ಲಾಭಗಳು:
- ವೈಫಲ್ಯದ ವಿಧಾನಗಳು, ಸಂವೇದಕ ಡೇಟಾ ಮತ್ತು ಶಕ್ತಿಯ ಉಪಕರಣಗಳಲ್ಲಿ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯ ವ್ಯಾಪಾರ ಮೌಲ್ಯವನ್ನು ವಿವರಿಸಿ.
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಅಸಂಗತತೆ ಪತ್ತೆ, ಉಳಿದಿರುವ ಉಪಯುಕ್ತ ಜೀವನ ಅಂದಾಜು ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಆದ್ಯತೆಯನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
- ತಪ್ಪು ಎಚ್ಚರಿಕೆ/ತಪ್ಪಿದ ದೋಷ ಸಮತೋಲನವನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ನಿರ್ವಹಣಾ ನಿರ್ಧಾರಗಳಲ್ಲಿ ತಜ್ಞರ ಅನುಮೋದನೆಯ ಅಗತ್ಯತೆ
ವಿದ್ಯುತ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಸಲಕರಣೆಗಳ ವೈಫಲ್ಯವು ದುಬಾರಿ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಅಪಾಯಕಾರಿಯಾಗಿದೆ: ವಿದ್ಯುತ್ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಸ್ಫೋಟವು ಮಿಲಿಯನ್ ಡಾಲರ್ಗಳಷ್ಟು ಹಾನಿ ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ನಿಲುಗಡೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ; ವಿಂಡ್ ಟರ್ಬೈನ್ ಗೇರ್ಬಾಕ್ಸ್ ಅನ್ನು ಮುರಿಯುವುದು ಎಂದರೆ ತಿಂಗಳುಗಳ ಉತ್ಪಾದನೆಯನ್ನು ಕಳೆದುಕೊಂಡಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ನಿರ್ವಹಣೆಯು "ಅದು ಮುರಿದಾಗ ಅದನ್ನು ಸರಿಪಡಿಸಿ" (ಸ್ಥಗಿತ ನಿರ್ವಹಣೆ) ಅಥವಾ "ವೇಳಾಪಟ್ಟಿಯ ಮೂಲಕ ಬದಲಿಸಿ" (ನಿಯತಕಾಲಿಕ ನಿರ್ವಹಣೆ) ತರ್ಕದ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ; ಇಬ್ಬರೂ ತಡವಾಗಿ ಅಥವಾ ಬೇಗನೆ ಮಧ್ಯಪ್ರವೇಶಿಸುತ್ತಾರೆ. ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯು ಉಪಕರಣದ ನೈಜ ಸ್ಥಿತಿಯನ್ನು ನಿರಂತರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಅದು ಸಂಭವಿಸುವ ಮೊದಲು ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಮಧ್ಯಪ್ರವೇಶಿಸುತ್ತದೆ. ಸಂವೇದಕಗಳ ಪ್ರವಾಹವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಈ ಒಳನೋಟವನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ವೈಫಲ್ಯದ ವಿಧಾನಗಳು, AI-ಸಹಾಯದ ಅಸಂಗತತೆ ಪತ್ತೆ ಮತ್ತು ಉಳಿದ ಜೀವಿತಾವಧಿ ಅಂದಾಜು ಮತ್ತು ಅವುಗಳ ಮಿತಿಗಳ ಬಗ್ಗೆ ನಾವು ಕಲಿಯುತ್ತೇವೆ.
ವೈಫಲ್ಯ ವಿಧಾನಗಳು ಮತ್ತು ಸಂವೇದಕ ಡೇಟಾ
ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯ ಆಧಾರವೆಂದರೆ ಉಪಕರಣವು ಒಡೆಯುವಾಗ ಕುರುಹುಗಳನ್ನು ಬಿಡುತ್ತದೆ. ಅಸಮರ್ಪಕ ಕ್ರಿಯೆಯು ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಸಂಭವಿಸುವುದಿಲ್ಲ, ಆದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಕ್ರಿಯೆಯಾಗಿ ಬೆಳವಣಿಗೆಯಾಗುತ್ತದೆ, ಮತ್ತು ಈ ಪ್ರಕ್ರಿಯೆಯು ಅಳೆಯಬಹುದಾದ ರೋಗಲಕ್ಷಣಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ವಿದ್ಯುತ್ ಪರಿವರ್ತಕ: ತೈಲ ತಾಪಮಾನ, ಲೋಡ್ ಮತ್ತು ವಿಶೇಷವಾಗಿ ಕರಗಿದ ಅನಿಲ ವಿಶ್ಲೇಷಣೆ (DGA; ತೈಲದಲ್ಲಿ ಸಂಗ್ರಹವಾದ ಅನಿಲಗಳ ಮಾಪನ). ಕೆಲವು ಅನಿಲಗಳ ಹೆಚ್ಚಳವು ಆಂತರಿಕ ಆರ್ಸಿಂಗ್, ಮಿತಿಮೀರಿದ ಅಥವಾ ನಿರೋಧನದ ಕ್ಷೀಣತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.
