Машинное обучение https://towardsdatascience.com/machine-learning/home
Обучающие машины
Профилактическое обслуживание машин / оборудования
Отказ машины / оборудования является обычным явлением в любой механической отрасли, и затраты на замену огромны для компании. Одна из основных причин этого отказа заключается в том, что довольно сложно оценить целевую производительность любой машины для периодического обслуживания. Оценка требований к техническому обслуживанию машины / оборудования может свести к минимуму такие отказы.
Вот один из способов объяснить, как науку о данных можно использовать для прогнозирования обслуживания, необходимого для машины.
Техническое обслуживание машины
Самая важная работа, которая выполняется во время технического обслуживания машины, - это проверка и замена изношенных запасных частей, таких как валы, муфты, крепеж, шестерни, подшипники. Эти запасные части изнашиваются по прошествии определенного времени эксплуатации и в конечном итоге приводят к поломке машины. Если эти запасные части можно будет периодически проверять и заменять, это продлит срок службы машин.
Данные с машин
Машины устанавливаются с соответствующими датчиками в зависимости от их рабочего функционала. Эти датчики постоянно регистрируют вибрацию, температуру или перемещение машины. В этом примере датчик акселерометра использовался для обнаружения и регистрации вибраций, возникающих в подшипнике во время его использования. Вал проходит через четыре подшипника. Подшипники 1, 2, 3 и 4, которые постоянно приводятся в движение двигателем, соединенным резиновым ремнем со скоростью 20000 об / мин, и радиальная нагрузка действует на подшипники 2 и 3. Эти датчики регистрировали сигнал вибрации каждые 10 минут до тех пор, пока вышел из строя какой-либо подшипник.
Роль науки о данных
Эти данные о проверке на отказ можно использовать для определения режима работы элемента машины, а также для прогнозирования периодического обслуживания, которое для этого потребуется. Сенсорное наблюдение за всеми этими элементами с двух или трех машин в различных рабочих условиях может быть использовано для разработки прогнозной модели, которая прогнозирует периодическое обслуживание аналогичных машин для различных рабочих условий.
Профилактическое обслуживание
Модель профилактического обслуживания индивидуальна для каждой машины. Интеграция прогнозирующей модели с машиной позволит оценивать состояние оборудования, выполняя периодический (автономный) или непрерывный (онлайн) мониторинг состояния оборудования. Он прогнозирует техническое обслуживание машины до того, как она потеряет производительность в пределах порогового значения. Здесь у подшипников 3 и 4 были обнаружены дефекты после первого испытания на отказ. Каждый подшипник имеет два канала акселерометра для регистрации вибраций. Подшипники 1 и 2 демонстрируют равномерную вибрацию до нескольких последних циклов.
Используемый здесь набор данных не контролируется, поскольку ни одна из вибраций не была отнесена к каким-либо классам. Анализ начинается с формирования набора данных и построения из него классов для создания прогнозной модели.
Набор данных
Необработанные данные содержат 2156 наборов записей вибрации с 10-минутными интервалами между ними. Каждый из этого набора имеет 20000 вибросигналов со всех каналов. Этот набор данных нельзя использовать для прогнозирования, поскольку они не являются накопительными. Однако эта серия колебаний была предварительно преобразована в совокупные переменные.
- Средняя вибрация: средняя вибрация была взята для каждого из 2156 наборов записей. Чем выше среднее значение, тем больше вероятность того, что подшипник подвергнется сильным вибрациям.
- Стандартное отклонение. Аналогичным образом стандартное отклонение было взято из каждого набора. Высокое стандартное отклонение объясняет, что в каждом наборе регистрируются более высокие вибрации.
- Стандартная средняя ошибка (SME): изменение среднего значения для всех наборов.
- Обороты: вал вращается с помощью двигателя, работающего с постоянной скоростью 20000 об / мин (оборотов в минуту). Записи производились каждые 10 минут, поэтому были рассчитаны совокупные обороты подшипников.
- Скользящее среднее: каждое n-е скользящее среднее - это среднее значение от 0 до n.
- Средняя вибрация: вибрация, возникающая чаще всего.
- Нагрузка: нагрузка на подшипник.
Создание ярлыков путем кластеризации
Набор данных является неконтролируемым, что означает, что в нем не было никаких меток, чтобы указать, повреждает ли каждая вибрация подшипник или нет. Таким образом, набор данных, который был сформирован в функции, описанные ранее, помечен с использованием кластеризации k-средних. На графиках ниже приведены примеры двух каналов, показывающие, какая вибрация могла вызвать повреждение или нагрузку на подшипник. Основываясь на среднем значении средних колебаний в центрах кластеров, эти колебания были классифицированы как повреждения, световые нагрузки и стандартные. Более высокое стандартное отклонение показывает, что подшипник не вращался с одинаковой частотой вращения вала, что приводило к более высоким вибрациям.
Алгоритм: случайный лес
Набор данных с метками был обучен с использованием алгоритма случайного леса. Модель была обучена более 70% (набор данных для обучения) данных и использовалась для прогнозирования оставшихся 30% (набор данных для тестирования) данных. Набор обучающих данных был повторен по сетке гиперпараметров, и была выбрана модель с наилучшей точностью. Этот цикл предотвращает смещение модели, а также переоснащение данных. Лучшая модель имела почти 78% точности, однако она ошибочно классифицировала значительное количество стандартных вибраций как повреждающие. С другой стороны, модель правильно предсказала все колебания LigthStress и половину стандартных колебаний. Модель, ошибочно классифицирующая стандартную вибрацию как поврежденную, будет иметь меньшее влияние на стоимость, чем наоборот. Более того, ранний признак технического обслуживания поможет продлить срок службы Машины.
Порог отказа
Судя по графикам испытаний до отказов, подшипник медленно изнашивается после 250 миллионов оборотов. В совокупности имеется приблизительно 1000 стандартных, 1000 LightStress и 160 повреждающих вибраций за каждые 10 минут до 250 миллионов вибраций. Таким образом, когда подшипник входит в зацепление и модель в совокупности преодолевает любой из этих пороговых значений отказа, возникает немедленная потребность в техническом обслуживании.
Оставшийся полезный срок службы
Наконец, оставшийся полезный срок службы (RUL) оценивается на основе вероятности выживания (PS) против революций.
PS в каждом классе = 1 - (Общее количество классов) / (Общее количество классов)
PS (Повреждение), PS (LightStress), PS (Стандарт) рассчитываются по приведенной выше формуле, а общая вероятность выживания рассчитывается по формуле
Вероятность выживания = PS (урон) * PS (LightStress) * PS (стандартный)
Ниже приведена вероятность выживания подшипников 3 и 4 по каналам Chanel 6 и 7. Окончательный срок службы подшипника 3 составляет от 200 до 250 миллионов оборотов, а окончательный срок службы подшипника 4 составляет 150 миллионов оборотов.
Что произойдет, если вы сможете спрогнозировать оставшийся полезный срок службы машины?
Минимизируйте стоимость. Профилактическое обслуживание сводит к минимуму риск повреждения машины, что снижает частоту замены машины.
Повышение безопасности. Сведите к минимуму несчастные случаи из-за отказа машины.
Оптимизировать производство. Уменьшает количество узких мест во время производства из-за отказа машины.
Код и источник данных
