ලාභ:
- AI සමඟ විශේෂාංග උපුටා ගැනීමෙන් කම්පන/උෂ්ණත්ව දත්ත වලින් දෝෂ රෝග ලක්ෂණ විශ්ලේෂණය කිරීමේ හැකියාව
- AI ආධාරයෙන් එළිපත්ත මත පදනම් වූ සහ සරල යන්ත්ර ඉගෙනීමේ විෂමතා හඳුනාගැනීමේ ප්රවේශයන් සැලසුම් කිරීමේ හැකියාව
- ව්යාජ අනතුරු ඇඟවීම් (ව්යාජ ධනාත්මක) සහ මඟ හැරුණු දෝෂ (ව්යාජ සෘණ) සහ නඩත්තු තීරණවල ශේෂය සත්යාපනය කිරීමේ හැකියාව
නිෂ්පාදන රේඛාවක අනපේක්ෂිත ලෙස අසාර්ථක වීම පැය ගණනක් අක්රිය වීමට, ඇණවුම් මඟ හැරීමට සහ සමහර විට ඇපකර හානිවලට හේතු වේ. සම්ප්රදායික නඩත්තුව අන්ත දෙකකින් නතර වේ: බිඳවැටීම් නඩත්තුව (එය කැඩී ගිය විට එය නිවැරදි කරන්න-වඩාත් මිල අධික පුදුමය) සහ ආවර්තිතා නඩත්තුව (කාලසටහන අනුව ප්රතිස්ථාපනය කරන්න-බොහෝ විට නොමේරූ සහ නාස්ති). පුරෝකථන නඩත්තු කිරීම තුන්වන මාර්ගය විවෘත කරයි: යන්ත්රයේ සැබෑ තත්ත්වය නිරන්තරයෙන් මැනීම, අසාර්ථකත්වය පුරෝකථනය කිරීම සහ නියමිත වේලාවට මැදිහත් වීම. කම්පනය, උෂ්ණත්වය, ධාරාව සහ ශබ්දය වැනි සංඥා වල වෙනස්කම් සති කිහිපයකට පෙර අක්රිය වීමක් පෙන්නුම් කරයි. AI මෙහි බලවත් ය: සංඥා වලින් ලක්ෂණ උකහා ගැනීම, විෂමතා හඳුනා ගැනීම, ඉතිරි ආයු කාලය ඇස්තමේන්තු කිරීම. නමුත් එක් ව්යාජ අනතුරු ඇඟවීමක් යනු අනවශ්ය අක්රිය කාලයක්, එක් අතපසු වූ වරදක් යනු ව්යසනයකි; එළිපත්ත සහ තීරණ ශේෂය ඉංජිනේරුවරයාගේ වගකීම වේ. මෙම ඒකකය තුළ, අපි AI සමඟ අනාවැකි නඩත්තු කරන ආකාරය සහ එහි තීරණ වලංගු කරන ආකාරය ආවරණය කරමු.
කම්පනය සහ උෂ්ණත්වය ඇයි?
භ්රමණය වන යන්ත්රවල දෝෂ ලාක්ෂණික අත්සන් තබයි. ෙබයාරිං ක්ෂය වූ විට, ගියර් ඉරිතලා, පතුවළ අසමතුලිත වේ, කම්පන වර්ණාවලියේ ඇතැම් සංඛ්යාතවල ශක්තිය වැඩි වේ. උෂ්ණත්වය ඝර්ෂණය සහ බර වැඩිවීමේ මන්දගාමී නමුත් විශ්වසනීය දර්ශකයකි. අපි මෙම සංඥා වලින් අර්ථවත් විශේෂාංග උපුටා ගනිමු:
ගුණාංගය
එය පවසන්නේ කුමක්ද
කුමන දෝෂයක්ද?
