Эта история изначально была написана для премии Расширенные навыки письма для артикуляционных исследований (AWSAR) 2018 года. Она написана нетехническим языком, чтобы быть доступной как можно большему количеству людей, независимо от их образования. Рассказ также вошел в список 100 лучших рассказов премии. Полный список лауреатов и их истории можно посмотреть здесь.
Прелюдия
Восходящее солнце своим нежным светом знаменует приход утра. Щебетание птиц, а также время на наших часах, иногда с ревом будильника, подтверждают наступление утра. Каждый из них, среди нескольких других, является индикатором утра. Но можем ли мы узнать об утре, следуя только одному индикатору? Давайте обдумаем. Что, если небо облачно и мы не видим восхода солнца, означает ли это, что утро еще не наступило? Конечно, нет! Наш будильник будет напоминать нам об утре независимо от того, есть солнце или нет. Но что, если в какой-то момент наши часы не работают. В таком случае могут чирикать птички, или взойдет солнце, или наши близкие могут напомнить нам, что уже утро. Так что, по сути, мы обычно не ищем только один индикатор, а рассматриваем несколько индикаторов. Если один индикатор не работает, мы можем проверить другой и, таким образом, убедиться. Очень маловероятно, что все индикаторы выйдут из строя одновременно.
Так что, похоже, лучший способ получить представление о событии — не полагаться только на один индикатор. Скорее, наблюдайте за несколькими индикаторами и в зависимости от их совокупного состояния делайте выводы. Таким образом, мы намеренно добавляем избыточность, чтобы получить надежные результаты. Это именно то, что мы делаем при диагностике неисправностей машин. Диагностика неисправностей — это широкий термин, который охватывает в основном три вопроса. Во-первых, выяснить, есть ли неисправность в машине или нет. Если неисправность присутствует, следующий вопрос заключается в поиске места неисправности. После того, как место неисправности найдено, наконец, выясните тип неисправности и ее серьезность. В этой статье мы ограничимся только последним аспектом. Но для простоты мы по-прежнему будем использовать термин «диагностика неисправностей» для решения этой конкретной проблемы.
Метод
Для определения исправности машины мы собираем набор показателей, которые лучше всего объясняют состояние машины. На научном жаргоне мы называем эти особенности. Прежде чем продолжить обсуждение, давайте сначала обсудим, что это за функции и как они рассчитываются.
Во-первых, необходимо собрать данные с машины, состояние которой нужно оценить. Данные могут относиться к уровню вибрации машины, распределению ее температуры, звуку, издаваемому машиной, или чему-то еще. Датчики необходимы для сбора каждого типа данных. По аналогии термометр, который используется для измерения температуры тела человека, представляет собой датчик, измеряющий температуру. Аналогичным образом доступны различные типы датчиков для измерения различных величин, связанных с машиной. Исследования показали, что данные на основе вибрации более подходят для диагностики неисправностей по сравнению с другими типами данных, например, температурой или звуком. Поэтому в этой статье мы ограничим наше внимание диагностикой неисправностей на основе вибрации. А датчик, который чаще всего используется для измерения вибрации машины, называется акселерометром. Из данных, собранных акселерометрами, мы рассчитываем такие характеристики, как максимальный уровень вибрации, а также минимальный уровень и другие статистические характеристики, такие как асимметрия, эксцесс и т. д. Нередко можно собрать 10–15 характеристик.
После сбора признаков следующая задача — выяснить, какие типы ошибок присутствуют при использовании этих признаков. Один из способов сделать это — сравнить полученные значения характеристик с ранее существовавшими стандартами. Но стандарты доступны для нескольких специализированных случаев, когда каждая функция рассматривается отдельно. Для нескольких функций конкретная информация не может быть получена из стандартов. Выход из этой проблемы состоит в том, чтобы придумать алгоритм, который принимает все значения признаков в качестве входных данных и выдает выходные данные, связанные с типом присутствующей неисправности.
