ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ

ಲಾಭಗಳು:

• AI ನೊಂದಿಗೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಮೂಲಕ ಕಂಪನ/ತಾಪಮಾನದ ಡೇಟಾದಿಂದ ದೋಷ ಲಕ್ಷಣಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸಾಮರ್ಥ್ಯ
• AI ಸಹಾಯದಿಂದ ಥ್ರೆಶೋಲ್ಡ್-ಆಧಾರಿತ ಮತ್ತು ಸರಳವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಸಂಗತತೆ ಪತ್ತೆ ವಿಧಾನಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
• ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳ ಸಮತೋಲನವನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ (ತಪ್ಪು ಧನಾತ್ಮಕ) ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳು (ತಪ್ಪು ನಿರಾಕರಣೆಗಳು) ಮತ್ತು ನಿರ್ವಹಣೆ ನಿರ್ಧಾರಗಳು

ಉತ್ಪಾದನಾ ಸಾಲಿನಲ್ಲಿನ ಬೇರಿಂಗ್‌ನ ಅನಿರೀಕ್ಷಿತ ವೈಫಲ್ಯವು ಗಂಟೆಗಳ ಅಲಭ್ಯತೆ, ತಪ್ಪಿದ ಆದೇಶಗಳು ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಮೇಲಾಧಾರ ಹಾನಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ನಿರ್ವಹಣೆ ಎರಡು ವಿಪರೀತಗಳಲ್ಲಿ ನಿಲ್ಲುತ್ತದೆ: ಸ್ಥಗಿತ ನಿರ್ವಹಣೆ (ಅದು ಮುರಿದಾಗ ಅದನ್ನು ಸರಿಪಡಿಸಿ-ಅತ್ಯಂತ ದುಬಾರಿ ಆಶ್ಚರ್ಯ) ಮತ್ತು ಆವರ್ತಕ ನಿರ್ವಹಣೆ (ವೇಳಾಪಟ್ಟಿಯ ಮೂಲಕ ಬದಲಿಸಿ-ಸಾಮಾನ್ಯವಾಗಿ ಅಕಾಲಿಕ ಮತ್ತು ವ್ಯರ್ಥ). ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ಮೂರನೇ ಮಾರ್ಗವನ್ನು ತೆರೆಯುತ್ತದೆ: ಯಂತ್ರದ ನೈಜ ಸ್ಥಿತಿಯನ್ನು ನಿರಂತರವಾಗಿ ಅಳೆಯುವುದು, ವೈಫಲ್ಯವನ್ನು ಊಹಿಸುವುದು ಮತ್ತು ಸಮಯಕ್ಕೆ ಮಧ್ಯಪ್ರವೇಶಿಸುವುದು. ಕಂಪನ, ತಾಪಮಾನ, ಕರೆಂಟ್ ಮತ್ತು ಧ್ವನಿಯಂತಹ ಸಂಕೇತಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ವಾರಗಳ ಮುಂಚಿತವಾಗಿ ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ಸೂಚಿಸುತ್ತವೆ. AI ಇಲ್ಲಿ ಶಕ್ತಿಯುತವಾಗಿದೆ: ಸಂಕೇತಗಳಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು, ವೈಪರೀತ್ಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ಉಳಿದ ಜೀವಿತಾವಧಿಯನ್ನು ಅಂದಾಜು ಮಾಡುವುದು. ಆದರೆ ಒಂದು ತಪ್ಪು ಎಚ್ಚರಿಕೆ ಎಂದರೆ ಅನಗತ್ಯ ಅಲಭ್ಯತೆ, ಒಂದು ತಪ್ಪಿದ ತಪ್ಪು ಎಂದರೆ ವಿಪತ್ತು; ಮಿತಿ ಮತ್ತು ನಿರ್ಧಾರ ಸಮತೋಲನವು ಎಂಜಿನಿಯರ್‌ನ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, AI ನೊಂದಿಗೆ ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು ಮತ್ತು ಅದರ ನಿರ್ಧಾರಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನಾವು ಕವರ್ ಮಾಡುತ್ತೇವೆ.

