Dikkatlice düşünürseniz, bugün yaşadığımız dünyanın makinelerin ve sistemlerin işleyişine büyük ölçüde bağlı olduğunu anlayacaksınız. Işık anahtarından akıllı telefona, asansörden arabaya kadar neredeyse her şey bir makineyi kontrol eden bir makine veya sistemdir. Bununla birlikte, herhangi bir makine aşınmaya ve yıpranmaya tabidir.

Makinelere bu kadar bağımlı bir hayata, o makine bozulduğunda ne olur? Tam da bu nedenle kestirimci bakıma ciddi bir ihtiyaç vardır. makine öğrenme.

Bunu anlamak için bir taksi şirketi örneğini ele alalım. Araçların programa göre çalışmaya devam etmesini ve yoğun çalışma saatlerinde bozulmamasını istiyorsanız, tüm hareketli parçaların uygun şekilde bakımını sağlamak istersiniz. Genel olarak, arıza veya başarısızlığı ortadan kaldırmak söz konusu olduğunda iki düşünce süreci vardır.

Bu konuda ihtiyatlı davranabilir ve periyodik bakım planlayabilirsiniz. Bu durumda, makinenizin kullanım ömrü ve arızaya gerçekçi bir şekilde neden olan faktörler hakkında tam bir anlayışa sahip olmanız daha az olasıdır. Proses, bakımın programlanmasından önce makineden maksimum değeri çıkarmaya odaklanmadığından, bu durum da muhtemelen daha maliyetli olacaktır. Bu nedenle, örneğin, muhtemelen yaşam döngülerini tamamlamadan lastikleri değiştirecek ve tamamen kullanılmadan önce motor yağını değiştireceksiniz. Sonuç olarak, bakım için daha fazla harcama yapacaksınız.

İkinci düşünce süreci, hesaplayıcı olmak ve kararlarınızı tahmine dayalı veri analitiğine dayandırmaktır. Tahmine dayalı bakım, geçmiş verilerden öğrenmek için makine öğrenimini ve arıza modellerini analiz etmek için canlı verileri kullanır. Muhafazakar prosedürler kaynak israfına yol açtığından, makine öğrenimi kullanan kestirimci bakım, optimum kaynak kullanımını arar ve arızalar oluşmadan önce tahmin eder. Sonuç olarak, kestirimci bakım hem aşırılıkları önler hem de mükemmel bir orta yol bulmaya çalışır.

Ama mükemmel orta noktayı nasıl buluyorsunuz? Hangi makine öğrenimi tekniğini kullanıyorsunuz? Bu makalede, makine öğrenimini kullanarak kestirimci bakımı başarıyla gerçekleştirmek için kullanılabilecek doğru teknikleri nasıl bulabileceğinize bakacağız.

Veri topla

İlk adım veri toplamak olmalıdır. Arızası tahmin edilecek makine veya sistemin her zaman izlenmesi gerekir. İzleme sisteminden üretilen verilerin, makineyi etkileyen çeşitli koşulları ve faktörleri anlamak için ayrılması gerekecektir. Bu nedenle, örneğin, otomobil motoru arızasını anlamak için, sensörlerin sıcaklığı, nemi, yağ seviyesini, yağ yoğunluğunu vb. Kaydetmesi gerekir. Bu bilgi, arıza modelini ve nedenini izlemek ve tahmin etmek için ivme sağlayacaktır. Öngörücü bakım için veriler Zaman serisi verileri. 

Sensörleri sistemi izlemek üzere ayarlarken, verilerin ele alması gereken sorulardan bazıları şunlardır:

• Genellikle ortaya çıkan arıza türlerini belirlememiz gerekir. Öyleyse, ilk görev onları tanımak ve sonra tahmin etmemiz gerekenleri bulmak olmalıdır.

• Sonra, başarısızlık sürecini karakterize etmemiz gerekiyor. Arıza süreci, fren pabuçlarının kademeli olarak aşınması ve yıpranması gibi, zamanla mı oluyor yoksa bu, motorda su tutma gibi akut bir sorun mu?