Построение такого алгоритма требует подачи в него априорных ошибочных и исправных данных аналогичной машины. В идеале алгоритм должен хорошо работать с этими априорными данными. После того, как точная настройка его параметров выполнена, новые данные загружаются в алгоритм, и на его выходе мы делаем вывод о типе неисправности. Если алгоритм построен тщательно, ошибка в предсказании типа неисправности будет очень мала. В некоторых случаях также можно получить идеальную точность. Только что рассмотренная проблема является подклассом широкой области, называемой распознаванием образов. При распознавании образов мы пытаемся найти основные закономерности в функциях, которые соответствуют разным типам ошибок. Этот тип задач распознавания образов лучше всего выполняется алгоритмами машинного обучения. Только что описанная простая техника прекрасно работает для большого класса задач. Но существуют некоторые проблемы, для которых ранее вычисленные признаки недостаточны для выявления неисправности. Однако можно изменить метод, используя преобразование данных, а также функции. Преобразования — это способ преобразования исходных данных в другой тип, чтобы после преобразования из них можно было получить больше информации. Это похоже на использование логарифмов в математике для выполнения сложных вычислений. Хотя прямое вычисление сложных операций умножения и деления затруднено, с помощью логарифмирования мы преобразуем исходную задачу в более простую форму, которую можно легко решить за меньшее время. Трюк преобразования вместе с методами распознавания образов удивительно эффективны для большинства задач диагностики неисправностей.
Недавние достижения
До сих пор мы утверждали, что избыточность важна. Это помогает нам принимать надежные решения. Однако это требует сбора огромных объемов данных. Таким образом, непрерывный мониторинг машины, также известный как онлайн-мониторинг, становится невозможным. Поэтому мы ищем алгоритм, способный находить типы неисправностей, используя всего несколько измерений. Один из способов сделать это — выбрать несколько важных функций, которые могут выполнять диагностику неисправностей. Исследования показывают, что это действительно возможно. Но просто найти лучшие черты недостаточно. Потому что для расчета признаков, пусть и небольших по количеству, нам нужно собрать все данные. Следовательно, проблемы, связанные с онлайн-мониторингом, все еще будут существовать. Способ обойти эту проблему состоит в том, чтобы собирать не все данные, а только их часть случайным образом во времени. И данные должны собираться таким образом, чтобы из этих ограниченных наблюдений можно было извлечь всю информацию о машине. Даже оптимистичная цель состоит в том, чтобы восстановить исходные данные из ограниченного количества собранных данных. По аналогии это похоже на восстановление речи человека, говорящего, скажем, 3000 слов, по 300 случайным словам, которые вы запомнили из всей его речи. Только что описанная проблема известна как сжатое восприятие. И каким бы нелогичным это ни казалось, обнадеживающие результаты для этой задачи получены в обработке сигналов, и эти методы начинают применяться к задачам диагностики неисправностей. Проблема все еще находится в зачаточном состоянии в области диагностики неисправностей.
Что мы узнали (и что мы не узнали!)
Таким образом, мы узнали, что для диагностики сбоев нам нужны несколько функций, и иногда нам приходится преобразовывать данные в разные домены для большей точности. Затем мы заметили, что можем избавиться от избыточности, присущей этому методу, используя методы сжатого зондирования. Все эти методы относятся к методам, управляемым данными. Это называется управляемым данными, потому что все анализы выполняются после того, как мы соберем соответствующие данные с машины. Эти методы имеют довольно общее назначение и могут использоваться для диагностики неисправностей в различных компонентах, например, для обнаружения неисправностей в автомобилях или других машинах.
Помимо методов, управляемых данными, существует еще один класс методов, которые носят широкое название методов, основанных на модели. В методах, основанных на моделях, мы формулируем полную математическую модель машины, а затем пытаемся выяснить, как изменяется реакция модели, если вводится неисправность, и, используя этот факт, пытаемся найти природу неисправности для новой проблемы. Хотя методы, основанные на моделях, важны сами по себе, в некоторых случаях становится очень трудно найти точную модель системы. Напротив, методы, основанные на данных, более устойчивы к внешнему шуму и гибки, что означает, что мы можем выполнять различный анализ, используя одни и те же данные, и получать разные выводы. Еще одним преимуществом использования методов, управляемых данными, является то, что весь процесс диагностики неисправностей можно легко автоматизировать.
В этой статье мы рассмотрели только область диагностики неисправностей. При диагностике неисправностей неисправности уже присутствуют, и мы хотим либо обнаружить их, либо разделить в зависимости от типа неисправности. Но существует еще одна ветвь, которая занимается способами прогнозирования времени возникновения неисправности в будущем, учитывая текущее состояние. В основном они определяют оставшийся срок полезного использования машины. Эта подветвь называется прогнозированием разломов, что также является активной областью исследований.
Учитывая прогресс в исследованиях и возможности автоматизации, возможно, в не столь отдаленном будущем можно будет получать на свой телефон обновления о возможной неисправности какой-либо части вашего автомобиля во время вождения автомобиля или во время поездки на беспилотном автомобиле. машина, может!!
