-
Предсказваща поддръжка, базирана на правила
Нарича се също мониторинг на състоянието, базираната на правила, предсказваща поддръжка разчита на сензори за непрекъснато събиране на данни за активи и изпраща сигнали съгласно предварително определени правила, включително когато е достигнат определен праг.
С анализи, базирани на правила, продуктовите екипи работят заедно с отделите за инженеринг и обслужване на клиенти, за да установят причини или допринасящи фактори за повредата на тяхната машина. След като се установят общи причини за повреда на продукт или част, производителите могат да създадат виртуален модел на свързаната си система. Тук те дефинират случаи на използване на продукти, с правила „ако-това-тогава-онова“, които описват поведението и взаимозависимостите между различните системни компоненти на IoT.
Например, ако температурата и скоростта на въртене са над определени предварително определени нива, системата ще изпрати предупреждение до таблото за управление на оператора, за да разреши проблема преди повреда.
Тези правила осигуряват ниво на автоматизирана, предсказуема поддръжка, но те все още зависят от разбирането на продуктовия екип какви части или елементи на околната среда изискват измерване. Таблата за наблюдение на състоянието могат да бъдат интегрирани с информация от машинното обучение, за да осигурят визуално разбираема топлинна карта на състоянието на активите в реално време.
-
Предсказваща поддръжка с AI
Индустриалният изкуствен интелект може да бъде приложен при предсказваща поддръжка, и въпреки че сме едва в началото на експлоатацията на тази технология, вече има много съоръжения, които се възползват от индустриалния изкуствен интелект.
AI е идеално пригоден за предсказваща поддръжка. Той предлага множество техники за анализиране на огромните количества данни, събрани от производствения процес, и предоставяне на практическа информация за достигане и поддържане на производствените постижения. Тези техники се наричат алгоритми за машинно обучение.
Прилагане на машинно обучение за прогнозиране на повреда на активите
Предсказващата поддръжка с машинно обучение разглежда големи набори от исторически или тестови данни, комбинирани с персонализирани алгоритми за машинно обучение (ML – machine learning), за да изпълни различни сценарии и да предскаже какво ще се обърка и кога.
Алгоритми за предсказуема поддръжка с ML
Разширените алгоритми на AI изучават нормалното поведение на данните на машината и я използват като базова линия за идентифициране и предупреждение за отклонения в реално време. Алгоритмите, необходими за машинно обучение, трябва да анализират входни (исторически или набор от данни за обучение) и изходни данни (желания резултат). Системата за наблюдение на машината включва въвеждане на редица фактори от температура до налягане и обороти на двигателя. Изходът е въпросната променлива - предупреждение за бъдеща повреда на системата или част.
След това системата ще може да предвиди кога е вероятно да възникне повреда. Съществуват два основни подхода към ИИ и машинното обучение за прогнозни анализи - контролирано и без надзор машинно обучение - всеки е от значение за различен сценарий и зависи от наличието на достатъчно исторически данни за обучение и честотата на отказ на активи.
Управлявано обучение срещу обучение без надзор
Ключовата разлика между контролираното и неконтролираното обучение е дали да казвате на модела си какво искате да предскаже. При контролираното обучение данните, които използвате за обучение на вашия модел имат исторически контролни точки от данни, както и резултатите от тези точки от данни. Неконтролираното обучение няма известен резултат и задачата на модела е сама да разбере какви модели съществуват в данните. Въпреки че и двата вида машинно обучение са жизненоважни за прогнозния анализ, те са полезни в различни ситуации и за различни набори от данни.
Управлявано машинно обучение
За да обучим контролиран модел, първо се нуждаем от исторически набор от данни, обозначен с резултатите от данните. Тези данни картографират входовете, до които моделът ще има достъп по време на производството, до известните изходи: какво трябва да предвиди моделът, предвид тези входове.
Наборът от данни е разделен на две части: набор за обучение и набор от тестове.
Комплектът за обучение се използва, както подсказва името, за обучение на модела да съпостави определени модели в данните с историческите резултати. След като моделът е създаден, тестовият набор се използва за проверка на точността на модела чрез сравняване на прогнозите на модела с известните резултати. Можете да си представите този сценарий като нещо като учебник с ключ за отговор. След като се изучите, можете да опитате да направите упражненията в учебника и след това да сравните тези отговори с ключа за отговор, за да видите как сте се справили.
Обикновено в науката за данни модел, обучен чрез контролирано обучение, се счита за успешен, ако може да направи прогнози, които съответстват на известните резултати с приемливо ниво на точност. Въпреки това, в света на бизнеса е по -добре да се вземе предвид стойността и възвръщаемостта на инвестициите, а не просто точността на модела, когато се реши, че моделът е успешен.
Важност на управляваното машинно обучение
Целта на предсказуемите модели не е просто да се разберат моделите в данните за обучението, а да се приложи наученото към нови входни данни, които не е виждал преди, което му позволява да прави прогнози за точки от данни, където резултатът не е известен . Именно тази способност прави предсказуемия модел ценен в реални сценарии.