- ವಿಂಡ್ ಟರ್ಬೈನ್: ಗೇರ್ ಬಾಕ್ಸ್ ಮತ್ತು ಬೇರಿಂಗ್ ಕಂಪನ, ತಾಪಮಾನ, ತೈಲ ಕಣಗಳು, ವಿದ್ಯುತ್ ಕರ್ವ್ನಿಂದ ವಿಚಲನ. ಬೇರಿಂಗ್ ಅವನತಿಯು ವಿಶಿಷ್ಟವಾದ ಕಂಪನ ಆವರ್ತನಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
- ಕೇಬಲ್ ಮತ್ತು ಲೈನ್: ಭಾಗಶಃ ಡಿಸ್ಚಾರ್ಜ್ (ನಿರೋಧನದಲ್ಲಿ ಸಣ್ಣ ವಿದ್ಯುತ್ ವಿಸರ್ಜನೆಗಳು), ತಾಪಮಾನ.
- ಬ್ರೇಕರ್ ಮತ್ತು ಸ್ವಿಚ್ ಗೇರ್: ಆನ್-ಆಫ್ ಸ್ವಿಚ್ಗಳ ಸಂಖ್ಯೆ, ತೆರೆಯುವ ಸಮಯ, ಸಂಪರ್ಕ ಪ್ರತಿರೋಧ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಸಂಕೇತಗಳಲ್ಲಿ ಸೂಕ್ಷ್ಮ ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಬಹುವಿಧದ ಮಾದರಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ, ಅದು ಮಾನವನ ಕಣ್ಣು ತಪ್ಪಿಸುತ್ತದೆ. ಅಸಂಗತತೆಯು ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಯಿಂದ ಡೇಟಾದ ಅಂಕಿಅಂಶಗಳ ವಿಚಲನವಾಗಿದೆ; ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯ ಮೊದಲ ಸಂಕೇತವಾಗಿದೆ.
ಸಲಹೆ: ಉತ್ತಮ ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯು "ಸಾಮಾನ್ಯ"ವನ್ನು ಚೆನ್ನಾಗಿ ತಿಳಿದುಕೊಳ್ಳುವುದರೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಾಗ ಉಪಕರಣದ ತುಂಡು ಯಾವ ರೀತಿಯ ಸಂವೇದಕ ಸಹಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿಯದೆ ವಿಚಲನವನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದ್ದರಿಂದ ಮೊದಲ ಹೂಡಿಕೆಯು "ಆರೋಗ್ಯಕರ ನಡವಳಿಕೆ"ಯ ಶುದ್ಧ ಅಡಿಪಾಯವನ್ನು ಸ್ಥಾಪಿಸುವುದು.
ಎರಡು ಅಗತ್ಯ ಕಾರ್ಯಗಳು: ಅಸಂಗತತೆ ಪತ್ತೆ ಮತ್ತು ಉಳಿದ ಜೀವನ
ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎರಡು ಮುಖ್ಯ ಕಾರ್ಯಗಳನ್ನು ಹೊಂದಿದೆ.
ಉಪಕರಣಗಳು ಸಾಮಾನ್ಯದಿಂದ ವಿಚಲನಗೊಂಡಾಗ ಅಸಂಗತತೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಬೇಗನೆ ಹಿಡಿಯುತ್ತದೆ. ಮಾದರಿಯು ಆರೋಗ್ಯಕರ ನಡವಳಿಕೆಯನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅದರ ವಿರುದ್ಧ ಒಳಬರುವ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ; ವಿಚಲನವು ಎಚ್ಚರಿಕೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಇಲ್ಲಿ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ನಿಯತಾಂಕವೆಂದರೆ ಥ್ರೆಶೋಲ್ಡ್: ಎಷ್ಟು ವಿಚಲನವು ಅಲಾರಾಂ ಆಗಿ ಎಣಿಕೆಯಾಗುತ್ತದೆ?
