Ваша машина говорит. Ты слушаешь??

Ваша машина говорит. Ты слушаешь??

Введение:

Машины, установленные на промышленных предприятиях, очень энергоемки, и для их установки и обслуживания требуются огромные затраты для достижения бизнес-целей. Эти машины настолько важны, что любой простой машины напрямую влияет на рост бизнеса. Компании по всему миру используют обширные стратегии обслуживания, чтобы обеспечить их постоянную доступность. В настоящее время обеспечение эффективной работы машин играет ключевую роль в достижении климатических целей. Необходимо идеальное сочетание оптимизации существующих ресурсов ископаемого топлива, постепенного сокращения их использования и параллельного расширения инфраструктуры возобновляемых источников.

Мы все знаем, как возможности науки о данных революционизируют каждый рынок вокруг нас, например, медицинскую науку, электронную коммерцию, таргетинг и управление клиентами, авиационную промышленность и т. д. Те же возможности могут быть развернуты в промышленных машинах, поскольку здесь мы также имеем дело с общим элементом. «огромные ДАННЫЕ, генерируемые ERP и системами управления».

В этой статье я буду обсуждать со списком некоторые из вариантов, как мы можем использовать то же самое:

1. Прогнозирование оставшегося срока полезного использования машины

RUL (оставшийся срок службы машины) — это период времени между отказом машины и рабочим циклом машины. Например, скажем, машина имеет 15-летний срок службы, а фактический год эксплуатации составляет 5-й год, тогда RUL будет 10 лет.

Для дальнейшего чтения вы можете обратиться к моей статье, в которой показано, как можно предсказать RUL турбовентиляторного двигателя НАСА.

2. Обнаружение аномалии в машине перед сбоем

Что такое аномалия?

Аномалии — это точки данных, которые выделяются среди других точек данных в наборе данных и не подтверждают нормальное поведение данных. Эти точки данных или наблюдения отклоняются от обычных моделей поведения набора данных.

Методы обнаружения аномалий могут применяться к атрибутам машины, таким как датчики различных типов, установленные внутри и вокруг машины, для мониторинга критических параметров машины. Аномалии в данных датчика, в дальнейшем приводящие к поломке машины, могут быть выявлены заранее, и могут быть предприняты своевременные корректирующие действия.

Вот некоторые из методов, которые можно использовать для обнаружения аномалий:

IQR: межквартильный диапазон

Поэтапная стратегия – это:

1. Рассчитайте IQR, который представляет собой разницу между 75-м (Q3) и 25-м (Q1) процентилями.
2. Вычислите верхнюю и нижнюю границы выброса.
3. Отфильтруйте точки данных, выходящие за верхнюю и нижнюю границы, и пометьте их как выбросы.
4. Наконец, постройте выбросы поверх данных временного ряда.

Если ваши наборы данных имеют большой набор данных, тогда можно использовать PCA (анализ основных компонентов) или любой другой метод уменьшения размерности, чтобы уменьшить количество функций.

Кластеризация K-средних

Основная концепция заключается в построении всех точек данных, тогда Аномалия определяется как точка, которая находится слишком далеко от точки центра тяжести.

DBSCAN

DBSCAN (Пространственная кластеризация приложений с шумом на основе плотности) — это популярный метод обучения без учителя, используемый в алгоритмах построения моделей и машинного обучения. Говоря простым языком, в основном он пытается сгруппировать большие записи нормальных рабочих значений датчика как кластер высокой плотности и меньшее количество записей аномалий в значениях датчика как кластер низкой плотности.

Для дальнейшего чтения проверьте эту ссылку

https://medium.com/@elutins/dbscan-what-is-it-when-to-use-it-how-to-use-it-8bd506293818

ИЗОЛЯЦИЯ Леса

Isolation Forest — это неконтролируемый алгоритм обнаружения аномалий, который использует алгоритм случайного леса (деревья решений) для обнаружения выбросов в наборе данных. Алгоритм пытается разбить или разделить точки данных таким образом, чтобы каждое наблюдение было изолировано от других. Обычно аномалии лежат вдали от кластера точек данных, поэтому аномалии легче изолировать по сравнению с обычными точками данных.

LSTM

Модель глубокого обучения с долговременной кратковременной памятью (LSTM) также можно использовать для первого прогнозирования показаний «датчика», а затем разница между прогнозируемым значением и фактическим значением поможет выявить аномалию.

4. Понимание корреляции между индикатором производительности ключа машины и различными атрибутами.

На промышленном предприятии для любой машины существует множество факторов, которые влияют или имеют отношение к производительности машины. Эта связь может быть выявлена ​​и проанализирована, чтобы лучше понять машину, что еще больше расширит возможности специалистов по эксплуатации и техническому обслуживанию для эффективного принятия ключевых решений, связанных с эксплуатацией и обслуживанием машины.

На приведенном ниже рисунке, относящемся к газовому генератору и его атрибутам, показано, как это будет выглядеть. На этом рисунке показана важность различных атрибутов машины, влияющих или коррелирующих с ключевым показателем производительности машины, которым является электроэнергия, вырабатываемая генератором газового двигателя. Эта корреляционная визуализация создается с использованием моделей регрессии машинного обучения в режиме онлайн, извлекающих данные из систем управления машинами.

Концепция показана ниже:

Этот метод выявления корреляций называется «ВАЖНОСТЬ ФУНКЦИИ» в области машинного обучения. Вот некоторые из способов использования важности признаков:

1. Встроенные возможности Decision Forest и регрессионной модели Adaboost.

2. Техника комбинаций перестановок.

Вышеупомянутый метод требует больших ресурсов, и его развертывание на технологическом предприятии, имеющем сотни единиц оборудования, может быть очень громоздким и сложным. Стратегия, которую я предлагаю, состоит в том, чтобы создать различные сегменты оборудования на основе истории их обслуживания в прошлом, критичности для предприятия, аспектов безопасности, характера обслуживания и т. д., а затем применить стратегию профилактического обслуживания к большинству оборудования, попадающего в самые верхние сегменты. Этот процесс сегментации может быть достигнут и ориентирован на данные с использованием концепции кластеризации, которая является типом машинного обучения неконтролируемого типа.

Я попытался объяснить концепцию вместе с практической демонстрацией в своей статье, ссылка на которую указана ниже.

Вывод:

В моей статье я обсудил, как мы можем прослушивать машину с помощью данных и предпринимать упреждающие действия. Эти методы не только помогут максимально увеличить доступность и надежность машины, но также помогут оптимизировать расходы на техническое обслуживание за счет сведения к минимуму необоснованных плановых работ по техническому обслуживанию.

Одним из самых больших преимуществ применения возможностей науки о данных является то, что это помогает специалистам по эксплуатации и техническому обслуживанию иметь возможность «СОЕДИНЯТЬСЯ» с машиной — это лучший способ, и когда вы подключены к машине, вы всегда будете действовать. предварительно поломка машины.

Понравилась статья? Станьте участником Medium, чтобы продолжать обучение без ограничений. Я получу небольшую часть вашего членского взноса, если вы перейдете по следующей ссылке, без каких-либо дополнительных затрат с вашей стороны.