ಏಕೆ ಕಂಪನ ಮತ್ತು ತಾಪಮಾನ?

ತಿರುಗುವ ಯಂತ್ರಗಳಲ್ಲಿನ ದೋಷಗಳು ವಿಶಿಷ್ಟವಾದ ಸಹಿಯನ್ನು ಬಿಡುತ್ತವೆ. ಬೇರಿಂಗ್ ಧರಿಸಿದಾಗ, ಗೇರ್ ಬಿರುಕು ಬಿಡುತ್ತದೆ, ಶಾಫ್ಟ್ ಅಸಮತೋಲನಗೊಳ್ಳುತ್ತದೆ, ಕಂಪನ ವರ್ಣಪಟಲದಲ್ಲಿ ಕೆಲವು ಆವರ್ತನಗಳಲ್ಲಿ ಶಕ್ತಿಯು ಹೆಚ್ಚಾಗುತ್ತದೆ. ತಾಪಮಾನವು ಘರ್ಷಣೆ ಮತ್ತು ಲೋಡ್ ಹೆಚ್ಚಳದ ನಿಧಾನವಾದ ಆದರೆ ವಿಶ್ವಾಸಾರ್ಹ ಸೂಚಕವಾಗಿದೆ. ನಾವು ಈ ಸಂಕೇತಗಳಿಂದ ಅರ್ಥಪೂರ್ಣ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ:

ಗುಣಲಕ್ಷಣ

ಅದು ಏನು ಹೇಳುತ್ತದೆ

ಯಾವ ಅಸಮರ್ಪಕ ಕಾರ್ಯ?

RMS (ಪರಿಣಾಮಕಾರಿ ಮೌಲ್ಯ)

ಸಾಮಾನ್ಯ ಕಂಪನ ಶಕ್ತಿ

ಸಾಮಾನ್ಯ ಕ್ಷೀಣತೆ, ಅಸಮತೋಲನ

ಶಿಖರ

ಹಠಾತ್ ಹೊಡೆತಗಳು

ಬೇರಿಂಗ್ ದೋಷ, ನಾಚ್

ಕ್ರೆಸ್ಟ್ ಫ್ಯಾಕ್ಟರ್ (ಗರಿಷ್ಠ/RMS)

ನಾಡಿ ವಿಷಯ

ಅಕಾಲಿಕ ಬೇರಿಂಗ್ ವೈಫಲ್ಯ

ಕುರ್ಟೋಸಿಸ್

ವಿತರಣೆಯ "ಸ್ಪೈಕಿನೆಸ್"

ನಾಡಿ ದೋಷದ ಲಕ್ಷಣ

ಪ್ರಾಬಲ್ಯ ಆವರ್ತನ (FFT)

ಶಕ್ತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವ ಆವರ್ತನ

ನಿರ್ದಿಷ್ಟ ಘಟಕ ವೈಫಲ್ಯ

ಪ್ರಮುಖ ಕಲ್ಪನೆ: ಕಚ್ಚಾ ಸಿಗ್ನಲ್ ಅನ್ನು ನೋಡುವ ಬದಲು, ನಾವು ದೋಷ-ಸೂಕ್ಷ್ಮ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತೇವೆ. AI ತ್ವರಿತವಾಗಿ ಈ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ.