ಉಳಿದಿರುವ ಉಪಯುಕ್ತ ಜೀವನ (RUL) ಎನ್ನುವುದು ಉಪಕರಣವು ವಿಫಲಗೊಳ್ಳುವವರೆಗೆ ಎಷ್ಟು ಸಮಯವನ್ನು ಹೊಂದಿದೆ ಎಂಬುದರ ಅಂದಾಜು. ಇದು ನಿರ್ವಹಣೆಯನ್ನು ಯೋಜಿಸಲು ಅನುಮತಿಸುತ್ತದೆ (ಭಾಗಗಳ ಆರ್ಡರ್, ಔಟ್ಟೇಜ್ ವಿಂಡೋ). RUL ಅಂದಾಜು ಅಂತರ್ಗತವಾಗಿ ಅನಿಶ್ಚಿತವಾಗಿದೆ ಮತ್ತು ಶ್ರೇಣಿಯೊಂದಿಗೆ ನೀಡಬೇಕು.
ತಪ್ಪು ಎಚ್ಚರಿಕೆ / ತಪ್ಪಿದ ದೋಷ ಸಮತೋಲನ
ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯ ಹೃದಯಭಾಗದಲ್ಲಿ ಸಮತೋಲನವಿದೆ. ತಪ್ಪು ಎಚ್ಚರಿಕೆ (ತಪ್ಪು ಧನಾತ್ಮಕ) ಯಾವುದೇ ದೋಷವಿಲ್ಲದಿದ್ದಾಗ ಎಚ್ಚರಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಇದು ಅನಗತ್ಯ ನಿರ್ವಹಣೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಅಲಭ್ಯತೆಯನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು - ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ - ಎಚ್ಚರಿಕೆಗಳಲ್ಲಿ ತಂಡದ ವಿಶ್ವಾಸವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ ("ತೋಳ ಬಂದಿದೆ" ಪರಿಣಾಮ). ತಪ್ಪಿದ ತಪ್ಪು (ತಪ್ಪು ನಕಾರಾತ್ಮಕ) ನಿಜವಾದ ದೋಷವನ್ನು ಊಹಿಸಲು ವಿಫಲವಾಗಿದೆ; ಅನಿರೀಕ್ಷಿತ ಸ್ಫೋಟ ಎಂದರೆ ಹಾನಿ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಅಪಾಯ.
ನೀವು ಮಿತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡಿದರೆ, ತಪ್ಪಿದ ದೋಷಗಳು ಕಡಿಮೆಯಾಗುತ್ತವೆ ಆದರೆ ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಹೆಚ್ಚಾಗುತ್ತವೆ; ನೀವು ಅದನ್ನು ಹೆಚ್ಚಿಸಿದರೆ, ವಿರುದ್ಧವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ. ಈ ಎರಡು ವೈಫಲ್ಯಗಳ ಬೆಲೆಗೆ ಅನುಗುಣವಾಗಿ ಸರಿಯಾದ ಮಿತಿಯನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ: ವಿತರಣಾ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ನ ತಪ್ಪಿದ ದೋಷದ ವೆಚ್ಚವು ಬೀದಿ ದೀಪಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ನಿರ್ಣಾಯಕ ಸಾಧನಗಳಲ್ಲಿ ಮಿತಿಯನ್ನು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿ ಇರಿಸಲಾಗುತ್ತದೆ (ಸುಳ್ಳು ಎಚ್ಚರಿಕೆಗಳಿಗೆ ಹೆಚ್ಚು ಒಳಗಾಗುತ್ತದೆ).
ಎಚ್ಚರಿಕೆ: "ಮಾದರಿಯು 95 ಪ್ರತಿಶತ ನಿಖರವಾಗಿದೆ" ಎಂದು ಹೇಳುವುದು ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಲ್ಲಿ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ. ವೈಫಲ್ಯಗಳು ಅಪರೂಪವಾಗಿರುವುದರಿಂದ, ಯಾವುದೇ ಅಲಾರಂಗಳನ್ನು ಉತ್ಪಾದಿಸದ ಮಾದರಿಯು ಸಹ 95 ಪ್ರತಿಶತ "ನಿಖರ" ಆಗಿರಬಹುದು - ಆದರೆ ಇದು ಒಂದು ನಿಜವಾದ ವೈಫಲ್ಯವನ್ನು ಸಹ ಹಿಡಿಯುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಯಶಸ್ಸನ್ನು ತಪ್ಪಿದ ವೈಫಲ್ಯ ಮತ್ತು ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ದರಗಳಿಂದ ಪ್ರತ್ಯೇಕವಾಗಿ ಅಳೆಯಲಾಗುತ್ತದೆ, ಒಟ್ಟಾರೆ ನಿಖರತೆಯಿಂದ ಅಲ್ಲ.