RMS (ඵලදායී අගය)
සාමාන්ය කම්පන ශක්තිය
සාමාන්ය පිරිහීම, අසමතුලිතතාවය
උච්ච
හදිසි පහරවල්
දරණ දෝෂය, නොච්
ලාංඡන සාධකය (උච්ච/RMS)
ස්පන්දන අන්තර්ගතය
නොමේරූ දරණ අසමත් වීම
kurtosis
බෙදා හැරීමේ "ස්පයිකිනස්"
ස්පන්දන දෝෂයේ රෝග ලක්ෂණය
අධිපති සංඛ්යාතය (FFT)
ශක්තිය එකතු වන සංඛ්යාතය
විශේෂිත සංරචක අසමත් වීම
ප්රධාන අදහස: අමු සංඥාව දෙස බැලීම වෙනුවට, අපි දෝෂ-සංවේදී විශේෂාංග නිරීක්ෂණය කරමු. AI ඉක්මනින් මෙම ගුණාංග ගණනය කරන කේතය ලියයි.
npdef jitter_attributes (signal, fs) ලෙස numpy ආයාත කරන්න: """සංඥාව: ත්වරණය අනුක්රමය, fs: නියැදි සංඛ්යාතය (Hz).""" rms = np.sqrt(np.mean(signal**2)) peak = np.max (signal ifs) crm = np.abs) > 0 else 0 # kurtosis (හතරවන මොහොත / විචලනය^2) මධ්යන්ය = np.mean(සංඥා) kurtosis = np.mean((සංඥා - මධ්යන්ය)**4) / (np.var(සංඥා)**2 + 1e-12) # ප්රමුඛ සංඛ්යාතය (FFT) (FFT) spectrum සංඛ්යාත = np.fft.rfftfreq(len(signal), 1/fs) dominant_f = සංඛ්යාත[np.argmax(spectrum)] ආපසු {"rms": rms, "peak": peak, "crest": crest, "kurtosis": kurtosis, "dominantf: dominant_}
ඉඟිය: AI වෙත විශේෂාංග උපුටා ගන්නා විට, නියැදි සංඛ්යාතය (fs) සහ සංඥාවේ කාලසීමාව සඳහන් කිරීමට වග බලා ගන්න. FFT විභේදනය සහ Nyquist සීමාව ඔවුන් මත රඳා පවතී; fs ලබා නොදෙන්නේ නම්, අධිපති සංඛ්යාතය වැරදි ලෙස අර්ථකථනය කරනු ලැබේ. අතිරේකව, සෞඛ්ය සම්පන්න යන්ත්රයෙන් "මූලික" එකතු කිරීමකින් තොරව කිසිදු සීමාවක් අර්ථවත් නොවේ.
එළිපත්ත මත පදනම් වූ සහ ඉගෙනුම්-පාදක හඳුනාගැනීම
මූලික ප්රවේශයන් දෙකක් තිබේ:
ත්රෙෂෝල්ඩ්-පාදක: උපලක්ෂණයක යම් සීමාවක් ඉක්මවීම (උදා. RMS) අනතුරු ඇඟවීමක් ජනනය කරයි. සරල, විනිවිද පෙනෙන සහ පැහැදිලි කළ හැකි; නමුත් එළිපත්ත නිවැරදිව ලබා ගැනීම දුෂ්කර සහ ඒක මානයකි.
ඉගෙනීම මත පදනම් වූ (විෂමතා හඳුනා ගැනීම): එය සෞඛ්ය සම්පන්න ක්රියාකාරී දත්ත වලින් "සාමාන්ය" ඉගෙන ගන්නා අතර එයින් බැහැරවීම් සලකුණු කරයි. එය බහුමාන රටා ග්රහණය කරයි, නමුත් වැඩි දත්ත අවශ්ය වන අතර “කළු පෙට්ටියක්” බවට පත්වීමේ අවදානමක් ඇත.
