Передбачення несправностей та помилок на основі Machine Learning. Частина 1

Categories: HardwareAutomotiveCommunicationsConsumer and RetailFinancial ServicesHealthcareManufacturing and IndustrialMediaTechnology

Автор: Юрій Грицай, Software Engineer, Engineering, Consultant, GlobalLogic Ukraine

Кожна помилка містить в собі потенціал, – з неписаних інженерних правил.

Як можна передбачити появу несправності? На щастя, сьогодні для цього не треба бути екстрасенсом чи магом – на допомогу приходить Machine Learning. У цій колонці, що матиме 2 частини, я хочу поділитись оглядом методики предиктивного аналізу несправностей та освітити найбільш актуальні питання галузі.

Вступ. Що таке Predictive Maintenance та чому він актуальний?

PdM (Predictive Maintenance) – ключовий термін, дослівно – передбачення позапланового технічного обслуговування.

Профілактичне технічне обслуговування передбачає ряд методик, спрямованих на збір інформації, яка допоможе зрозуміти максимально допустимий інтервал між ремонтом обладнання та зменшити витрати на ліквідацію неочікуваної несправності будь-якого компоненту.

На основі зібраної інформації, нейронні мережі прогнозують поведінку різноманітних механізмів та допомагають передбачити планову потребу обслуговування. Ця техніка машинного навчання є потужним інструментом, де інформація передається від однієї нейронної мережі до іншої. Згідно дослідження IoT Analytics, комплекс заходів спрямованих на технічне обслуговування зараз базується саме на аналітиці даних. Очікується щорічний зріст PdM на 39% між 2016-2022, а інвестиції в розвиток цієї технології сягнуть 11 мільярдів доларів до 2022.

Є дві ключові причини такого росту:

  1. Сучасне обладнання часто оснащене вбудованими комп’ютерними чіпами для отримання та зчитування інформації.
  2. Вартість вбудованих датчиків та інших сучасних інформаційних технологій постійно зменшується.
Типи обслуговування
  • Аварійний ремонт обладнання (Run-to-failure (breakdown maintenance)) – оперативне технічне обслуговування є досить просте: ремонт здійснюється одразу після виникнення несправності. Цей метод ефективний для обладнання яке не впливає на роботу в цілому та є низьким за вартістю

  • Плановий ремонт (Preventive (scheduled) maintenance) – цей тип технічного обслуговування передбачає перевірку чи ремонт обладнання у офлайн режимі у попередньо визначені часові інтервали.

  • Профілактичне технічне обслуговування (Predictive maintenance (PdM)) – профілактичне ТО має на меті попередити ймовірні несправності, щоб попередити вихід з ладу обладнання в цілому. Для цього використовується інформація зібрана з датчиків та розумні технології, які попереджають команду обслуговування про ризик несправності.

  • Комплексне обслуговування (Reliability-centered maintenance (RCM)) – це комплексний підхід, який допомагає проаналізувати всі ймовірні несправності кожної окремої деталі та створити кастомізований план обслуговування кожного приладу.

Maintenance strategies

Як машинне навчання допомагає передбачити потребу своєчасного ремонту?

Проблеми з технічним обслуговуванням можуть бути абсолютно різними за своїм походженням, і діагностична інформація, що надходить до модуля PdM повинна розглядатися згідно з конкретною проблемою.

Теоретично існує досить багато різних підходів до PdM, але зараз активно розвиваються методи, які базуються на техніках машинного навчання. Вони поділяються на дві основні групи:

  • контрольовані: коли інформація про типи можливих несправностей присутня моделюючому набору даних. Контрольовані підходи потребують наявності історичного набору даних про поведінку приладу та його несправності під час експлуатації.
  • неконтрольовані: коли доступна інформація щодо процесу, але недоступні дані, пов’язані з технічним обслуговуванням.
Трансферне навчання для prediction maintenance

Трансферне навчання – це застосування даних, отриманих при розв’язанні однієї проблеми, для вирішення іншої, але суміжної, проблеми. Зараз цей підхід є досить популярним, адже пропонує можливість тренувати нейронні мережі порівняно малою кількістю даних. Це є досить корисно та зручно, тому що більшість реальних проблем зазвичай не мають багато зареєстрованих даних, щоб тренувати складні моделі. Насправді це не зовсім техніка машинного навчання. Трансферне навчання може розглядатися як “методологія проєктування” в машинному навчанні. Однак, трансферне навчання стало досить популярним у поєднанні з нейронними мережами, оскільки їх навчання вимагає великої кількості даних та обчислювальної потужності.

На цьому ми поки зробимо зупинку.

У частині другій ми спробуємо сформулювати основну предметну область де використання предиктивного методу буде оптимальним, обговоримо стратегії та типи нейронних мереж які можуть використовуватись для цього.

До зустрічі через тиждень. Не перемикайтесь!

Top Insights

Python: чому вивчати та з чого почати?

Python: чому вивчати та з чого почати?

InsightsSoftwareAutomotiveCommunicationsConsumer and RetailFinancial ServicesHealthcareManufacturing and IndustrialMediaTechnology
Тонкощі CV або Як скласти та куди надіслати, щоб отримати пропозицію мрії про співпрацю

Тонкощі CV або Як скласти та куди надіслати,...

HRAutomotiveCommunicationsConsumer and RetailFinancial ServicesHealthcareManufacturing and IndustrialMediaTechnology
CI/CD для JS розробників. Частина перша – теорія

CI/CD для JS розробників. Частина перша – теорія

DevelopmentSoftwareAutomotiveCommunicationsConsumer and RetailFinancial ServicesHealthcareManufacturing and IndustrialMediaTechnology
Soft and Hard Skills: Що важливіше? Розповідь одного рекрутера

Soft and Hard Skills: Що важливіше? Розповідь одного...

HRAutomotiveCommunicationsConsumer and RetailFinancial ServicesHealthcareManufacturing and IndustrialMediaTechnology

ТОП автори

Volodymyr Nos

Volodymyr Nos

Lead Software Engineer, Engineering, GlobalLogic

Mariia Krapyvka

Mariia Krapyvka

Specialist, GlobalLogic

Dmytro Haidenko

Dmytro Haidenko

Senior Test Engineer, Quality Assurance, GlobalLogic

Dmytro Ryabokon

Dmytro Ryabokon

Director, Engineering, GlobalLogic

Roman Ostash

Roman Ostash

Lead Software Engineer, Engineering, GlobalLogic

Категорії блогів

  • URL copied!