ಹಂತ ಹಂತವಾಗಿ: AI-ಚಾಲಿತ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ
ಹಂತ 1 - ಆರೋಗ್ಯಕರ ಅಡಿಪಾಯವನ್ನು ಸ್ಥಾಪಿಸಿ. ಸಾಕಷ್ಟು ಡೇಟಾದೊಂದಿಗೆ ಉಪಕರಣದ ಸಾಮಾನ್ಯ ಆಪರೇಟಿಂಗ್ ಸಹಿಯನ್ನು ತಿಳಿಯಿರಿ.
ಹಂತ 2 - ಸೆನ್ಸರ್ಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ. ವೈಫಲ್ಯ ಮೋಡ್ಗೆ ಸೂಕ್ತವಾದ ಸಂಕೇತಗಳು (ಕಂಪನ, DGA, ತಾಪಮಾನ); ಸಂವೇದಕ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿದೆ.
ಹಂತ 3 - ಅಸಂಗತ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ. ಸಾಮಾನ್ಯದಿಂದ ವಿಚಲನವನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮಾದರಿ; ಸಲಕರಣೆಗಳ ವಿಮರ್ಶಾತ್ಮಕತೆಯ ಆಧಾರದ ಮೇಲೆ ಮಿತಿಯನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ.
ಹಂತ 4 - ಅಲಾರಮ್ಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ. ಎಲ್ಲಾ ವಿಚಲನಗಳು ಒಂದೇ ತುರ್ತು ಅಲ್ಲ; AI ಅಲಾರಮ್ಗಳನ್ನು ತೀವ್ರತೆ ಮತ್ತು ಸಂಭವನೀಯ ದೋಷದ ಪ್ರಕಾರದಿಂದ ವಿಂಗಡಿಸುತ್ತದೆ.
ಹಂತ 5 - ತಜ್ಞರ ಪರಿಶೀಲನೆ. ಪ್ರತಿ ಮಹತ್ವದ ಎಚ್ಚರಿಕೆಯು ನಿರ್ವಹಣೆ ಇಂಜಿನಿಯರ್ಗೆ ಪರಿಶೀಲನೆಗಾಗಿ ಹೋಗುತ್ತದೆ; AI ರೋಗನಿರ್ಣಯ ಮಾಡುವುದಿಲ್ಲ, ಇದು ಕಲ್ಪನೆಗಳು ಮತ್ತು ಆದ್ಯತೆಗಳನ್ನು ನೀಡುತ್ತದೆ.
ಹಂತ 6 - ಪ್ರತಿಕ್ರಿಯೆ. ನಿಜವಾದ ತಪ್ಪು/ಸಾಮಾನ್ಯ ಫಲಿತಾಂಶಗಳನ್ನು ಮಾದರಿಗೆ ಹಿಂತಿರುಗಿಸಲಾಗುತ್ತದೆ; ಮಿತಿ ಮತ್ತು ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸಲಾಗಿದೆ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ನ ಆರಂಭಿಕ ಎಚ್ಚರಿಕೆ. ವಿದ್ಯುತ್ ಪರಿವರ್ತಕದ DGA ಡೇಟಾದಲ್ಲಿ, AI ಕೆಲವು ಅನಿಲಗಳ (ಎಥಿಲೀನ್) ನಿಧಾನವಾದ ಆದರೆ ಸ್ಥಿರವಾದ ಹೆಚ್ಚಳವನ್ನು ಸೆರೆಹಿಡಿಯಿತು; ಒಂದೇ ಮಾಪನವು ಸಾಮಾನ್ಯ ವ್ಯಾಪ್ತಿಯಲ್ಲಿತ್ತು, ಆದರೆ ಪ್ರವೃತ್ತಿಯು ಅಸಹಜವಾಗಿತ್ತು. ತಜ್ಞರ ವಿಮರ್ಶೆಯು ಹಾಟ್ ಸ್ಪಾಟ್ ಅನ್ನು ಕಂಡುಹಿಡಿದಿದೆ (ಅತಿಯಾಗಿ ಕಾಯಿಸುವ ಸಂಪರ್ಕ). ಯೋಜಿತ ಹಸ್ತಕ್ಷೇಪದಿಂದ ಸಂಭವನೀಯ ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ತಡೆಯಲಾಗಿದೆ; ಅಂದಾಜು ತಪ್ಪಿಸಿದ ಹಾನಿಯು ಹಲವಾರು ಮಿಲಿಯನ್ ಲಿರಾ ಕ್ರಮದಲ್ಲಿದೆ.