npdef z_score_anomali ලෙස numpy ආයාත කරන්න (අගය, මූලික_සාමාජික, මූලික_std, threshold=3.0): """සරල සංඛ්යාන විෂමතාව: පාදක රේඛාවෙන් කොපමණ stds දුරින් තිබේද?""" z = (අගය - baseline_avg) / (baseline_zold) >අස-12 + 1e උදාහරණය: සෞඛ්ය සම්පන්න යන්ත්රයක RMS සාමාන්යය 0.8, std 0.1alarm වීමට ඉඩ දෙන්න, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, alarm: {alarm:4e.5)
මෙම සරල z-ස්කෝර් ප්රවේශය පවා මූලධර්මයක් පෙන්නුම් කරයි: එළිපත්ත සෞඛ්ය සම්පන්න යන්ත්රයේ සංඛ්යාලේඛන වලින් ව්යුත්පන්න කර ඇත, එය අත්තනෝමතික ලෙස තෝරාගෙන නොමැත. AI විසින් වඩාත් දියුණු ක්රම යෝජනා කළ හැක (හුදකලා වනාන්තරය, ස්වයංක්රීය කේතකය), නමුත් ඒවා සියල්ලටම එකම පදනමක් ඇත: පළමුව "සාමාන්ය" නිර්වචනය කරන්න, පසුව අපගමනය මැන බලන්න.
ව්යාජ එලාම් සහ මග හැරුණු දෝෂ ශේෂය
අනාවැකි නඩත්තු කිරීමේ හදවතේ ඉංජිනේරු තීරණය මෙයයි. දෝෂ වර්ග දෙකක් ඇති අතර ඒවායේ පිරිවැය අසමමිතික වේ:
දෝෂ වර්ගය
අර්ථය
පිරිවැය
ව්යාජ අනතුරු ඇඟවීම (ව්යාජ ධනාත්මක)
වරදක් නොමැති විට අනතුරු ඇඟවීම
අනවශ්ය ඉරියව්, විශ්වාසය නැතිවීම
මඟ හැරුණු වරද (අසත්ය සෘණ)
දෝෂයක් ඇති විට අනතුරු ඇඟවීමක් නැත
අනපේක්ෂිත අක්රිය වීම, හානි, අනතුර
ඔබ එළිපත්ත අඩු කළහොත් (ඉතා සංවේදී) මග හැරුණු දෝෂය අඩු වන නමුත් ව්යාජ අනතුරු ඇඟවීම වැඩි වේ; ක්රියාකරුවන් අනතුරු ඇඟවීම් ("එලාම් තෙහෙට්ටුව") මත විශ්වාසය තැබීම නවත්වයි. ඔබ එළිපත්ත වැඩි කළහොත්, ව්යාජ අනතුරු ඇඟවීම් අඩු වේ, නමුත් සැබෑ දෝෂයක් මඟ හැරීමේ අවදානම වැඩි වේ. නිවැරදි ශේෂය අසාර්ථක වීමේ ප්රතිඵලය මත රඳා පවතී: ආරක්ෂිත තීරණාත්මක සංරචකයක (උදා: දොඹකර තිරිංගයක්) මග හැරුණු අසාර්ථකත්වය පිළිගත නොහැකිය, එහිදී ඔබ සංවේදීතාව ඉහළ මට්ටමක තබාගෙන ව්යාජ අනතුරු ඇඟවීම් ඉවසා සිටියි.
අවවාදයයි: AI විසින් යෝජනා කරන ලද සීමාවක් හෝ ආකෘති නිරවද්යතාවයක් (උදා: "95% නිරවද්යතාවය") පන්ති අසමතුලිතතාවය හේතුවෙන් නොමඟ යවන සුළු විය හැක. අක්රමිකතා දුර්ලභ ය; හැමවිටම "no Failer" කියන මොඩල් එකක් උනත් ඉහල නිරවද්යතාවයක් පෙන්වන නමුත් කිසිම ප්රයෝජනයක් නෑ. නිරවද්යතාවයට වඩා ව්යාජ අනතුරු ඇඟවීමේ වේගය සහ මග හැරුණු අසාර්ථක වීමේ අනුපාතය අනුව ආකෘතිය තක්සේරු කරන්න; ඔබේ ක්රියාවලි අවදානම මෙම ශේෂය තීරණය කරයි.
