Мы живем в мире, который связывает жизнь с технологиями. Большую часть времени мы прямо или косвенно проводим с машиной. Может быть, это ваши часы или лифт, который раньше поднимался на ваш этаж. Иногда ломать их неудобно. Если вы находитесь в сломанном лифте, это поднимет вам настроение и приведет к потере точного времени.
Профилактическое обслуживание пытается спрогнозировать отказ и выполнить профилактические операции, чтобы повысить доступность систем. Некоторые поломки могут быть дорогостоящими, а профилактическое обслуживание при правильном выполнении может привести к значительной экономии средств и повышению доступности.
Эта экономия бывает двух видов.
- Во-первых, избегая простоев, мы исключаем стоимость этих простоев, которые иногда являются деньгами, а иногда - недовольством клиентов.
2. С другой стороны, это позволяет нам оптимизировать периодическое техническое обслуживание.
Расчистите путь к реализации
Определите проблемную область
Реализовать такую систему нетривиально. Требуются серьезные исследования истории событий и определение их соответствия контексту. Лучше моделировать сценарий, используя минимальное количество параметров. Потому что увеличение количества параметров в модели также может увеличить ее сложность. Значит, требуется удаление ненужных событий. Например, влияние направления ветра на поломку автомобиля может быть несущественным или может быть несущественным для контекста. Но может быть какая-то связь, которой мы не можем избежать.
Ранние и поздние прогнозы
Требуется заранее спрогнозировать техническое обслуживание, но не слишком рано [Ранние прогнозы]. Так же как и прогнозирование технического обслуживания после отказа не заслуживает [Поздние прогнозы]. Позднее предсказание - худшее, что могло случиться. Поэтому при реализации такой системы рекомендуется избегать поздних прогнозов и минимизировать ранние прогнозы.
Вариант использования деградации турбовентиляторного двигателя
В НАСА использовали графики фиксированных параметров управления для управления двигателем номинальной мощности. Но износ компонентов двигателя приводит к нештатной работе, что приводит к потере производительности во время работы. Таким образом, этот фиксированный график управления не является оптимальным для двигателя, который со временем ухудшается.
Данный набор данных был опубликован НАСА для прогнозирования оставшегося полезного срока службы (RUL) турбовентиляторных двигателей на основе показаний их датчиков. Наборы данных состоят из нескольких многомерных временных рядов. Каждый набор данных делится на обучающие, тестовые и наземные данные. Считается, что все двигатели относятся к одному типу, причем двигатель запускается с разной степенью начального износа и вариациями в производственном процессе, которые неизвестны пользователю. Есть три дополнительных параметра, которые влияют на производительность каждой машины. Есть 21 датчик, собирающий различные измерения, связанные с состоянием двигателя во время работы. Кроме того, эти данные загрязнены шумом датчиков.
Двигатель работает нормально в начале каждого временного ряда, и в какой-то момент в течение этого ряда возникает неисправность. Неисправность возрастает до отказа системы. Временной ряд заканчивается за некоторое время до сбоя. Цель этого эксперимента - предсказать оставшиеся полезные жизненные циклы после последнего цикла, в котором двигатель будет продолжать работать.
Поток
Этап 1: определение критериев оценки
Поскольку это проблема регрессионного типа, методы оценки должны соответствовать этому контексту. Цель оценки - измерить разницу между фактическим значением и прогнозируемым значением. Среднеквадратичная ошибка - хороший метод оценки, поскольку он серьезно наказывает за большие ошибки.
После обучения модели набор данных тестирования применяется к сгенерированной модели для прогнозирования значений. На основе прогнозируемых значений и достоверных данных можно рассчитать среднеквадратичную ошибку.
Фаза 2: определение текущего состояния
Прежде чем переходить к подробному тестированию, необходимо знать о текущем состоянии эксперимента. Таким образом, без выполнения какого-либо процесса разработки функций для набора данных исходный набор данных применялся поверх различных алгоритмов машинного обучения. Результаты представлены ниже.
Этап 3. Использование автокодировщиков для удаления шумов
В описании проблемы указано, что показания датчика загрязнены шумами. Итак, перед переходом к следующему шагу необходимо устранить шумы. Вы можете использовать автокодировщики для измерения ошибки восстановления, и на основе ошибки можно удалить шумы.
Этап 3: выбор функций
Используйте важность функции или рекурсивное исключение функции, чтобы выбрать наиболее важные функции для окончательного вывода. Потому что выбор всех функций может быть не оптимальным подходом, который может увеличить сложность модели.
Примечание. Функцию следует выбирать в соответствии с алгоритмом, который будет использоваться.
Этап 4: Разработка функций
На этом этапе набор обучающих данных обновляется новыми функциями (столбцами), созданными на основе существующих данных. Например, вычисление скользящего среднего, скользящее стандартное отклонение, автокорреляция и т. Д. Могут быть добавлены в качестве новых функций в набор данных.
Это поможет алгоритмам машинного обучения определять закономерности в наборе данных.
Этап 5: Оптимизация гиперпараметров с помощью поиска по сетке
Помимо настройки набора данных, модель также необходимо настроить для идентификации существующих шаблонов в наборе данных. Выполнение поиска по сетке может определить лучшие гиперпараметры в соответствии с оценочной метрикой.
Обычно каждая модель имеет значения гиперпараметров по умолчанию, которые могут не быть оптимальной конфигурацией для данного контекста.
Обсуждение
Основная цель профилактического обслуживания - предсказать, когда может произойти отказ оборудования. Затем предотвратите эту неудачу, приняв соответствующие меры. Система прогнозирующего обслуживания (PMS) отслеживает будущие отказы и заранее планирует обслуживание. Это также снижает частоту обслуживания.
Это дает экономию нескольких средств.
- Сведите к минимуму время, необходимое для обслуживания конкретного оборудования, и позвольте этому времени быть продуктивным.
- Минимизируйте стоимость обслуживания.
PMS эффективно впишется в сценарии, в которых сбои могут быть устранены с минимальными затратами, и в системы, которые имеют критически важные рабочие функции.
Плюсы.
PMS гарантирует, что система остановится только прямо перед неизбежным отказом. Это увеличит время безотказной работы системы за счет сокращения общего времени и затрат на обслуживание компонентов.
Минусы.
В отличие от профилактического обслуживания, это потребует сложной системы для мониторинга оборудования, необходимого для профилактического обслуживания. Для точной интерпретации условий выполнения технического обслуживания на основе собранных данных также требуется дополнительный набор навыков.
Поскольку сбор данных об отказах является дорогостоящим, трудно определить закономерности отказов.