ಪ್ರಕರಣ 2 - ತೋಳವು ಪರಿಣಾಮ ಬೀರಿತು. ಒಂದು ಗಾಳಿ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮಿತಿ ತುಂಬಾ ಕಡಿಮೆ ಹೊಂದಿಸಲಾಗಿದೆ; ಮಾದರಿಯು ವಾರಕ್ಕೆ ಡಜನ್ಗಟ್ಟಲೆ ತಪ್ಪು ಕಂಪನ ಅಲಾರಂಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತಿದೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ತಂಡವು ಅಲಾರಂಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಪ್ರಾರಂಭಿಸಿತು ಮತ್ತು ನಿಜವಾದ ಬೇರಿಂಗ್ ವೈಫಲ್ಯವನ್ನು ತಪ್ಪಿಸಿತು. ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಲ್ಲಿನ ನಿಜವಾದ ವೈಫಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಥ್ರೆಶೋಲ್ಡ್ ಅನ್ನು ಮರುಮಾಪನ ಮಾಡಿದಾಗ, ಸುಳ್ಳು ಅಲಾರಮ್ಗಳು ವಾರಕ್ಕೆ ಒಂದಕ್ಕೆ ಇಳಿದವು ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸ ಮರಳಿತು.
ಪ್ರಕರಣ 3 - RUL ಶ್ರೇಣಿ. ಗೇರ್ಬಾಕ್ಸ್ಗೆ ಮಾದರಿಯು "ಉಳಿದಿರುವ ಜೀವನವು ಸರಿಸುಮಾರು 6 ವಾರಗಳು" ಎಂದು ಹೇಳಿದೆ ಆದರೆ ಬೆಸ ಸಂಖ್ಯೆಯಂತೆ. ವಾಸ್ತವವಾಗಿ, ಅನಿಶ್ಚಿತತೆ ಹೆಚ್ಚಾಗಿದೆ; ಭಾಗವು 9 ನೇ ವಾರದಲ್ಲಿ ಬಂದಿತು, 5 ನೇ ವಾರದಲ್ಲಿ ವೈಫಲ್ಯ ಸಂಭವಿಸಿದೆ ಮತ್ತು ಯೋಜಿತವಲ್ಲದ ನಿಲುಗಡೆ ಸಂಭವಿಸಿದೆ. ಮುಂದಿನ ವ್ಯಾಯಾಮದಲ್ಲಿ, RUL ಅನ್ನು ಮಧ್ಯಂತರದೊಂದಿಗೆ ನೀಡಲಾಯಿತು ("3-8 ವಾರಗಳು, 80 ಪ್ರತಿಶತ ವಿಶ್ವಾಸ") ಮತ್ತು ಸಮಂಜಸವಾದ ಕೆಟ್ಟ ಸನ್ನಿವೇಶದ ಆಧಾರದ ಮೇಲೆ ಭಾಗಗಳ ಆದೇಶವನ್ನು ಮುಂದಕ್ಕೆ ತರಲಾಯಿತು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಕಂಪನ ಡೇಟಾವನ್ನು ನೋಡಿ, ಯಾವುದಾದರೂ ಅಸಮರ್ಪಕ ಕಾರ್ಯವಿದೆಯೇ?[ಡೇಟಾ]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ವಿಶ್ಲೇಷಕ. ಸಲಕರಣೆ: ವಿಂಡ್ ಟರ್ಬೈನ್ ಗೇರ್ಬಾಕ್ಸ್.- ಮೊದಲು ಡೇಟಾದಲ್ಲಿನ ಸಾಮಾನ್ಯ (ಆರೋಗ್ಯಕರ) ನಡವಳಿಕೆಯನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿ; ಅದರ ವಿರುದ್ಧ ಅಸಂಗತತೆಯನ್ನು ಗುರುತಿಸಿ.- ತೀವ್ರತೆ ಮತ್ತು ಸಂಭವನೀಯ ವೈಫಲ್ಯದ ಪ್ರಕಾರದಿಂದ ವಿಚಲನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ; ನಿರ್ಣಾಯಕ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡಬೇಡಿ, ಕಲ್ಪನೆಗಳನ್ನು ರಚಿಸಿ. - ಪ್ರತಿ ಊಹೆಗೆ, ಯಾವ ಹೆಚ್ಚುವರಿ ಅಳತೆ/ಪರೀಕ್ಷೆಯು ಅದನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸಿ. - ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳ ಸಮತೋಲನವನ್ನು ಪರಿಗಣಿಸಿ; ಈ ಉಪಕರಣದ ವಿಮರ್ಶಾತ್ಮಕತೆಯ ಆಧಾರದ ಮೇಲೆ ನಿಮ್ಮ ಮಿತಿ ಶಿಫಾರಸುಗಳನ್ನು ಸಮರ್ಥಿಸಿ. - RUL ಅನ್ನು ವಿನಂತಿಸಿದರೆ, ಅದನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ನೀಡಿ, ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ. ಡೇಟಾ: [ಕಂಪನ/ತಾಪಮಾನ ಸರಣಿ]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಸಾಮಾನ್ಯವನ್ನು ಮೊದಲು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ರೋಗನಿರ್ಣಯದ ಬದಲಿಗೆ ಊಹೆಗಳನ್ನು ಕೇಳುತ್ತದೆ, ಪರಿಶೀಲನಾ ಹಂತ ಮತ್ತು ಥ್ರೆಶೋಲ್ಡ್ ಆಫ್ಸೆಟ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ, ಮಧ್ಯಂತರದಲ್ಲಿ RUL ಅನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ - ಪ್ರಾರಂಭದಿಂದಲೂ ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯ ಶ್ರೇಷ್ಠ ಅಪಾಯಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಆರೋಗ್ಯಕರ ಮೂಲ ಹೊರತೆಗೆಯುವಿಕೆ:
ಈ ಉಪಕರಣದ ಡೇಟಾದಿಂದ ಸಾಮಾನ್ಯ/ಆರೋಗ್ಯಕರ ಆಪರೇಟಿಂಗ್ ಸಹಿಯನ್ನು ಹೊರತೆಗೆಯಿರಿ: ವಿಶಿಷ್ಟ ಶ್ರೇಣಿಗಳು, ಕಾಲೋಚಿತ/ಲೋಡ್ ಅವಲಂಬಿತ ವ್ಯತ್ಯಾಸ. ನಂತರ ಈ ಆಧಾರದ ಮೇಲೆ ಅಸಂಗತತೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ನಿಜವಾದ ವೈಪರೀತ್ಯಗಳಿಂದ ಲೋಡ್ ಅಥವಾ ತಾಪಮಾನದಿಂದ ವಿವರಿಸಬಹುದಾದ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ.
2) ಎಚ್ಚರಿಕೆಯ ಆದ್ಯತೆ:
ತೀವ್ರತೆ, ಅಭಿವೃದ್ಧಿಯ ದರ ಮತ್ತು ಸಂಭವನೀಯ ವೈಫಲ್ಯದ ಪ್ರಕಾರದಿಂದ ಕೆಳಗಿನ ವಿಚಲನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ: ತುರ್ತು (ತುರ್ತು/ಮಾನಿಟರ್/ಸಾಮಾನ್ಯ), ಸಂಭವನೀಯ ಕಾರಣದ ಊಹೆಗಳು ಮತ್ತು ಪರಿಶೀಲನೆ ಹಂತ. ನಿರ್ಣಾಯಕ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುವುದು; ನಿರ್ವಹಣಾ ಎಂಜಿನಿಯರ್ಗೆ ನಿರ್ಧಾರ ಟಿಪ್ಪಣಿಯನ್ನು ನೀಡಲಾಗುತ್ತದೆ.
3) ಥ್ರೆಶೋಲ್ಡ್ ಬ್ಯಾಲೆನ್ಸ್ ವಿಶ್ಲೇಷಣೆ:
ಈ ಅಸಂಗತ ಸ್ಕೋರ್ಗಾಗಿ ತಪ್ಪು ಅಲಾರಂಗಳು ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳ ಸಂಖ್ಯೆಯ ಮೇಲೆ ವಿಭಿನ್ನ ಮಿತಿಗಳ ಪ್ರಭಾವವನ್ನು ಐತಿಹಾಸಿಕ ಡೇಟಾದೊಂದಿಗೆ ತೋರಿಸಿ. ಸಲಕರಣೆಗಳ ನಿರ್ಣಾಯಕತೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು ಮಿತಿಗಳನ್ನು ಸೂಚಿಸಿ ಮತ್ತು ಸಮರ್ಥಿಸಿ ([ಹೆಚ್ಚಿನ/ಮಧ್ಯಮ/ಕಡಿಮೆ]). ಎರಡು ದೋಷ ಪ್ರಕಾರಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡಿ, ಒಟ್ಟಾರೆ ನಿಖರತೆಯಲ್ಲ.