• Bir sonraki adımda, her bir arıza türü ile hangi parçaların veya süreçlerin ilişkili olduğunu belirlememiz gerekecek. Süreçlerle ilgili bilgileri aydınlatacak farklı parametrelere karar verilmesi gerekecektir. Buna göre, her bir parametreyi ve ilgili parçaları / işlemleri ölçmek ve izlemek için izleme mekanizmalarının yerleştirilmesi gerekecektir.

• Genel olarak, bir makinenin ömrü yıllarca vardır. Sonuç olarak, bozulma sürecini uygun şekilde belgelemek için izleme verilerinin uzun bir süre boyunca toplanması gerekir.

• Genel olarak veri bilimcilerinin ve konu uzmanlarının veri toplamada birlikte çalışması tavsiye edilir. Konunun uzmanlığı, makineyi anlamanın ve buna göre veri toplama için bir şema oluşturmanın ayrılmaz bir parçasıdır. Benzer şekilde, toplanan verilerin yararlı olmasını ve olabildiğince az temizlik gerektirdiğinden emin olmak için veri bilimcilerinin hazır bulunması gerekir.

Ancak, gerçek hayat senaryolarında bu pek de zor değildir. Çoğu kuruluş, verileri kendi başına izler. Sonuç olarak, veri bilimcileri gelene kadar, önemli miktarda veri zaten toplanmıştır ve veri toplama sürecini yeniden başlatmak tüm süreci önemli ölçüde geri alabilir.

Sonuç olarak, önceden belirlenmiş bir modele dayalı olarak veri toplamak yerine, eldeki verilere en iyi şekilde uyması için bir model çerçevelenir.

Kestirimci Bakım Makine Öğrenimi Teknikleri

Öngörücü bir bakım modelini çerçevelemek için, dikkate alınması gereken birkaç temel bilgi parçası vardır.

• İlk husus, modelin ne tür çıktı vermesi gerektiğini belirlemek olmalıdır.

• Sonra, makineden yeterli geçmiş verinin mevcudiyeti yeterli mi yoksa statik verilere mi bağlıyız?

• Her bir olayın kaydedilmesi, etiketlenmesi ve günlüğe kaydedilmesi gerekir. Bu, işaretçileri hızlı bir şekilde tanımlamaya yardımcı olacak ve veri bilimcilerinin verileri kısa bir süre içinde filtrelemesine izin verecektir. Bu veriler, iyi işleyen makinenin göstergelerini ve bir arıza belirtilerini anlamak için kullanılacaktır.

• Benzer şekilde, olayların sayısı ile başarısızlık arasında herhangi bir doğrudan ilişki var mı? Yalnızca bir süreç arızasından önce ortaya çıkan belirli bir olay var mı? Ön uyarı olarak gerekli minimum süre nedir?

Artık gerekli bilgilere sahip olduğumuza göre, hangi modelleme tekniğinin veri setine en uygun olduğuna karar vermeye devam edeceğiz. Modelleme tekniğine karar verilirken istenen çıktı ve mevcut koşullar da dikkate alınacaktır. Dikkate alınabilecek üç ana makine öğrenimi tekniği vardır. Daha sonra teçhizata bağlı olarak, son görüşme yapılabilir.

Teknik 1 - Kalan Yararlı Ömrü (RUL) Tahmin Etmek İçin Regresyon Modelleri

Gerekli Veri Türü - Bu tür bir model için hem statik hem de geçmiş verilere ihtiyaç vardır. Her bir olayın etiketlenmesi ve günlüğe kaydedilmesi gerekir. Veri kümesinde her türden başarısızlık için çok sayıda olay mevcuttur. Bu veri kümesi daha sonra modeli olası arızaların nasıl tahmin edileceği konusunda eğitmek için kullanılır.

Önkoşullar - Statik özelliklerin arızayı tahmin etmek için kullanılabileceği varsayılmıştır.

• Bu, hem tarihsel hem de statik verilerin gerekli olduğu ve bozulma sürecinin kademeli olduğu ve akut olmadığı anlamına gelir.

• Model yalnızca bir tür başarısızlık üzerinde yoğunlaşacaktır. Model farklı arıza türlerini dikkate alacaksa, davranış değişecektir.

• Buna göre başarı oranı değişebilir. Sonuç olarak, doğrusal bir yaklaşım varsaymak ve her hata türü için bir model kullanmak en iyisidir. Her olay etiketlenir ve kaydedilir.