තීරණයේ සිට නඩත්තුව දක්වා: මානව අනුමැතිය
විෂමතා හඳුනා ගැනීම සෘජු "stop machine" විධානයක් නොවේ; එය තීරණ සහාය සංඥාවකි. සාමාන්ය ප්රවාහය: විෂමතාව අනාවරණය කර ඇත → බරපතලකම සහ ප්රවණතාව තක්සේරු කර ඇත → සත්කාර කණ්ඩායම තහවුරු කරයි (භෞතික පරීක්ෂාව, අතිරේක මිනුම්) → සැලසුම්ගත මැදිහත්වීම. AI හට ප්රවණතාවය සහ විය හැකි හේතුව යෝජනා කළ හැක, නමුත් "මෙම රඳවනය ප්රතිස්ථාපනය කළ යුතුය" යන තීරණය සහ වේලාව මිනිසා සමඟ පවතී; මන්ද මිනිසුන් නිෂ්පාදන සැලැස්ම, අමතර කොටස් සහ ආරක්ෂක සන්දර්භය දකින බැවිනි.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල: "මෙම කම්පන දත්ත දෝෂ සහිතද?" (මූලික නැත, fs නැත, සන්දර්භය නැත. සනාථ නොකළ ඔව්/නැත.) STRONG: "මට 12 kHz වලදී නියැදියක තත්පර 1 ක ත්වරණ දත්ත තිබේ. RMS, ලාංඡන සාධකය, kurtosis සහ ප්රමුඛ සංඛ්යාතය ගණනය කරන්න. මට දින 30ක සෞඛ්ය සම්පන්න මෙහෙයුම් පදනමක් ඇත (RMS avg=0.8.1 ගණනය කරන්න). 3-සිග්මා එළිපත්තට අනුව එය අර්ථකථනය කරන්න, නමුත් මෙය තීරණ ආධාරක සංඥාවක් වන අතර ප්රමුඛ සංඛ්යාතය දරණ ලාක්ෂණික දෝෂ සංඛ්යාත සමඟ සසඳන්න.
කුඩා නඩුව
නඩත්තු ඉංජිනේරු Emre විදුලි පංකා මෝටරයක් සඳහා කම්පන-පාදක අධීක්ෂණ ස්ථාපනය කරයි. එය විශේෂාංග නිස්සාරණය සහ z-ස්කෝර් විෂමතා කේතය AI වෙත මුද්රණය කරයි; පද්ධතිය දින කිහිපයක් ඇතුළත අනතුරු ඇඟවීමක් ලබා දෙයි. නමුත් එම්රේ එය පරීක්ෂා කරන විට, යන්ත්රය නොවෙනස්ව - ව්යාජ අනතුරු ඇඟවීමක් බවට පත් වේ. ඔහු එය පරීක්ෂා කරන විට, ඔහු පැය 2 ක දත්ත පමණක් සමඟ මූලික පදනම ස්ථාපිත කළ බව ඔහුට වැටහෙන අතර, බර වෙනස් වන විට විදුලි පංකාවෙහි කම්පනය සාමාන්යයෙන් උච්චාවචනය වේ. එය විවිධ පැටවුම් තත්ව ආවරණය කිරීම සඳහා මූලික පදනම සති 1 දක්වා දීර්ඝ කරන අතර ව්යාජ අනතුරු ඇඟවීම් නතර කරනු ලැබේ. එවිට ඔහු ලාංඡන සාධකයේ මන්දගාමී ඉහළ යාමේ ප්රවණතාවක් දකියි; මෙයින් පෙන්නුම් කරන්නේ RMS තවමත් සීමාව ඉක්මවා යාමට පෙර මුල් දරණ අසාර්ථකත්වයයි. භෞතික පරීක්ෂාව මගින් බෙයාරිං අකාලයේ ඇඳීම තහවුරු කරයි. එම්රේ සැලසුම්ගත නඩත්තුවකදී බෙයාරිං වෙනස් කරන අතර, අනපේක්ෂිත නැවතීමක් නොමැත. AI ඉක්මනින් ගුණාංගය සහ විෂමතාව ගණනය කළේය; නමුත් මූලික ගුණාත්මක භාවය සහ ප්රවණතා අර්ථ නිරූපණය - ව්යාජ අනතුරු ඇඟවීම් ඉවත් කිරීම සහ සැබෑ අසාර්ථකත්වය කලින් අල්ලා ගැනීම - ඉංජිනේරුවරයාගේ කාර්යය බවට පත් විය.
