Utrzymanie predykcyjne – jak wygląda wdrożenie?

utrzymanie_predykcyjne_2

Jak zapowiedzieliśmy w poprzednim artykule z tej serii, dziś opisujemy jak wygląda wdrożenie utrzymania predykcyjnego i wyjaśniamy, w jaki sposób wykorzystywana w nim jest sztuczna inteligencja. Proces ten będzie wyglądał nieco inaczej w zależności od specyfiki sprzętu, dla którego jest wdrażany, ale są podstawowe czynności, które należy wykonać za każdym razem.

Warto zaznaczyć, że jest to proces cykliczny, co oznacza, że fazy mogą wymagać powtórzenia, jeśli wyniki całego cyklu są nie zadowalające.

Utrzymanie predykcyjne

Faza 1: Zbieranie i analizowanie danych

Do przeprowadzenia precyzyjnej analizy należy najpierw zebrać dane. W zależności od testowanego sprzętu lub maszyn, będziemy używali innych sensorów monitorujących ich stan techniczny. Z zebranych wskazań staramy się wyciągać jak najwięcej wniosków i powiązań, konkretnych wyników ze stanem sprawdzanego sprzętu. Monitorujemy wszelkie anomalie wskazań i ich korelację tuż przed wystąpieniem awarii.

Po tym etapie przystępujemy do poszukiwania optymalnego zestawu atrybutów dla modelu, który będziemy tworzyć. Zbędne atrybuty znacząco obniżą końcową precyzję całego modelu, ponieważ sieć uczyłaby się wykorzystując bezużyteczne dane. Po ustaleniu odpowiednich parametrów, pora oczyścić nasze dane z „szumów”.

Proces filtracji jest kluczowy – błędne dane potrafią zniwelować cały proces, dlatego ważne jest ustalenie zakresów tak, aby uniknąć oczywistego błędnego wskazania sensorów. Przykładowo: przy pomiarze temperatury, wskazanie -200 stopni Celsjusza jest wynikiem nierealnym i musi zostać usunięte. Następnie musimy odpowiednio przygotować nasze dane, żeby model sieci uczącej mógł z nich skorzystać – w tym celu należy je sformatować. Potrzebujemy danych wejściowych (pytanie), oraz wyjściowych (odpowiedź). Wszystkie wyniki niepełne musimy odrzucać.

Ostatnim etapem przygotowania naszych danych jest podział na 2 zestawy: ćwiczeniowy i sprawdzający. Nie chcemy udostępnić tego samego zestawu dla obu z tych kroków, ponieważ znając odpowiedź na pytanie, sztuczna inteligencja mogłaby nauczyć się „oszukiwać”.

Faza 2:  Tworzenie modelu predykcyjnego oraz jego rozwój

Gdy mamy już przygotowany zestaw danych dla sztucznej inteligencji, czas na wybranie odpowiedniego modelu głębokiego uczenia (Deep Learning). Wykorzystując wcześniej ustalone parametry, staramy się stworzyć najlepszy możliwie model. Wykorzystujemy do tego cały szereg kryteriów i zasad. Do celów utrzymania predykcyjnego szczególnie przydatne są metody, które mocno penalizują duże błędy obliczeniowe.

Odchylenie wartości średniokwadratowej pomoże ustalić wartość pozostałego czasu użytkowego (Remaining Usefull Life) z maksymalną precyzją predykcji.

Trening

Gdy udało nam się już wybrać odpowiedni model uczący się, możemy przystąpić do trenowania naszej sztucznej inteligencji. Sieć otrzymuje dane wejściowe i wyjściowe i ma z ich pomocą dokonać predykcji w przypadku kolejnych danych wejściowych. Na początku nasza sieć zgaduje wynik całkowicie losowo, nie wiedząc co zrobić z otrzymanymi danymi. Z każdą kolejną iteracją, wyniki stopniowo się poprawiają, aż w końcu maszyna uczy się wykonywać swoje zadanie.

Ewaluacja

Po zakończeniu etapu szkolenia, przychodzi czas testowania modelu - należy sprawdzić, czy spełnia on swoją rolę. Wykorzystujemy do tego dane testowe, które odseparowaliśmy wcześniej, by przetestować wyniki naszej sieci w kontakcie z kompletnie nowymi „pytaniami”.
Jeśli model nie przejdzie ewaluacji, musimy go zmodyfikować i ponownie poddać treningowi.
Dopiero jeśli wynik predykcji sztucznej inteligencji będzie dla nas wystarczający przechodzimy do następnego kroku.

Dostrajanie Hiperparametrów

Na tym etapie staramy się jak najbardziej podnieść precyzję predykcji naszego modelu. W tym celu dostraja się odpowiednie atrybuty. Hiperparametr to atrybut, którego wartość ustawia się przed etapem uczenia, jednak nie ma bezpośredniego i oczywistego wpływu sam model. Aby uzyskać optymalny wynik, trzeba przeprowadzić szereg eksperymentów. Niektóre hiperparametry są związane ze specyfiką wybranego modelu, ale znaczna część wymaga nieco dostrojenia.
Jednym z przykładów atrybutu o sporym znaczeniu jest liczba powtórzeń zestawu danych, który podajemy naszej sztucznej inteligencji. Taka niewielka zmiana może mieć duży wpływ na precyzję całego modelu.
Kolejnym przykładem jest tempo uczenia. Ten parametr definiuje, jak duży krok nastąpi w każdej iteracji i w konsekwencji jak długo zajmie proces uczenia się. Za duże tempo, spowoduje niską precyzję, za małe paradoksalnie również ją obniży.

Kiedy osiągnęliśmy zadowalający wynik predykcji naszego modelu, możemy przystąpić do fazy produkcji.

Co dalej?

Kolejna faza to zaprojektowanie konkretnego rozwiązania produkcyjnego na bazie naszego modelu. Tą fazę opiszemy szerzej w ostatnim już artykule z tej mini-serii. Jeśli nie chcesz go przegapić, obserwuj nas na LinkedIn i bądź na bieżąco!