Често срещан проблем по време на процеса на обучение на модела е свръх комплектоването. Прекомерното оборудване е, когато даден модел е прекалено близо до данните за обучението. Това му позволява да прогнозира резултатите от тестовия набор с висока точност, но го прави по-малко точен при прогнозиране на данни извън учебните и тестови набори-тоест данните от реалния свят, по които всъщност искате моделът ви да прогнозира.
Например, ако обучавате модел за разграничаване между кучета и котки, но включвате само догове и ротвайлери като примери за кучета, можете лесно да настроите модела си, за да разграничите правилно двата вида само въз основа на размера.
Когато обаче този модел бъде изложен на реалния свят, той вероятно ще класифицира чихуахуа и корги като котки. Преоборудването може също да бъде причинено, ако данните за обучение съдържат грешки в изходните стойности, което естествено би изкривило бъдещите прогнози на модела. Това подчертава значението на подготовката и валидирането на данни като ключова стъпка в процеса на изграждане на модел.
Най -добрият начин да избегнете грешки при пренастройване е да използвате по-прост, по-малко специализиран модел, който може да побере по -голямо разнообразие от точки от данни. И, разбира се, трябва да проверите целостта на вашите данни за обучение преди обучението по модел.
Използване на контролирано обучение
Използването на контролирано машинно обучение обикновено попада в една от двете категории: класификация и регресия. В случай на класификация, моделът ще предвиди в кои групи попадат вашите данни - например лоялни клиенти спрямо тези, които вероятно ще се разпаднат.
За регресия моделът ще предвиди число - например предсказване колко дълго ще издържи една механична част във фабрика, преди да се наложи да бъде заменена.
Пример за контролирано обучение
Добър пример за контролирано обучение е дървото на класификационните решения. Дърветата на решенията са лесни за използване и визуализиране. Както подсказва името им, те използват множество условни изявления, за да стигнат до окончателно решение.
Дърветата на решенията често се избират, защото са много лесни за разбиране и обяснение - ключов компонент на внедряването на машинно обучение в бизнес среда. Дърветата на решенията използват рекурсивна стратегия отгоре надолу.
Първоначален атрибут (или колона в електронна таблица) е избран от набора от данни, за да бъде върхът на дървото, разделяйки данните на две категории. В този пример, с любезното съдействие на нашия основател Инго Миерсва, можем да вземем предвид различни атрибути на кучето и да направим прогноза, класифицираща го като осиновено или не осиновено.
Започваме с фактора симпатичност и разделяме данните между това дали сладкостта е висока или ниска. Ако сладкостта е висока, кучето винаги се осиновява, което означава, че имаме чиста категория и клонът завършва тук.
Ако сладкостта е ниска, размерът на кучето се превръща в решаващ фактор, което прави размера новата категория за разделяне. Оттук виждаме, че кучета с ниска сладост и голям размер никога не се берат, докато кучета с ниска сладост и малък размер са, което ни дава цялостно дърво на решенията.
Машинно обучение без надзор
За разлика от контролираното обучение, неконтролираното обучение използва данни, които не съдържат „правилни отговори“. Вместо това, тези модели са създадени, за да различават структурата в данните сами по себе си - например, за да разберат как различните точки от данни могат да бъдат групирани заедно в категории.
Значението на обучението без надзор
Тези функции правят машинното обучение без надзор особено полезно за транзакционни данни, като например сортиране на потенциални клиенти в категории въз основа на споделени атрибути за по -ефективен маркетинг или идентифициране на качествата, които отделят една група клиенти от друга.
Използване на обучение без надзор
Има три типа модели за машинно обучение без надзор:
- Групирането (или алгоритмите за групиране) се опитват да намерят елементи във вашите данни, които са подобни помежду си, например идентифициране на клиенти, които са подобни един на друг.
- Откриването на теми е подмножество от групиране, което идентифицира темата на писмения текст.
- Откриването на аномалии (понякога наричано откриване на извънредни стойности) намира елементи във вашите данни, които са различни от останалите данни.
- Честото извличане на набор от елементи определя дали е вероятно човек да купи X, като се има предвид, че е закупил Y.
Полунадзорно машинно обучение
Не всеки случай на употреба попада в категорията на наблюдавано или неконтролирано обучение. Понякога се използват полу-контролирани методи за машинно обучение, особено когато само някои от данните или нито една от точките с данни имат етикети или изходни данни.
Например, можете да използвате обучение без надзор, за да категоризирате куп имейли като спам или не спам. Оттам можете да анализирате честотите на думите на всяка от двете си групи и след това да използвате тази информация в контролирана техника, за да класифицирате имейлите с приходи като спам или не спам.
И така, с всички различия и прилики между машинно обучение под надзор и без надзор, се чудите кое е по-добро?
Въпреки че всеки метод има своите силни страни при конкретни обстоятелства, нашият ръководител на услуги за научни изследвания на данни Мартин Шмиц е строго под контрола на лагера.
Както той пише в „Наръчник на човек за машинно обучение“, „Ако можете да отидете под надзор, отидете под надзор“.
Това е така, защото е трудно да се измери кое групиране е по -добро при проблем без надзор. Превръщането на проблем без надзор в контролиран често може да бъде ключът към разработването на най -оптимизирания модел, дори ако изисква повече работа за добавяне на етикети към първоначалните стойности на данните