පොදු වැරදි
- සෞඛ්ය සම්පන්න යන්ත්රයෙන් ප්රමාණවත්/නියෝජිත පදනමක් එකතු නොකර එළිපත්තක් සැකසීම.
- නියැදීම් සංඛ්යාතය සඳහන් නොකර FFT/ආධිපත්ය සංඛ්යාතය අර්ථකථනය කිරීම.
- "නිරවද්යතාවයෙන්" ආකෘතිය ඇගයීම සහ දුර්ලභ අක්රමිකතා වලදී නොමඟ යවන ප්රතිඵල ලබා ගැනීම.
- ක්රියාවලි අවදානමෙන් ස්වාධීනව අත්තනෝමතික ලෙස එළිපත්ත තෝරා ගැනීම.
- විෂමතා සංඥාව සෘජු නැවතුම් විධානයක් ලෙස වරදවා වටහා ගැනීම සහ මානව සත්යාපනය මඟ හැරීම.
- තනි මෙට්රික් එකක් දෙස බලා ප්රවණතාවය නොසලකා හැරීම (මන්දගාමී නැගීම).
සාරාංශයක් ලෙස
- පුරෝකථන නඩත්තු යන්ත්රයේ සැබෑ තත්ත්වය මනිනු ලබන අතර අසාර්ථකත්වය පුරෝකථනය කරයි.
- RMS, crest, kurtosis, dominant frequency වැනි විශේෂාංග කම්පන/උෂ්ණත්වයෙන් උපුටා ගනී.
- එළිපත්ත සහ විෂමතා හඳුනාගැනීම සෞඛ්ය සම්පන්න යන්ත්රයේ මූලික සංඛ්යාලේඛන වලින් ලබා ගනී.
- ව්යාජ අනතුරු ඇඟවීම් සහ මග හැරුණු දෝෂ වල ශේෂය ක්රියාවලි අවදානම අනුව සකස් කරනු ලැබේ.
- දුර්ලභ දෝෂ වලදී, "නිරවද්යතාවය" නොමඟ යවන සුළුය; ව්යාජ අනතුරු ඇඟවීම්/මිස් අනුපාත භාවිතා වේ.
- විෂමතාව තීරණය සහාය සංඥාවකි; රැකවරණය පිළිබඳ තීරණය සහ වේලාව පුද්ගලයා සමඟ පවතී.
යෙදුම් කාර්යය
කම්පන හෝ උෂ්ණත්ව කාල ශ්රේණියක් සොයන්න හෝ අනුකරණය කරන්න (සෞඛ්ය සම්පන්න පදනමක් + ක්රමයෙන් පිරිහෙන අංශයක්). මුද්රණ විශේෂාංග නිස්සාරණය (RMS, crest, kurtosis) සහ z-score විෂමතා හඳුනාගැනීමේ කේතය මූලික සිට AI දක්වා. ඉන්පසු: (1) සෞඛ්ය සම්පන්න අංශයෙන් පමණක් මූලික රේඛාව සකසා නියැදීමේ සංඛ්යාතය ලබා දෙන්න, (2) 2-සිග්මා සහ 4-සිග්මා සඳහා එළිපත්ත උත්සාහ කර ව්යාජ එලාම් සහ මඟ හැරුණු දෝෂ ගණන වෙනස් වන ආකාරය සංසන්දනය කරන්න, (3) තනි මිනුමක් වෙනුවට ගුණාංග ප්රවණතාව සැලසුම් කර එය පූර්ව අනතුරු ඇඟවීමක් ලබා දෙන්නේ දැයි බලන්න. ඔබගේ තත්වය තුළ ඇති අවදානම සඳහා සුදුසු එළිපත්ත පැහැදිලි කර ඔබ එය තෝරා ගත්තේ මන්දැයි සාධාරණීකරණය කරන්න.