npdef jitter_attributes(ಸಿಗ್ನಲ್, fs): """ಸಿಗ್ನಲ್: ವೇಗವರ್ಧಕ ಅನುಕ್ರಮ, fs: ಮಾದರಿ ಆವರ್ತನ (Hz).""" rms = np.sqrt(np.mean(np.mean(signal**2)) peak = np.max (np.max > 0 else 0 # ಕರ್ಟೋಸಿಸ್ (ನಾಲ್ಕನೇ ಕ್ಷಣ / ವ್ಯತ್ಯಾಸ^2) ಸರಾಸರಿ = np.mean(ಸಿಗ್ನಲ್) ಕುರ್ಟೋಸಿಸ್ = np.mean((ಸಿಗ್ನಲ್ - ಮೀನ್)**4) / (np.var(ಸಿಗ್ನಲ್)**2 + 1e-12) # ಪ್ರಬಲ ಆವರ್ತನ (FFT) (FFT) ಆವರ್ತನಗಳು = np.fft.rfftfreq(len(ಸಿಗ್ನಲ್), 1/fs) dominant_f = ಆವರ್ತನಗಳು[np.argmax(ಸ್ಪೆಕ್ಟ್ರಮ್)] ಹಿಂತಿರುಗಿ {"rms": rms, "ಗರಿಷ್ಠ": ಗರಿಷ್ಠ, "ಕ್ರೆಸ್ಟ್": ಕ್ರೆಸ್ಟ್, "ಕರ್ಟೋಸಿಸ್": ಕರ್ಟೊಸಿಸ್, "ಡಾಮಿನಂಟ್_ }

ಸಲಹೆ: AI ಗೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುವಾಗ, ಮಾದರಿ ಆವರ್ತನ (fs) ಮತ್ತು ಸಂಕೇತದ ಅವಧಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲು ಮರೆಯದಿರಿ. FFT ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ನೈಕ್ವಿಸ್ಟ್ ಮಿತಿ ಅವುಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ; fs ನೀಡದಿದ್ದರೆ, ಪ್ರಬಲ ಆವರ್ತನವನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಲಾಗುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಆರೋಗ್ಯಕರ ಯಂತ್ರದಿಂದ "ಬೇಸ್‌ಲೈನ್" ಅನ್ನು ಸಂಗ್ರಹಿಸದೆ ಯಾವುದೇ ಮಿತಿ ಅರ್ಥಪೂರ್ಣವಾಗಿರುವುದಿಲ್ಲ.

ಥ್ರೆಶೋಲ್ಡ್-ಆಧಾರಿತ ಮತ್ತು ಕಲಿಕೆ-ಆಧಾರಿತ ಪತ್ತೆ

ಎರಡು ಮೂಲಭೂತ ವಿಧಾನಗಳಿವೆ:

ಥ್ರೆಶೋಲ್ಡ್-ಆಧಾರಿತ: ಗುಣಲಕ್ಷಣದ ನಿರ್ದಿಷ್ಟ ಮಿತಿಯನ್ನು ಮೀರಿದರೆ (ಉದಾ. RMS) ಎಚ್ಚರಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಸರಳ, ಪಾರದರ್ಶಕ ಮತ್ತು ವಿವರಿಸಬಹುದಾದ; ಆದರೆ ಮಿತಿಯನ್ನು ಸರಿಯಾಗಿ ಪಡೆಯುವುದು ಕಷ್ಟ ಮತ್ತು ಒಂದು ಆಯಾಮದ.

ಕಲಿಕೆ-ಆಧಾರಿತ (ಅಸಂಗತತೆ ಪತ್ತೆ): ಇದು ಆರೋಗ್ಯಕರ ಕೆಲಸದ ಡೇಟಾದಿಂದ "ಸಾಮಾನ್ಯ" ಅನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅದರಿಂದ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಇದು ಬಹುಆಯಾಮದ ಮಾದರಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಡೇಟಾ ಮತ್ತು ಅಪಾಯಗಳು "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ" ಆಗುವ ಅಗತ್ಯವಿರುತ್ತದೆ.

npdef z_score_anomali (value, baseline_avg, baseline_std, threshold=3.0): """ಸರಳ ಅಂಕಿಅಂಶಗಳ ಅಸಂಗತತೆ: ಬೇಸ್‌ಲೈನ್‌ನಿಂದ ಎಷ್ಟು std ದೂರವಿದೆ?"" z = (ಮೌಲ್ಯ - baseline_avg) / (baseline_zold) >#Abs ಉದಾಹರಣೆ: ಆರೋಗ್ಯಕರ ಗಣಕದಲ್ಲಿ RMS ಸರಾಸರಿ 0.8, std 0.1ಅಲಾರ್ಮ್ ಆಗಿರಲಿ, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-ಸ್ಕೋರ್: {z:.1f}, alarm: ->Trualarm}4.5)

ಈ ಸರಳವಾದ z-ಸ್ಕೋರ್ ವಿಧಾನವು ಸಹ ಒಂದು ತತ್ವವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ: ಮಿತಿಯನ್ನು ಆರೋಗ್ಯಕರ ಯಂತ್ರದ ಅಂಕಿಅಂಶಗಳಿಂದ ಪಡೆಯಲಾಗಿದೆ, ಅದನ್ನು ನಿರಂಕುಶವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿಲ್ಲ. AI ಹೆಚ್ಚು ಸುಧಾರಿತ ವಿಧಾನಗಳನ್ನು ಸೂಚಿಸಬಹುದು (ಐಸೊಲೇಶನ್ ಫಾರೆಸ್ಟ್, ಆಟೋಎನ್‌ಕೋಡರ್), ಆದರೆ ಅವೆಲ್ಲವೂ ಒಂದೇ ಆಧಾರವನ್ನು ಹೊಂದಿವೆ: ಮೊದಲು "ಸಾಮಾನ್ಯ" ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ, ನಂತರ ವಿಚಲನವನ್ನು ಅಳೆಯಿರಿ.

ತಪ್ಪು ಎಚ್ಚರಿಕೆ ಮತ್ತು ತಪ್ಪಿದ ದೋಷ ಸಮತೋಲನ

ಇದು ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯ ಹೃದಯಭಾಗದಲ್ಲಿರುವ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರವಾಗಿದೆ. ಎರಡು ರೀತಿಯ ದೋಷಗಳಿವೆ ಮತ್ತು ಅವುಗಳ ವೆಚ್ಚಗಳು ಅಸಮಪಾರ್ಶ್ವವಾಗಿರುತ್ತವೆ:

ದೋಷದ ಪ್ರಕಾರ

ಅರ್ಥ

ವೆಚ್ಚ

ತಪ್ಪು ಎಚ್ಚರಿಕೆ (ಸುಳ್ಳು ಧನಾತ್ಮಕ)

ಯಾವುದೇ ದೋಷವಿಲ್ಲದಿದ್ದಾಗ ಎಚ್ಚರಿಕೆ

ಅನಗತ್ಯ ಭಂಗಿ, ಆತ್ಮವಿಶ್ವಾಸದ ನಷ್ಟ

ತಪ್ಪಿದ ತಪ್ಪು (ತಪ್ಪು ನಕಾರಾತ್ಮಕ)