4) RUL ಅನಿಶ್ಚಿತತೆಯ ವರದಿ:
ವ್ಯಾಪ್ತಿ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟದೊಂದಿಗೆ ಉಳಿದಿರುವ ಉಪಯುಕ್ತ ಜೀವನದ ನಿಮ್ಮ ಅಂದಾಜನ್ನು ನೀಡಿ. "ಕೆಟ್ಟ-ಕಾಣಬಹುದಾದ ಸನ್ನಿವೇಶದಲ್ಲಿ" ವೈಫಲ್ಯವನ್ನು ಯಾವಾಗ ನಿರೀಕ್ಷಿಸಬಹುದು? ಈ ಕೆಟ್ಟ ಸನ್ನಿವೇಶದ ಆಧಾರದ ಮೇಲೆ ಭಾಗಗಳ ಸಂಗ್ರಹಣೆ ಮತ್ತು ನಿಲುಗಡೆ ಯೋಜನೆಯನ್ನು ಶಿಫಾರಸು ಮಾಡಿ.
ದೋಷ ಮೋಡ್ ಮತ್ತು ಸಿಗ್ನಲ್ ಟೇಬಲ್
ಉಪಕರಣಗಳು
ಮೇಲ್ವಿಚಾರಣೆ ಸಿಗ್ನಲ್
ಆರಂಭಿಕ ಲಕ್ಷಣ
ವಿದ್ಯುತ್ ಪರಿವರ್ತಕ
DGA, ತೈಲ ತಾಪಮಾನ
ಅನಿಲ ಹೆಚ್ಚಳ, ಹಾಟ್ ಸ್ಪಾಟ್
ಗಾಳಿ ಟರ್ಬೈನ್
ಕಂಪನ, ತೈಲ ಕಣ
ಬೇರಿಂಗ್/ಗೇರ್ ಆವರ್ತನ
ಕೇಬಲ್/ಲೈನ್
ಭಾಗಶಃ ವಿಸರ್ಜನೆ, ತಾಪಮಾನ
ನಿರೋಧನದ ಕ್ಷೀಣತೆ
ಕಟ್ಟರ್
ತೆರೆಯುವ ಸಮಯ, ಸಂಪರ್ಕ ಪ್ರತಿರೋಧ
ಯಾಂತ್ರಿಕ ಕುಸಿತ
ಜನರೇಟರ್
ಕಂಪನ, ತಾಪಮಾನ, ಪ್ರಸ್ತುತ
ಅಸಮತೋಲನ, ಘರ್ಷಣೆ
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸಾಮಾನ್ಯ ನಿಖರತೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ವೈಫಲ್ಯಗಳು ಅಪರೂಪವಾಗಿರುವುದರಿಂದ, "ಅಲಾರ್ಮ್ ಇಲ್ಲ" ಕೂಡ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ; ತಪ್ಪಿದ ದೋಷವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಳೆಯಬೇಕು.
- ಮಿತಿಯನ್ನು ತಪ್ಪಾಗಿ ಹೊಂದಿಸುವುದು. ತುಂಬಾ ಕಡಿಮೆ ಮಿತಿಯು "ತೋಳ ಬಂದಿದೆ" ಪರಿಣಾಮಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಮಿತಿ ಮೀರಿದರೆ ತಪ್ಪಿದ ದೋಷಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.
- AI ರೋಗನಿರ್ಣಯವನ್ನು ಹೊಂದಿರುವುದು. AI ಕಲ್ಪನೆಗಳು ಮತ್ತು ಆದ್ಯತೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; ಅಂತಿಮ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಹಸ್ತಕ್ಷೇಪದ ನಿರ್ಧಾರವು ತಜ್ಞರಿಗೆ ಸೇರಿದೆ.
- RUL ಗೆ ಬೆಸ ಸಂಖ್ಯೆಯನ್ನು ನೀಡುವುದು. ಅನಿಶ್ಚಿತತೆಯ ಮಧ್ಯಂತರವಿಲ್ಲದೆ ನೀಡಲಾದ ಜೀವಮಾನದ ಅಂದಾಜು ಯೋಜಿತವಲ್ಲದ ನಿಲುಗಡೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
- ಸಾಮಾನ್ಯವನ್ನು ಗುರುತಿಸದೆ ವೈಪರೀತ್ಯಗಳನ್ನು ಹುಡುಕುವುದು. ಆರೋಗ್ಯಕರ ಅಡಿಪಾಯವನ್ನು ಸ್ಥಾಪಿಸದೆ ಮಾಡಿದ ಪತ್ತೆಯು ಲೋಡ್ / ಕಾಲೋಚಿತ ಬದಲಾವಣೆಯನ್ನು ಅಸಮರ್ಪಕ ಕಾರ್ಯವೆಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಬಹುದು.