Sonuç - Bu model, çıktıyı bir başarısızlık olayının gerçekleşmesine kalan gün sayısı biçiminde sağlar. Bu aynı zamanda Kalan Faydalı Ömür (RUL).

Teknik 2 - Önceden Belirlenmiş Bir Zaman Çerçevesinde Arızayı Öngörmek İçin Sınıflandırma Modeli

Bir makinenin ömrünü doğru bir şekilde tahmin edebilen bir model oluşturmak son derece zor olabilir. Ancak gerçekte böyle bir modele ihtiyaç yoktur. Bakım ekibinin yalnızca makinenin yakın zamanda arıza yapıp yapmayacağını bilmesi gerekir. Bunu yapmak için, sınıflandırma modeli sonraki 'N' gün veya döngüdeki bir arızayı tahmin etmek için (burada N = herhangi bir sayı).

Gerekli Veri Türü - Bu model aynı zamanda geçmiş ve statik veriler de gerektirecektir. Aynı zamanda etiketli ve etiketlenmiş olaylara da bağlı olacaktır. Sonuç olarak, veri özellikleri Teknik 1 ile aynıdır.

Önkoşullar - Önkoşullar Teknik 1'e çok benzer. Ancak aşağıda listelendiği gibi belirli farklılıklar vardır:

• Kesin bir zamanı tahmin etmediğimizden ve bunun yerine bir zaman çerçevesi aradığımız için, modelin kademeli bozulmayı varsaymasına gerek yoktur.

• aksine regresyon modelleri, sınıflandırma modelleri aynı anda birden fazla arıza türü ile başa çıkabilir. Tek şart, modelin çok sınıflı bir problem olarak çerçevelenmesidir.

• Etiketli verilerin mevcut olması gerekir, ancak buna ek olarak, modeli eğitmek için her bir başarısızlık olayının (ve normal olayın) yeterli durumunun olması gerekir.

Teknik 3 - Anormal Davranışı İşaretleme

Her iki önceki teknikte de, modeli eğitmek için tarihsel veriler ve statik veriler kullanılır. Normal zaman özellikleri ile arıza olayı özellikleri arasındaki ilişkiyi anlamaya yardımcı olur. Bununla birlikte, şirket veri toplamak için kaç başarısızlık olayını sindirmeye isteklidir? Görev açısından kritik sistemler söz konusu olduğunda, arıza durumları sınırlıdır. Sonuç olarak, farklı bir stratejinin benimsenmesi gerekiyor.

Gerekli Veri Türü - Hem statik hem de geçmiş veriler mevcuttur, ancak olaylar etiketlenip günlüğe kaydedilmez veya mevcut değildir.

Önkoşullar - Veri setinden normal davranışın tanımlanabileceği ve normal ve arıza olayı arasındaki farkın ayırt edilebileceği varsayılmıştır.

Sonuç

Özünde, burada tek ayakkabıya uyan bir strateji yok. Her projenin mevcut duruma göre ele alınması gerekir. İlk adım, sistemi, sorunları, makineyi / sistemi çevreleyen mevcut durumu anlamak ve ardından istenen sonuca göre bir modeli çerçevelemek olmalıdır.

At Maruti Teknoloji Laboratuvarları, gelişmiş tahmine dayalı modelleme ve büyük ölçekli büyük veri ardışık düzenleri dağıtma konusunda deneyimliyiz. Deneyimli veri bilimi ve makine öğrenimi uzmanlarından oluşan bir ekiple - sayısız sektördeki müşterilerimiz için makine öğrenimi ve yapay zeka tabanlı çözümler tasarlıyor, uyguluyor ve sanayileştiriyoruz. Teknoloji becerilerini iş danışmanlığıyla birleştiriyor ve kuruluşların kendi veri odaklı yeteneklerini oluşturmalarına yardımcı oluyoruz. Sizin için ne yapabileceğimizi merak ediyor musunuz? Bizimle iletişime geçmekten çekinmeyin veya hello@marutitech.com adresine bir not bırakın.

Kaynak: https://marutitech.com/predictive-maintenance-machine-learning-techniques/