Следует ли вам сначала начать с ML в проекте профилактического обслуживания или вам следует использовать алгоритмы на основе правил?

Хотя вводные концепции профилактического обслуживания обсуждаются в нескольких статьях, мало доступных ресурсов, когда речь идет о выборе наилучшего подхода к прогнозированию отказа. Прежде чем рассматривать этот подход, я хотел бы остановиться на определении профилактического обслуживания.

Что такое профилактическое обслуживание?

Хотя профилактическое обслуживание на самом деле не является новой концепцией, это метод своевременного обслуживания, который восходит к древним временам. Когда сервисный работник ремонтировал какой-либо продукт и замечал ненормальное визуальное или поведение продукта, он мог предсказать, когда устройство нуждается в ремонте или техническом обслуживании. По сути, это тоже профилактическое обслуживание. Новым сегодня является то, что эти процессы оценки и принятия мер выполняются с помощью алгоритмов и интеллектуальных машин.

Профилактическое обслуживание трудно реализовать, но когда это реальный проект, отдача высока. Несмотря на такие проблемы, как экспертиза оборудования, доступность и обработка данных, понимание корреляций и алгоритмов, окончательное решение предложит вам:

  • Предотвращение больших затрат с сокращением времени простоя
  • Предотвращение связанных сбоев машин, вызванных соединенными частями
  • Снижение затрат на хранение запасных частей
  • Способность группы технического обслуживания сосредоточиться на долгосрочных улучшениях, а не на немедленном ремонте.
  • Дополнительное преимущество: будет создана сокровищница ценных данных, которые можно использовать для любой другой задачи оптимизации.

Если вы все еще сомневаетесь в профилактическом обслуживании, вам не следует больше тратить время и начинать проект.

Определение правильного подхода

Не секрет, что большую часть времени вы потратите на сбор, очистку и подготовку данных. Это одна из самых сложных задач, особенно когда речь идет о данных датчиков. Но прежде чем приступить ко всей этой работе, вы должны подумать о том, как делать прогнозы, чтобы адаптировать разработку функций для подхода, основанного на правилах, или модели машинного обучения. В этом случае нам нужно знать, в чем разница между двумя вариантами, чтобы мы могли выбрать лучший подход для вашей организации.

Прогностическое обслуживание на основе правил

Модели на основе правил зависят от знаний и опыта вашей инженерной группы. Наряду с отзывами клиентов службы управления качеством, владельцы продукта и другие команды, близкие к продукту, могут дать представление о том, что вызывает отказ машины или какие конкретные части могут выйти из строя. Основанная на правилах модель «ЕСЛИ-X-ТО-Y» применяется на основе практического опыта и теоретических знаний вашей команды, чтобы определить, выходит ли какая-либо измеряемая переменная из-под контроля (правила Шуарта, шесть сигм).

Практическим примером может служить датчик вибрации работающей машины, который в течение более длительного периода времени находится выше порогового значения, а температура данного подшипника неуклонно растет. Таким образом, выдается уведомление или отправляется сигнал тревоги, чтобы проблему можно было решить заранее, и инженеры знали, где искать.

Машинное обучение и профилактическое обслуживание

Для построения модели машинного обучения необходимы две вещи: ввод и вывод. То, что в данном случае называется вводом, — это наши аргументы и свойства. В случае профилактического обслуживания это фактическое количество ваших датчиков температуры или вибрации. Вы должны вычислить новые аргументы. Этот процесс называется проектированием признаков и представляет собой предмет, который необходимо исследовать сам по себе.

Когда вы объединяете свои аргументы, вам нужно добавить желаемые результаты, ранее называемые выводом. Зависимая переменная в профилактическом обслуживании часто является сигналом тревоги или предупреждением об отказе компонента. Затем вы обучаете модель машинного обучения с помощью созданного обучающего набора для прогнозирования будущих ошибок.

Следует отметить, что существует множество различных моделей машинного обучения, на данный момент основное внимание уделяется сравнению моделей машинного обучения с алгоритмами, основанными на правилах.

Заключение

Чтобы ответить на сравнение, задайте себе вопрос, достаточно ли у нас опыта, ноу-хау и инфраструктуры данных для реализации алгоритма машинного обучения, который превосходит систему, основанную на правилах? Если ответ «нет» и вы собираетесь начать все это дело с данными, если вы еще не уверены в среде данных и хотите получить некоторый начальный опыт, настоятельно рекомендуется сначала начать с модели, основанной на правилах. Со временем, по мере роста ваших знаний и опыта, вы сможете начать использовать продвинутый алгоритм машинного обучения.

Ссылки

Александр Гонфалоньери — Как внедрить машинное обучение для профилактического обслуживания

Яна Агеева — Упреждающее планирование технического обслуживания с помощью ИИ и оптимизация решений