Предиктивное техническое обслуживание без экспертизы в машинном обучении

Среди инженеров растет мнение, что предиктивное техническое обслуживание стало практически исключительной областью методов искусственного интеллекта, заставляя их осваивать навыки машинного обучения. На самом деле эксперты MathWorks показывают, что надежную предиктивную систему обслуживания можно построить без глубоких знаний ML.

Четырехэтапный рабочий процесс

В недавнем интервью EDN старший менеджер по продуктовому маркетингу Адитья Бару изложил четырехшаговый рабочий процесс и подсветил специализированные инструменты, охватывающие каждый этап.

Рисунок 1. Базовый рабочий процесс предиктивного обслуживания состоит из четырех шагов. Источник: MathWorks

1. Обработка данных

Для инженеров, не являющихся специалистами по данным, просеивание огромных объемов сырых сенсорных данных, генерируемых промышленными активами — ветряными турбинами, генераторами, насосами, двигателями — может быть пугающей задачей. Реактивный двигатель или насос на нефтедобывающей платформе могут легко производить терабайт данных в день, что делает обнаружение неисправностей в таких объемах практически невозможным.

Бару объясняет, что инженеры могут начать с мониторинга входящих потоков данных на предмет тонких изменений, выявления ранних признаков деградации и определения коренной причины аномального поведения. Например, спектральный анализ постоянно вращающегося насоса может выявить частоты неисправностей, отличающие нормальную работу от предстоящего отказа.

Рисунок 2. Инженеры могут обнаруживать утечки и закупорки в насосах, отслеживая изменения трения двигателя. Источник: MathWorks

2. Индикаторы состояния

Столкнувшись с 100 образцами временных рядов, цель — свести их к одному информационно насыщенному числу — индикатору состояния. Этот этап уменьшения данных конденсирует большой набор данных в управляемый набор признаков, сохраняющий все релевантную динамику.

В недавнем сотрудничестве с Daimler Mercedes инструменты MathWorks свели массивные временные ряды с производственной линии к компактному набору признаков — паттернов, временных задержек и другой статистики — уменьшив объем данных в 250 раз.

Рисунок 3. Инженеры могут извлекать признаки из сырых сенсорных данных и создавать индикаторы состояния, используя временные и частотные методы. Источник: MathWorks

3. Предиктивная модель

С конденсированным набором данных, верно представляющим исходные, инженеры могут применить ряд классических методов моделирования — временных рядов, статистических или вероятностных — без необходимости глубокой экспертизы в AI или ML. Эти методы давно укоренились в инженерном сообществе и поддерживаются набором инструментов Predictive Maintenance Toolbox в MATLAB.

Бару ссылается на Safran, аэрокосмическую компанию, использующую методы кондиционирования сигналов в MATLAB для прогнозирования отказов компонентов, что демонстрирует высокую эффективность традиционных инженерных подходов.

Рисунок 4. Predictive Maintenance Toolbox позволяет инженерам оценивать остаточный ресурс (RUL) и предоставлять доверительные интервалы, связанные с прогнозом. Источник: MathWorks

4. Развертывание алгоритма

Последний и, пожалуй, самый критичный шаг — развертывание предиктивной модели в производстве. У инженеров есть несколько вариантов: встроить модель локально на машине, запустить её на ближайшем пограничном компьютере или передавать данные в облачные сервисы, когда связь позволяет.

Реализация предиктивного обслуживания через этот четырехшаговый рабочий процесс позволяет инженерам предоставлять сервис обслуживания, который держит машины в рабочем состоянии 90% времени. Набор специализированных инструментов доступен для эффективного управления каждым шагом.

>> Эта статья изначально публиковалась на нашем партнерском сайте EDN.