Машины прочно вошли в нашу жизнь. Сейчас мы живем в такой фазе, когда жизнь без машин кажется невозможной. С того момента, как мы просыпаемся и до сна, мы находимся в контакте с машинами. Они помогают в различных задачах, а в некоторых случаях автоматизируют их, облегчая работу людей. Поддержание машин в надлежащем состоянии имело бы такое большое значение. В этом блоге описываются технологии обслуживания машин.

Машины не бесконечно хороши. Они ухудшаются с течением времени, когда машина развертывается в среде. Некоторые из причин деградации устройства могут быть вызваны окружающей средой, например коррозией, неисправностью внутренних компонентов и т. д. Важно проанализировать основную причину неисправности и устранить ее. Здесь в игру вступает техническое обслуживание. Техническое обслуживание определяется как набор процедур, выполняемых для приведения машины в нормальное состояние.

Существует два типа технического обслуживания, а именно оперативное обслуживание и профилактическое обслуживание. В случае реактивного обслуживания мы ждем, пока машина выйдет из строя, а затем ремонтируем ее. Этот метод может быть полезен для бытовых машин, но не будет эффективен в случае промышленных машин, где производство останавливается из-за работ по техническому обслуживанию.

Что, если мы будем проводить техническое обслуживание регулярно, чтобы машина не вышла из строя? Это было бы полезно, поскольку техническое обслуживание выполняется заранее, и производство не нужно останавливать. Здесь в игру вступает второй тип обслуживания. Следовательно, таким образом машина не выйдет из строя и производство не остановится.

Но могут быть некоторые сценарии, когда обслуживание может не требоваться все время, что приводит к пустой трате денег. Так что, если бы мы могли найти точку, в которой машина выйдет из строя, и выполнить техническое обслуживание только перед этим? Это сэкономило бы нам много денег, а также предотвратило бы отказ машины. Здесь на помощь приходит профилактическое обслуживание.

Цель предупредительного обслуживания состоит в том, чтобы предсказать момент, когда машина может выйти из строя, и выполнить техническое обслуживание непосредственно перед этим, чтобы снизить затраты и сохранить машину. Точка, в которой машина выходит из строя, прогнозируется на основе предыдущих данных. Это звучит как решение, основанное на данных, и, если вы догадались, это приложение искусственного интеллекта и машинного обучения (это главный мотив для меня написать блог).

Для сбора данных с машин используются различные датчики и на их основе прогнозируется выход машины из строя. В профилактическом обслуживании используются следующие датчики:

  • Вибрация
  • Газ
  • Ускорение
  • Температура
  • Угол
  • Датчики давления
  • УЗИ (акустическое)

Такие датчики подключены к машине, которая через регулярные промежутки времени извлекает данные из машины и перекачивает их в центральную базу данных. За определенный период времени собирается огромный объем данных, на основе которых можно провести анализ для прогнозирования отказа.

После сбора данных следует их предварительная обработка, важнейший этап профилактического обслуживания. Проблема в полученных данных заключается в объеме. Алгоритмы не могут обрабатывать такие огромные объемы данных, а также для анализа может потребоваться только некоторый интервал данных. Следовательно, данные должны быть отобраны на основе определенных интервалов. Частота дискретизации должна быть больше или равна удвоенной фактической частоте данных. Это известно как критерий Найквиста, и это сделано, чтобы избежать алиасинга и других искажений.

Кроме того, датчики, собирающие данные, могут быть неэффективными все время, что приводит к искажению данных. Поэтому в конвейер предварительной обработки должны быть включены некоторые алгоритмы удаления шума. После этого извлекаются важные функции в зависимости от времени и частоты. Характеристики, основанные на времени, — это среднее, медиана, максимум, минимум и т. д., тогда как характеристики, основанные на частоте, — это асимметрия, эксцесс, относительная частота, кумулятивная частота и т. д.

После этого происходит процесс выбора признаков. Многие типы датчиков используются для целей мониторинга, и все это может не способствовать прогнозированию отказов. следовательно, мы можем использовать статистические меры, такие как корреляция, для выбора важных датчиков, имеющих отношение к задаче.

После всего этого наступает часть моделирования. Это моделирование можно разделить на два подхода в зависимости от поставленной задачи. Первый – обнаружение неисправностей. В этой задаче цель состоит в том, чтобы определить, выйдет ли машина из строя или нет. Это может быть достигнуто с помощью двухэтапного алгоритма. Первым шагом является прогнозирование временных рядов, которое будет предсказывать будущие значения на основе прошлых значений. второй представляет собой алгоритм бинарной классификации, работающий с будущими данными, сгенерированными алгоритмом временных рядов. этот алгоритм классификации обнаружит отказ в машине. Второй - предсказать срок службы машины. это определяется термином « Оставшийся срок полезного использования» (RUL). Алгоритмы регрессии могут быть смоделированы на основе данных датчика, чтобы предсказать RUL машины.

Последние достижения были достигнуты в области диагностического обслуживания за счет включения обучения с подкреплением, мультимодального обучения и т. д. Эта область выглядит очень многообещающей и интересной, имеет большую область применения и улучшения. Прогностическое обслуживание действительно является очень хорошим применением искусственного интеллекта, который также очень необходим для отрасли.