Globema: Vysvětlení procesů prediktivní údržby

V posledním článku jsme slíbili přiblížit proces implementace prediktivní údržby se zapojením umělé inteligence. A právě to teď uděláme! I když se proces pokaždé trochu liší, existují určité kroky, které musí být vždy dodrženy.

Je důležité poznamenat, že tento proces je zacyklený, což znamená, že pokud jsou výsledky celého cyklu neuspokojivé, bude potřeba zkontrolovat každou fázi.

Fáze 1: Sběr a analýza dat

Přesná analýza vyžaduje odpovídající údaje. V závislosti na zařízení, které chceme otestovat, používáme různé sady senzorů, které sledují jeho technický stav. Údaje, které shromažďujeme, poskytují vhled a vykreslují korelace mezi hodnotami a skutečným stavem zařízení. Abnormality musíme sledovat a zaznamenávat dříve, než dojde k poruše zařízení.

V dalším kroku musíme najít nejefektivnější sadu parametrů pro náš model. Nepodstatné parametry by snížily přesnost modelu, protože by se učily ze zbytečných dat. Jakmile vybereme správné parametry, musíme z dat odfiltrovat „šum“.

Je důležité vybrat správné atributy, abychom se vyhnuli nesprávným indikacím ze senzorů. Například, když senzor měří teploty, je výsledek -200 °C zjevně nesprávný a měli bychom ho ignorovat. Data musíme připravit způsobem, který umožňuje využití strojového modelu učení, což znamená, že data musí mít správný formát. Síť vyžaduje vstupní (požadavky) a výstupní data (zpětnou vazbu) a neúplné výsledky musíme odfiltrovat.

Poslední věc, kterou zbývá udělat, je rozdělit data do dvou skupin: tréninková a testovací data. Stejné datové sady nelze použít jak pro učení, tak pro vyhodnocování, protože by se umělá inteligence naučila správné odpovědi a „podváděla by“.

Fáze 2: Tvorba předpovědního modelu a jeho vývoj

Jakmile máme připravenou sadu dat pro použití algoritmů umělé inteligence, je čas zvolit vhodný model hlubokého učení. Pomocí předem určených parametrů se snažíme vytvořit co nejpřesnější model. K tomu používáme celou řadu kritérií a pravidel. Pro účely prediktivní údržby jsou zvláště užitečné metody, které silně penalizují velké výpočetní chyby. Střední kvadratická odchylka pomůže určit hodnotu zbývajícího užitného života (Remaining Useful Life – RUL) s maximální přesností predikce.

Trénink

Poté, co jsme si vybrali správný model učení, můžeme ho začít trénovat. Síť přijímá vstupní a výstupní data a generuje předpověď na základě nových vstupních dat. Zpočátku model odhaduje výsledek náhodně, protože neví, jak s přijatými daty zacházet. Během každé další iterace se výsledky mírně zlepšují. Nakonec se stroj naučí, jak daný úkol provádět.

Hodnocení

Poté, co provedeme trénink, je na čase model testovat a kontrolovat, zda splňuje své povinnosti. Pomocí dříve oddělených i kompletně nových dat měříme výkonnost modelu. Pokud model neprošel testováním úspěšně, musíme ho opravit a znovu trénovat. Poté, co jsou výsledky predikce uspokojivé, přejdeme k dalšímu kroku.

Ladění hyperparametrů

Cílem tohoto kroku je zlepšit přesnost modelu predikce vyladěním správných parametrů. Hyperparametr je parametr, jehož hodnota je stanovena před zahájením procesu učení. Abychom zjistili, co přináší nejlepší výsledky, vyžaduje tento proces mnoho experimentů. Některé hyperparametry jsou již spojeny se specifikací zvoleného modelu, ale obvykle je třeba je vyladit.
Důležitým parametrem, který lze aplikovat na model umělé inteligence, je počet tréninkových iterací, kdy model prochází celou databázi. Je to malá změna, která zlepšuje přesnost modelu. Dalším důležitým příkladem je míra učení. Tento parametr definuje rozsah, v jakém nové informace potlačí staré informace a jak dlouho bude proces učení trvat. Přesnost měření je buď příliš vysoká, nebo příliš nízká.

S testovaným, vylepšeným a připraveným modelem je čas vyvinout reálné řešení pro produkci.

Co dál?

Další fází je vytvoření reálného řešení pro produkci. Tento krok bude podrobně popsán v následujícím článku této mini série. Zůstaňme v kontaktu, sledujte nás na Linkedin!

Sledujte nás