. Для решения этой проблемы можно использовать контролируемое обучение на этапе предварительного обучения. Предварительное обучение с помощью алгоритма обучения с учителем извлекает функции, связанные с деградацией, перед обучением с учителем. Это помогает лучше понять основной механизм деградации. Целью этой системы является повышение точности прогнозирования RUL с помощью контролируемой предварительной подготовки перед контролируемой точной настройкой.
Итак, каковы были результаты?
Модель оценивается по наземным данным, и наблюдается последующая подгонка.
График показывает, что предсказание модели следует тому же шаблону деградации. Производительность модели глубокого обучения рассчитывается с точки зрения стандартного отклонения остатков или ошибок прогнозирования. Это показывает, что модель способна хорошо обрабатывать зашумленные данные, а также хорошо обобщать колебания.
Чтобы проверить, правильно ли прогнозирует нейронная сеть, мы можем запустить некоторые тесты, такие как матрица путаницы (подходит для классификации) или вычислить показатель R2 (подходит для регрессии). В случае с Рамом, поскольку результатом является регрессия — количественное значение, — он использовал расчет показателя R2 (R в квадрате), чтобы проверить точность модели.
Рам также использовал поиск по сетке для настройки модели, пока команда не была довольна результатами. В конце концов, в модели Рама показатель R2 составил 0,75, или 75%, близкий к действительности. Учитывая, что было доступно всего 120 помеченных экземпляров данных, это неплохой результат!
Вывод
Оценка RUL является важным шагом в управлении активами для бизнеса. Надежная модель прогнозирования может дать бизнес-результаты, предсказывая наилучшее время для замены (сокращение времени простоя) или уменьшая старение за счет изменения условий эксплуатации (экономия затрат).
Подход, используемый Ram, обещает эффективность прогнозирования RUL с меньшим объемом помеченных обучающих данных. Таким образом, контролируемое обучение перспективно для реальных прогностических приложений даже в условиях ограничений ограниченного количества размеченных данных, сложных режимов отказа, а также ограниченного времени выхода на рынок.
