Пропустить навигацию

Диагностическое обслуживание

Узнайте, как ИИ можно использовать для прогнозирования сбоев и их предотвращения, а также для максимизации полезного срока службы оборудования

Introduction

Незапланированный простой оборудования может причинить ущерб любому предприятию. Важно поддерживать рабочее состояние используемого оборудования, чтобы обеспечить максимально эффективное использование ресурсов и минимизировать время дорогостоящих незапланированных простоев, а также риски, связанные с работоспособностью, безопасностью и средой. Целью стратегии прогнозного обслуживания является увеличение полезного срока службы оборудования и предотвращение сбоев. Часто используется обнаружение аномалий, потому что с его помощью можно определить, когда устройство ведет себя не так, как ожидалось. Решения по обнаружению аномалий обычно являются более точными, чем простые методы обнаружения сбоев, основанные на правилах, и полезны при попытках предотвратить дорогостоящие сбои и простои.

Prepare data

Первый шаг решения диагностического обслуживания — подготовка данных. Она включает в себя прием и очистку данных, а также проектирование признаков. Проблемы прогнозного обслуживания обычно включают такие данные, как:

  • характеристики автомобиля (например, объем двигателя, марка и модель);
  • данные телеметрии (например, данные таких датчиков, как температура, давление, вибрация, свойства гидродинамики и рабочие скорости);
  • журналы обслуживания и вмешательства (журнал ремонтов автомобиля и журналы среды выполнения);
  • журнал поломок (журнал поломок автомобиля или его деталей).

Чтобы спрогнозировать сбои, данные должны содержать как успешные операции, так и сбои. Чем больше примеров, тем более универсальные модели прогнозного обслуживания вы получите. Также важно иметь данные с тех устройств, в которых возник сбой, и тех, которые все еще находятся в эксплуатации. Данные также могут включать показания с оборудования, в котором произошел сбой из-за определенной проблемы, которая вас интересует, а также данные с устройств, где произошел сбой по другим причинам. В обоих случаях чем больше данных, тем лучше для решения.

Build and train

Многие решения прогнозного обслуживания используют многоклассовые модели классификации для расчета оставшегося срока полезного использования ресурса. Прогнозное обслуживание на основе многоклассовой классификации используется, если необходимо спрогнозировать два результата, например диапазон времени для отказа, а также вероятность отказа из-за одной из нескольких причин. В дополнение к выбору правильных алгоритмов, для успешной модели необходимы хорошо настроенные гиперпараметры. Эти параметры, такие как количество слоев в нейронной сети, задаются до начала процесса обучения. Гиперпараметры часто задаются специалистом по обработке и анализу данных методом проб и ошибок. Они влияют на точность и эффективность модели, а для нахождения оптимальных значений часто требуется много итераций.

В ходе каждого тренировочного прогона создаются метрики, используемые для оценки эффективности модели. Точность выступает наиболее популярной метрикой, используемой для описания эффективности классификатора, хотя в решениях прогнозного обслуживания часто используется полнота и показатели F1. Точность определяется как количество истинно положительных результатов относительно суммы истинно положительных и ложноположительных результатов, а полнота обозначает количество истинно положительных результатов относительно суммы истинно положительных и ложноотрицательных результатов для экземпляров прогнозирования отказа. Показатели F1 учитывают как показатели точности, так и отзыва.

Deploy

После определения самого эффективного варианта модели ее следует развернуть как веб-службу с конечной точкой REST. После этого модель смогут вызывать бизнес-приложения или программное обеспечение для аналитики. Однако в случае прогнозного обслуживания в комплексной архитектуре часто используются данные телеметрии оборудования в реальном времени, которые собираются системами, такими как концентраторы событий Azure. Данные принимаются службой Stream Analytics и обрабатываются в реальном времени. Обработанные данные передаются в веб-службу прогнозной модели, а результаты отображаются на панели мониторинга либо поступают в механизм оповещения, который сообщает техническим специалистам или обслуживающему персоналу о возникших неполадках. Принятые данные также могут храниться в базах данных за прошлые периоды и объединяться с внешними данными, например локальными базами данных. Таким образом, их можно снова включить в обучающие примеры для моделирования. В сценариях Интернета вещей может использоваться модель, развернутая в пограничной зоне, поэтому обнаружение происходит максимально близко к событию с точки зрения времени и пространства.

Customers are doing great things with AI