Pomiń nawigację

Konserwacja zapobiegawcza

Dowiedz się, jak można używać sztucznej inteligencji do przewidywania awarii, zapobiegania im oraz maksymalizowania okresu eksploatacji

Introduction

Niezaplanowane przestoje sprzętu mogą mieć niekorzystny wpływ na każdą firmę. Zapewnienie ciągłego działania sprzętu ma krytyczne znaczenie w procesie maksymalizowania wykorzystania i minimalizowania kosztownych, niezaplanowanych przestojów, a także minimalizowania zagrożeń dla zdrowia, bezpieczeństwa i środowiska. Celem strategii konserwacji predykcyjnej jest wydłużenie okresu eksploatacji sprzętu i zapobieganie jego awariom. Wykrywanie anomalii to typowe podejście, ponieważ umożliwia ono wykrywanie, gdy urządzenie zachowuje się w sposób inny niż oczekiwany. Rozwiązania do wykrywania anomalii są zwykle dokładniejsze niż proste metody wykrywania awarii oparte na regułach i są użyteczne w zapobieganiu kosztownym awariom i przerwom w działaniu.

Prepare data

Pierwszym krokiem rozwiązania do konserwacji predykcyjnej jest przygotowanie danych. Obejmuje to pozyskiwanie danych, czyszczenie i inżynierię funkcji. Problemy z konserwacją predykcyjną zwykle dotyczą danych, takich jak:

  • Informacje o urządzeniu (np. rozmiar silnika, marka i model)
  • Dane telemetryczne (np. dane czytnika, takie jak temperatura, ciśnienie, wibracje, właściwości płynu i prędkości działania)
  • Historia konserwacji i interwencji: historia napraw urządzenia i dzienniki dotyczące jego uruchamiania
  • Historia awarii: historia awarii wybranego urządzenia lub jego składnika.

Aby przewidywać awarie, dane muszą zawierać przykłady powodzeń i niepowodzeń. Podanie dużej liczby przykładów spowoduje uzyskanie lepszych modeli konserwacji predykcyjnej podlegających generalizacji. Ważne jest również, aby mieć dane z urządzeń, na których wystąpiła awaria, oraz z urządzeń, które nadal działają. Dane mogą obejmować odczyty ze sprzętu, na którym wystąpiły błędy z powodu interesującego Cię problemu, oraz dane z urządzeń, na których awarie wystąpiły z innych przyczyn. W obydwu przypadkach im większa ilość danych, tym lepsze rozwiązanie.

Build and train

Wiele rozwiązań do konserwacji predykcyjnej używa modeli klasyfikacji z obsługą wielu klas do obliczania pozostałego okresu eksploatacji zasobu. Użyj konserwacji predykcyjnej dla klasyfikacji z obsługą wielu klas, jeśli chcesz przewidzieć dwa wyniki, np. zakres czasu awarii oraz prawdopodobieństwo wystąpienia awarii z powodu jednej z wielu głównych przyczyn. Oprócz wybrania właściwych algorytmów pomyślnie działający model wymaga odpowiednio dostosowanych hiperparametrów. Są to parametry, takie jak liczba warstw w sieci neuronowej, ustawiane przed rozpoczęciem procesu uczenia. Hiperparametry są często określane przez analityka danych za pomocą metody prób i błędów. Wpływają one na dokładność i wydajność modelu, a wyszukanie optymalnych wartości często wymaga kilku iteracji.

Każde uruchomienie procesu uczenia spowoduje wygenerowanie metryk używanych do oceny efektywności modelu. Dokładność to najpopularniejsza metryka używana do opisywania wydajności klasyfikatora, ale w rozwiązaniach do konserwacji predykcyjnej są również często używane wyniki F1 i dotyczące kompletności. Dokładność jest definiowana jako liczba wyników prawdziwie dodatnich w stosunku do sumy liczby wyników prawdziwie dodatnich i fałszywie dodatnich, natomiast kompletność oznacza liczbę wyników prawdziwie dodatnich w stosunku do sumy liczby wyników prawdziwie dodatnich i fałszywie dodatnich dla wystąpień przewidywania awarii. Wyniki F1 uwzględniają współczynniki dokładności i kompletności.

Deploy

Po zidentyfikowaniu najbardziej efektywnego wariantu modelu trzeba będzie wdrożyć go jako usługę internetową z punktem końcowym REST. Model jest wtedy wywoływany przez aplikacje biznesowe lub oprogramowanie analityczne. Jednak w przypadku konserwacji predykcyjnej kompleksowe architektury uwzględniają często dane telemetryczne urządzeń w czasie rzeczywistym, które są gromadzone przez systemy takie jak usługa Azure Event Hubs. Dane są pozyskiwane przez usługę Stream Analytics i przetwarzane w czasie rzeczywistym. Przetworzone dane są przekazywane do usługi internetowej modelu predykcyjnego, a wyniki są wyświetlane na pulpicie nawigacyjnym lub przesyłane do mechanizmu alertów, który informuje techników lub personel serwisowy o problemach. Pozyskane dane można również przechowywać w historycznych bazach danych i scalać z danymi zewnętrznymi, takimi jak lokalne bazy danych, w celu ich szybkiego przekazywania do przykładów uczenia na potrzeby modelowania. W przypadku scenariuszy Internetu rzeczy model może być wdrożony na krawędzi, aby wykrywanie mogło odbywać się jak najbliżej zdarzenia, zarówno w czasie, jak i przestrzeni.

Customers are doing great things with AI