Реализация профилактического обслуживания без навыков машинного обучения

В наши дни инженеры все больше думают, что профилактическое обслуживание теперь является почти исключительной областью методов искусственного интеллекта (ИИ) и что им в первую очередь необходимо изучить машинное обучение (ML) и навыки нейронных сетей для реализации таких приложений. По словам Адитьи Бару, старшего менеджера по маркетингу продуктов в MathWorks, инженеры по-прежнему могут развертывать профилактическое обслуживание без изучения новых навыков ИИ и машинного обучения.

В недавнем разговоре с EDN Бару выделил четыре основных шага для реализации профилактического обслуживания и добавил, что для каждого шага доступны специализированные инструменты.

Рис. 1. Базовый рабочий процесс профилактического обслуживания состоит из четырех основных шагов. Источник:MathWorks

1. Обработка данных

Для инженеров, которые не занимаются исследованием данных или не имеют опыта работы в машинном обучении, нелегко просматривать большие объемы данных, генерируемых датчиками и промышленными устройствами, такими как ветряные турбины, генераторы, насосы и двигатели. Данные, с которыми имеют дело инженеры, - это в основном необработанные данные; он грязный и нечистый.

Реактивный двигатель или масляный насос при разведке может легко создавать терабайт данных каждый день; А теперь представьте, что вы ищете неисправные условия в терабайте данных. Итак, что могут сделать инженеры? «Инженеры могут просматривать данные, поступающие в больших количествах, выяснять, меняется ли что-нибудь в необработанных данных, выявлять любые нарушения в работе системы и определять, почему система ведет себя ненормально», - сказал Бару.

Например, в насосе для разведки нефти одна вещь с необработанными данными, на которую могут взглянуть инженеры, - это спектральный анализ насоса, который продолжает вращаться. Таким образом, они могут идентифицировать частоты, на которых появляются неисправности. «Хотя инженеры уже знакомы с машиной, теперь им нужно определить, что работает лучше всего».

Рис. 2. Инженеры могут обнаруживать утечки и засоры в насосах, отслеживая изменения трения двигателя. Источник:MathWork

Это подводит нас ко второму базовому шагу, индикаторам состояния, методу сокращения данных.

2. Индикаторы состояния

Если у инженера есть 100 выборок данных временных рядов, он должен суметь сократить их до единственного числа, и это единственное число должно отражать всю релевантную информацию в этих 100 выборках. «Идея состоит в том, что вы берете огромный набор данных и сокращаете его до меньшего числа функций».

Бару упомянул недавний проект, в котором MathWorks работал с Daimler Mercedes над приложением для обнаружения аномалий, которое анализирует большой объем данных временных рядов и выясняет, есть ли на производственной линии какие-либо аномалии. Здесь инструменты MathWorks сокращают большие объемы данных до меньшего набора функций, таких как шаблоны и временные задержки, чтобы сократить обработку данных в 250 раз.

Рис. 3. Инженеры могут извлекать особенности из необработанных данных датчиков и создавать индикаторы состояния, используя методы, основанные на времени и частоте. Источник:MathWork

Теперь, когда инженеры рассматривают меньшее количество индикаторов состояния, они могут построить прогнозную модель на основе этих индикаторов состояния.

3. Прогностическая модель

Имея гораздо меньший набор данных, который представляет весь большой набор данных и фиксирует уникальную информацию, инженеры могут использовать подходящие инструменты для создания моделей прогнозирующего обучения, не обязательно изучая наборы навыков ИИ и машинного обучения.

Различные модели, такие как модели временных рядов, статистические модели и вероятностные модели, в равной степени применимы для построения прогнозных моделей. «Существует множество традиционных инженерных методов для построения прогнозных моделей», - сказал Бару.

Рис. 4. Predictive Maintenance Toolbox позволяет инженерам оценить оставшийся срок полезного использования (RUL) и предоставить доверительные интервалы, связанные с прогнозом. Источник:MathWorks

Инженеры также могут перепрофилировать инструмент для немного другого приложения. Бару упомянул Safran, аэрокосмическую компанию, которая использует методы согласования сигналов, чтобы предсказать, когда система может выйти из строя. Работа выполняется в MATLAB, среде программирования для разработки алгоритмов, анализа данных, визуализации и числовых вычислений.

4. Развертывание алгоритма

Четвертый шаг, вероятно, самый важный:развертывание алгоритма прогнозной модели в производственной среде. Инженеры могут развернуть алгоритмы несколькими способами. Это включает в себя прогнозную модель, встроенную локально в машину, небольшой компьютер, работающий локально как локальный сервер, или данные, передаваемые в облачные службы, когда подключение возможно.

Прогностическое обслуживание, реализованное в этом четырехэтапном рабочем процессе, позволяет инженерам развернуть службу технического обслуживания, которая может гарантировать, что машина будет оставаться в рабочем состоянии 90% времени. Также доступны инструменты для эффективного управления всеми этими четырьмя основными этапами.

>> Эта статья была первоначально опубликована на наш дочерний сайт EDN.