ದೋಷ ಇದ್ದಾಗ ಅಲಾರಾಂ ಇಲ್ಲ

ಅನಿರೀಕ್ಷಿತ ಅಸಮರ್ಪಕ, ಹಾನಿ, ಅಪಾಯ

ನೀವು ಮಿತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡಿದರೆ (ತುಂಬಾ ಸೂಕ್ಷ್ಮ) ತಪ್ಪಿದ ದೋಷವು ಕಡಿಮೆಯಾಗುತ್ತದೆ ಆದರೆ ತಪ್ಪು ಎಚ್ಚರಿಕೆಯು ಹೆಚ್ಚಾಗುತ್ತದೆ; ನಿರ್ವಾಹಕರು ಅಲಾರಂಗಳ ಮೇಲೆ ಅವಲಂಬಿತರಾಗುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತಾರೆ ("ಅಲಾರ್ಮ್ ಆಯಾಸ"). ನೀವು ಮಿತಿಯನ್ನು ಹೆಚ್ಚಿಸಿದರೆ, ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಕಡಿಮೆಯಾಗುತ್ತವೆ, ಆದರೆ ನಿಜವಾದ ದೋಷವನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಅಪಾಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಸರಿಯಾದ ಸಮತೋಲನವು ವೈಫಲ್ಯದ ಫಲಿತಾಂಶವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ: ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ಘಟಕದಲ್ಲಿ ತಪ್ಪಿದ ವೈಫಲ್ಯ (ಉದಾಹರಣೆಗೆ ಕ್ರೇನ್ ಬ್ರೇಕ್) ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ, ಅಲ್ಲಿ ನೀವು ಹೆಚ್ಚಿನ ಸಂವೇದನೆಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳುತ್ತೀರಿ ಮತ್ತು ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳೊಂದಿಗೆ ಇರಿಸುತ್ತೀರಿ.

ಎಚ್ಚರಿಕೆ: ವರ್ಗ ಅಸಮತೋಲನದಿಂದಾಗಿ AI ಸೂಚಿಸಿದ ಮಿತಿ ಅಥವಾ ಮಾದರಿ ನಿಖರತೆ (ಉದಾ. "95% ನಿಖರತೆ") ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು. ಅಸಮರ್ಪಕ ಕಾರ್ಯಗಳು ಅಪರೂಪ; ಯಾವಾಗಲೂ "ನೋ ವೈಫಲ್ಯ" ಎಂದು ಹೇಳುವ ಮಾದರಿಯು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ ಆದರೆ ಯಾವುದೇ ಪ್ರಯೋಜನವಿಲ್ಲ. ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ದರ ಮತ್ತು ನಿಖರತೆಗಿಂತ ತಪ್ಪಿದ ವೈಫಲ್ಯದ ದರದಿಂದ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ; ನಿಮ್ಮ ಪ್ರಕ್ರಿಯೆಯ ಅಪಾಯವು ಈ ಸಮತೋಲನವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ನಿರ್ಧಾರದಿಂದ ನಿರ್ವಹಣೆಗೆ: ಮಾನವ ಅನುಮೋದನೆ