ಸಾರಾಂಶದಲ್ಲಿ
ಸಲಕರಣೆಗಳ ಸಂವೇದಕ ಕುರುಹುಗಳಿಂದ ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯು ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಮಧ್ಯಪ್ರವೇಶಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಅಸಂಗತತೆ ಪತ್ತೆ ಮತ್ತು ಉಳಿದ ಜೀವನ ಭವಿಷ್ಯದಲ್ಲಿ ಪ್ರಬಲವಾಗಿದೆ; ಆದರೆ ಅದರ ಯಶಸ್ಸನ್ನು ಒಟ್ಟಾರೆ ನಿಖರತೆಯಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ ಆದರೆ ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಮತ್ತು ತಪ್ಪಿದ ದೋಷಗಳ ಸಮತೋಲನದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ. ಪರಿಕರಗಳ ವಿಮರ್ಶಾತ್ಮಕತೆಯ ಆಧಾರದ ಮೇಲೆ ಮಿತಿಯನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ, ರೋಗನಿರ್ಣಯಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ AI ಊಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, RUL ಅನ್ನು ಅಂತರದಲ್ಲಿ ಇರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಮಹತ್ವದ ಎಚ್ಚರಿಕೆಯು ತಜ್ಞರ ಪರಿಶೀಲನೆಗೆ ಹೋಗುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಲಕರಣೆಗಳ ತುಣುಕಿನ ಸಂವೇದಕ ಸಮಯದ ಸರಣಿಯನ್ನು ಪಡೆಯಿರಿ (ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್, ಟರ್ಬೈನ್, ಮೋಟಾರ್). "ಆರೋಗ್ಯಕರ ಬೇಸ್ಲೈನ್ ಹೊರತೆಗೆಯುವಿಕೆ" ಮತ್ತು "ಅಲಾರ್ಮ್ ಆದ್ಯತೆ" ಟೆಂಪ್ಲೇಟ್ಗಳೊಂದಿಗೆ AI ನಿಂದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿನಂತಿಸಿ. ನೀವು ಮೊದಲು ಸಾಮಾನ್ಯವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೀರಿ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ; ನಂತರ ಕಂಡುಬರುವ ಯಾವುದೇ ವಿಚಲನವನ್ನು ಲೋಡ್ ಅಥವಾ ತಾಪಮಾನದಿಂದ ವಿವರಿಸಬಹುದೇ ಎಂದು ನಿಮ್ಮನ್ನು ಕೇಳಿಕೊಳ್ಳಿ. ಥ್ರೆಶೋಲ್ಡ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು ಆ ಥ್ರೆಶೋಲ್ಡ್ ಹೇಗೆ ತಪ್ಪು ಎಚ್ಚರಿಕೆ/ತಪ್ಪಿದ ದೋಷ ಸಮತೋಲನವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಉಪಕರಣದ ಆರೋಗ್ಯಕರ/ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಗೆ ಆಧಾರವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ
- [ ] ನಾನು ದೋಷ ಮೋಡ್ಗೆ ಸೂಕ್ತವಾದ ಸಂವೇದಕ ಸಂಕೇತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಗಣಿಸಿದ್ದೇನೆ
- [ ] ನಾನು ಲೋಡ್/ಋತುವಿನ ಪರಿಣಾಮದಿಂದ ಅಸಂಗತತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆ
- [ ] ನಾನು ಉಪಕರಣದ ವಿಮರ್ಶಾತ್ಮಕತೆ ಮತ್ತು ಎರಡು ವೈಫಲ್ಯದ ವಿಧಗಳ ಬೆಲೆಯನ್ನು ಆಧರಿಸಿ ಮಿತಿಯನ್ನು ನಿರ್ಧರಿಸಿದೆ
- [ ] ನಾನು ಒಟ್ಟಾರೆ ನಿಖರತೆಗಿಂತ ಸುಳ್ಳು ಎಚ್ಚರಿಕೆ / ತಪ್ಪಿದ ವೈಫಲ್ಯ ದರಗಳನ್ನು ನೋಡಿದೆ
- [ ] ನಾನು AI ಅನ್ನು ಊಹೆ ಮತ್ತು ಪರಿಶೀಲನಾ ಹಂತಕ್ಕಾಗಿ ಕೇಳಿದೆ, ರೋಗನಿರ್ಣಯವಲ್ಲ
- [ ] ನಾನು RUL ಅಂದಾಜನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಮತ್ತು ತಜ್ಞರ ಅನುಮೋದನೆಗೆ ಒಳಪಟ್ಟಿದ್ದೇನೆ