ಅಸಂಗತತೆ ಪತ್ತೆ ನೇರ "ಸ್ಟಾಪ್ ಮೆಷಿನ್" ಆದೇಶವಲ್ಲ; ಇದು ನಿರ್ಧಾರ ಬೆಂಬಲ ಸಂಕೇತವಾಗಿದೆ. ವಿಶಿಷ್ಟ ಹರಿವು: ಅಸಂಗತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲಾಗಿದೆ → ತೀವ್ರತೆ ಮತ್ತು ಪ್ರವೃತ್ತಿಯನ್ನು ನಿರ್ಣಯಿಸಲಾಗಿದೆ → ಆರೈಕೆ ತಂಡವು ಖಚಿತಪಡಿಸುತ್ತದೆ (ದೈಹಿಕ ತಪಾಸಣೆ, ಹೆಚ್ಚುವರಿ ಅಳತೆ) → ಯೋಜಿತ ಹಸ್ತಕ್ಷೇಪ. AI ಪ್ರವೃತ್ತಿ ಮತ್ತು ಸಂಭವನೀಯ ಕಾರಣವನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ "ಈ ಬೇರಿಂಗ್ ಅನ್ನು ಬದಲಾಯಿಸಬೇಕಾಗಿದೆ" ಎಂಬ ನಿರ್ಧಾರ ಮತ್ತು ಸಮಯವು ಮಾನವನೊಂದಿಗೆ ಉಳಿದಿದೆ; ಏಕೆಂದರೆ ಮಾನವರು ಉತ್ಪಾದನಾ ಯೋಜನೆ, ಬಿಡಿಭಾಗಗಳು ಮತ್ತು ಸುರಕ್ಷತೆಯ ಸಂದರ್ಭವನ್ನು ನೋಡುತ್ತಾರೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಈ ಕಂಪನ ಡೇಟಾ ದೋಷಯುಕ್ತವಾಗಿದೆಯೇ?" (ಬೇಸ್‌ಲೈನ್ ಇಲ್ಲ, ಎಫ್‌ಎಸ್ ಇಲ್ಲ, ಸಂದರ್ಭವಿಲ್ಲ. ಆಧಾರರಹಿತ ಹೌದು/ಇಲ್ಲ.) ಸ್ಟ್ರಾಂಗ್: "12 ಕಿಲೋಹರ್ಟ್‌ಝ್‌ನಲ್ಲಿ ಸ್ಯಾಂಪಲ್ ಮಾಡಲಾದ ಬೇರಿಂಗ್‌ನ 1 ಸೆಕೆಂಡ್ ವೇಗವರ್ಧಕ ಡೇಟಾವನ್ನು ನಾನು ಹೊಂದಿದ್ದೇನೆ. RMS, ಕ್ರೆಸ್ಟ್ ಫ್ಯಾಕ್ಟರ್, ಕರ್ಟೋಸಿಸ್ ಮತ್ತು ಪ್ರಾಬಲ್ಯ ಆವರ್ತನವನ್ನು ಲೆಕ್ಕಹಾಕಿ. ನನ್ನ ಬಳಿ 30-ದಿನಗಳ ಆರೋಗ್ಯಕರ ಆಪರೇಟಿಂಗ್ ಬೇಸ್‌ಲೈನ್ ಇದೆ (RMS ಸರಾಸರಿ = 0.8.1 ಲೆಕ್ಕಾಚಾರ). ಬೇಸ್‌ಲೈನ್‌ನಿಂದ ಮತ್ತು 3-ಸಿಗ್ಮಾ ಥ್ರೆಶ್‌ಹೋಲ್ಡ್‌ನ ಪ್ರಕಾರ ಅದನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ, ಆದರೆ ಇದು ನಿರ್ಧಾರ ಬೆಂಬಲ ಸಂಕೇತವಾಗಿದೆ ಮತ್ತು ಪ್ರಬಲವಾದ ಆವರ್ತನವನ್ನು ಬೇರಿಂಗ್‌ನ ವಿಶಿಷ್ಟವಾದ ದೋಷದ ಆವರ್ತನಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ.

ಮಿನಿ ಕೇಸ್

ನಿರ್ವಹಣಾ ಇಂಜಿನಿಯರ್ ಎಮ್ರೆ ಫ್ಯಾನ್ ಮೋಟರ್‌ಗಾಗಿ ಕಂಪನ-ಆಧಾರಿತ ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಸ್ಥಾಪಿಸುತ್ತಿದ್ದಾರೆ. ಇದು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು AI ಗೆ z-ಸ್ಕೋರ್ ಅಸಂಗತತೆಯ ಕೋಡ್ ಅನ್ನು ಮುದ್ರಿಸುತ್ತದೆ; ಸಿಸ್ಟಮ್ ಕೆಲವೇ ದಿನಗಳಲ್ಲಿ ಎಚ್ಚರಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ. ಆದರೆ ಎಮ್ರೆ ಅದನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ, ಯಂತ್ರವು ಅಖಂಡವಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತದೆ-ಸುಳ್ಳು ಎಚ್ಚರಿಕೆ. ಅವನು ಅದನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ, ಅವನು ಕೇವಲ 2 ಗಂಟೆಗಳ ಡೇಟಾದೊಂದಿಗೆ ಬೇಸ್‌ಲೈನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿದ್ದಾನೆಂದು ಅವನು ಅರಿತುಕೊಳ್ಳುತ್ತಾನೆ, ಆದರೆ ಲೋಡ್ ಬದಲಾದಾಗ ಫ್ಯಾನ್‌ನ ಕಂಪನವು ಸಾಮಾನ್ಯವಾಗಿ ಏರಿಳಿತಗೊಳ್ಳುತ್ತದೆ. ವಿಭಿನ್ನ ಲೋಡ್ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಸರಿದೂಗಿಸಲು ಇದು ಬೇಸ್‌ಲೈನ್ ಅನ್ನು 1 ವಾರಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ ಮತ್ತು ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳನ್ನು ನಿಲ್ಲಿಸಲಾಗುತ್ತದೆ. ನಂತರ ಅವನು ಕ್ರೆಸ್ಟ್ ಅಂಶದಲ್ಲಿ ನಿಧಾನಗತಿಯ ಮೇಲ್ಮುಖ ಪ್ರವೃತ್ತಿಯನ್ನು ನೋಡುತ್ತಾನೆ; RMS ಇನ್ನೂ ಮಿತಿಯನ್ನು ದಾಟುವ ಮೊದಲು ಇದು ಆರಂಭಿಕ ಬೇರಿಂಗ್ ವೈಫಲ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ದೈಹಿಕ ಪರೀಕ್ಷೆಯು ಬೇರಿಂಗ್ನ ಅಕಾಲಿಕ ಉಡುಗೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಯೋಜಿತ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಎಮ್ರೆ ಬೇರಿಂಗ್ ಅನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ಅನಿರೀಕ್ಷಿತ ನಿಲುಗಡೆ ಇಲ್ಲ. AI ತ್ವರಿತವಾಗಿ ಗುಣಲಕ್ಷಣ ಮತ್ತು ಅಸಂಗತತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದೆ; ಆದರೆ ಬೇಸ್‌ಲೈನ್ ಗುಣಮಟ್ಟ ಮತ್ತು ಪ್ರವೃತ್ತಿಯ ಅರ್ಥವಿವರಣೆ-ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು ಮತ್ತು ನಿಜವಾದ ವೈಫಲ್ಯವನ್ನು ಮೊದಲೇ ಹಿಡಿಯುವುದು-ಎಂಜಿನಿಯರ್‌ನ ಕೆಲಸವಾಯಿತು.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಆರೋಗ್ಯಕರ ಯಂತ್ರದಿಂದ ಸಾಕಷ್ಟು/ಪ್ರಾತಿನಿಧಿಕ ಬೇಸ್‌ಲೈನ್ ಅನ್ನು ಸಂಗ್ರಹಿಸದೆಯೇ ಮಿತಿಯನ್ನು ಹೊಂದಿಸುವುದು.
• ಮಾದರಿ ಆವರ್ತನವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆಯೇ ಎಫ್‌ಎಫ್‌ಟಿ/ಪ್ರಾಬಲ್ಯದ ಆವರ್ತನವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು.
• "ನಿಖರತೆ" ಯೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮತ್ತು ಅಪರೂಪದ ಅಸಮರ್ಪಕ ಕ್ರಿಯೆಯ ಸಂದರ್ಭದಲ್ಲಿ ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುವುದು.
• ಪ್ರಕ್ರಿಯೆಯ ಅಪಾಯದಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ನಿರಂಕುಶವಾಗಿ ಮಿತಿಯನ್ನು ಆರಿಸುವುದು.
• ಅಸಂಗತತೆಯ ಸಂಕೇತವನ್ನು ನೇರ ಸ್ಟಾಪ್ ಕಮಾಂಡ್ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು ಮತ್ತು ಮಾನವ ಪರಿಶೀಲನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು.
• ಒಂದೇ ಮೆಟ್ರಿಕ್ ಅನ್ನು ನೋಡುವುದು ಮತ್ತು ಪ್ರವೃತ್ತಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು (ನಿಧಾನ ಏರಿಕೆ).

ಸಾರಾಂಶದಲ್ಲಿ

• ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯು ಯಂತ್ರದ ನೈಜ ಸ್ಥಿತಿಯನ್ನು ಅಳೆಯುತ್ತದೆ ಮತ್ತು ವೈಫಲ್ಯವನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ.
• RMS, ಕ್ರೆಸ್ಟ್, ಕರ್ಟೋಸಿಸ್, ಪ್ರಬಲ ಆವರ್ತನದಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಂಪನ/ತಾಪಮಾನದಿಂದ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ.
• ಥ್ರೆಶೋಲ್ಡ್ ಮತ್ತು ಅಸಂಗತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಆರೋಗ್ಯಕರ ಯಂತ್ರದ ಮೂಲ ಅಂಕಿಅಂಶದಿಂದ ಪಡೆಯಲಾಗಿದೆ.
• ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳ ಸಮತೋಲನವನ್ನು ಪ್ರಕ್ರಿಯೆಯ ಅಪಾಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ.
• ಅಪರೂಪದ ದೋಷಗಳಲ್ಲಿ, "ನಿಖರತೆ" ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ತಪ್ಪು ಎಚ್ಚರಿಕೆ/ಮಿಸ್ ದರಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
• ಅಸಂಗತತೆಯು ನಿರ್ಧಾರ ಬೆಂಬಲ ಸಂಕೇತವಾಗಿದೆ; ಆರೈಕೆಯ ನಿರ್ಧಾರ ಮತ್ತು ಸಮಯವು ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ಉಳಿದಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಕಂಪನ ಅಥವಾ ತಾಪಮಾನ ಸಮಯದ ಸರಣಿಯನ್ನು ಹುಡುಕಿ ಅಥವಾ ಅನುಕರಿಸಿ (ಆರೋಗ್ಯಕರ ಬೇಸ್ + ಕ್ರಮೇಣ ಕ್ಷೀಣಿಸುತ್ತಿರುವ ವಿಭಾಗ). ಪ್ರಿಂಟ್ ವೈಶಿಷ್ಟ್ಯದ ಹೊರತೆಗೆಯುವಿಕೆ (RMS, ಕ್ರೆಸ್ಟ್, ಕರ್ಟೊಸಿಸ್) ಮತ್ತು ಬೇಸ್‌ಲೈನ್‌ನಿಂದ AI ಗೆ z- ಸ್ಕೋರ್ ಅಸಂಗತತೆ ಪತ್ತೆ ಕೋಡ್. ನಂತರ: (1) ಆರೋಗ್ಯಕರ ವಿಭಾಗದಿಂದ ಮಾತ್ರ ಬೇಸ್‌ಲೈನ್ ಅನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮಾದರಿ ಆವರ್ತನವನ್ನು ನೀಡಿ, (2) 2-ಸಿಗ್ಮಾ ಮತ್ತು 4-ಸಿಗ್ಮಾದ ಮಿತಿಯನ್ನು ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ತಪ್ಪು ಅಲಾರಮ್‌ಗಳು ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳ ಸಂಖ್ಯೆಯು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಹೋಲಿಸಿ, (3) ಒಂದೇ ಅಳತೆಯ ಬದಲಿಗೆ ಗುಣಲಕ್ಷಣದ ಪ್ರವೃತ್ತಿಯನ್ನು ಯೋಜಿಸಿ ಮತ್ತು ಅದು ಮುಂಚಿನ ಎಚ್ಚರಿಕೆಯನ್ನು ನೀಡುತ್ತದೆಯೇ ಎಂದು ನೋಡಿ. ನಿಮ್ಮ ಸನ್ನಿವೇಶದಲ್ಲಿ ಅಪಾಯಕ್ಕೆ ಯಾವ ಮಿತಿ ಸೂಕ್ತವಾಗಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ ಮತ್ತು ನೀವು ಅದನ್ನು ಏಕೆ ಆರಿಸಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಸಮರ್ಥಿಸಿ.