Faida:
- Uwezo wa kuchanganua dalili za makosa kutoka kwa data ya vibration/joto kwa kutoa vipengele na AI
- Uwezo wa kubuni mbinu za ugunduzi wa hitilafu kulingana na kizingiti na rahisi kwa mashine kwa usaidizi wa AI
- Uwezo wa kuthibitisha usawa wa kengele za uwongo (chanya za uwongo) na makosa yaliyokosa (hasi za uwongo) na maamuzi ya matengenezo.
Kushindwa kusikotarajiwa kwa fani kwenye mstari wa uzalishaji husababisha saa za muda wa chini, kukosa maagizo, na wakati mwingine uharibifu wa dhamana. Matengenezo ya kitamaduni hukoma katika viwango viwili vya kupindukia: matengenezo ya kuvunjika (irekebishe inapovunjika-mshangao wa gharama kubwa zaidi) na matengenezo ya mara kwa mara (badilisha na ratiba-mara nyingi mapema na ya kupoteza). Matengenezo ya utabiri hufungua njia ya tatu: mara kwa mara kupima hali halisi ya mashine, kutabiri kushindwa na kuingilia kati kwa wakati. Mabadiliko katika ishara kama vile mtetemo, halijoto, mkondo na sauti huonyesha hitilafu wiki kabla. AI ina nguvu hapa: kutoa vipengele kutoka kwa ishara, kugundua hitilafu, kukadiria maisha yaliyosalia. Lakini kengele moja ya uwongo inamaanisha wakati wa kupumzika usio wa lazima, kosa moja lililokosa inamaanisha maafa; Kizingiti na usawa wa uamuzi ni jukumu la mhandisi. Katika kitengo hiki, tunashughulikia jinsi ya kusanidi matengenezo ya ubashiri na AI na kuthibitisha maamuzi yake.
Kwa nini Mtetemo na Joto?
Makosa katika mashine zinazozunguka huacha saini za tabia. Wakati kuzaa kunapungua, gear hupasuka, shimoni inakuwa isiyo na usawa, nishati huongezeka kwa masafa fulani katika wigo wa vibration. Joto ni kiashiria cha polepole lakini cha kuaminika cha msuguano na ongezeko la mzigo. Tunatoa vipengele muhimu kutoka kwa ishara hizi:
sifa
inasema nini
Ambayo malfunction?
RMS (thamani inayofaa)
Nishati ya jumla ya vibration
Uharibifu wa jumla, usawa
kilele
makofi ya ghafla
Kuzaa kasoro, notch
Kipengele kikuu (kilele/RMS)
Maudhui ya mapigo
Kushindwa kuzaa mapema
kurtosis
"Spikiness" ya usambazaji
Dalili ya kosa la kunde
Masafa kuu (FFT)
Mzunguko ambao nishati hukusanywa
Kushindwa kwa sehemu mahususi
Wazo muhimu: badala ya kuangalia mawimbi mbichi, tunafuatilia vipengele vinavyoathiriwa na hitilafu. AI huandika haraka nambari inayohesabu sifa hizi.
import numpy as npdef jitter_attributes(signal, fs): """signal: mfuatano wa kuongeza kasi, fs: frequency ya sampuli (Hz).""" rms = np.sqrt(np.mean(signal**2)) kilele = np.max(np.abs(signalrm0) st = if 0 peakm / s st = 0 st = 0 kurtosis (wakati wa nne / tofauti^2) maana = np.mean(signal) kurtosis = np.mean((signal - mean)**4) / (np.var(signal)**2 + 1e-12) # frequency dominant (FFT) spectrum = np.abs(np.fft.rfft(signal) = np.fft.rfftfreq(len(signal), 1/fs) dominant_f = masafa[np.argmax(spectrum)] return {"rms": rms, "peak": peak, "crest": crest, "kurtosis": kurtosis, "dominant_frequency"}: dominant_frequency}:
Kidokezo: Unapotoa vipengele kwa AI, hakikisha kubainisha mzunguko wa sampuli (fs) na muda wa mawimbi. Azimio la FFT na kikomo cha Nyquist hutegemea; Ikiwa fs haijatolewa, frequency kuu itatafsiriwa vibaya. Zaidi ya hayo, hakuna kizingiti chenye maana bila kukusanya "msingi" kutoka kwa mashine yenye afya.
Ugunduzi Unaotegemea Kizingiti na Unaotegemea Kujifunza
Kuna njia mbili za kimsingi:
Kulingana na kizingiti: Kuzidi kikomo fulani cha sifa (k.m. RMS) hutoa kengele. Rahisi, wazi na inayoeleweka; Lakini kupata kizingiti haki ni ngumu na ya mwelekeo mmoja.
Kuzingatia kujifunza (ugunduzi wa hitilafu): Hujifunza "kawaida" kutoka kwa data ya kufanya kazi yenye afya na kuashiria mikengeuko kutoka kwayo. Inanasa mifumo ya pande nyingi, lakini inahitaji data zaidi na hatari kuwa "kisanduku cheusi."
leta numpy kama npdef z_score_anomali(thamani, baseline_avg, baseline_std, threshold=3.0): """Ukosefu rahisi wa takwimu: ni stds ngapi mbali na msingi?""" z = (thamani - baseline_avg) / (baseline_std + 2) rudisha mfano (1 ebs) > 1ebs; RMS wastani wa 0.8 kwenye mashine yenye afya, acha std iwe 0.1 alarm, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, kengele: {kengele}") #> z=4.
Hata mbinu hii rahisi ya z-alama inaonyesha kanuni: kizingiti kinatokana na takwimu za mashine yenye afya, haijachaguliwa kiholela. AI inaweza kupendekeza mbinu za hali ya juu zaidi (Msitu wa Kutengwa, autoencoder), lakini zote zina msingi sawa: kwanza fafanua "kawaida", kisha pima kupotoka.
Kengele ya Uongo na Salio la Hitilafu Lililokosa
Huu ni uamuzi wa kihandisi katika moyo wa matengenezo ya ubashiri. Kuna aina mbili za makosa na gharama zao ni asymmetric:
Aina ya hitilafu
Maana
gharama
Kengele ya uwongo (chanya ya uwongo)
Kengele wakati hakuna kosa
Mkao usio wa lazima, kupoteza kujiamini
Makosa yaliyokosa (hasi ya uwongo)
Hakuna kengele wakati kuna kosa
Malfunction zisizotarajiwa, uharibifu, hatari
Ikiwa unapunguza kizingiti (nyeti sana) kosa lililokosa hupungua lakini kengele ya uwongo huongezeka; waendeshaji huacha kutegemea kengele ("uchovu wa kengele"). Ikiwa unaongeza kizingiti, kengele za uwongo hupungua, lakini hatari ya kukosa kosa halisi huongezeka. Usawa sahihi unategemea matokeo ya kutofaulu: kutofaulu hukosa katika sehemu muhimu ya usalama (k.m. breki ya crane) haikubaliki, hapo unaweka unyeti juu na kuweka kengele za uwongo.
Tahadhari: Kiwango cha juu au usahihi wa muundo unaopendekezwa na AI (k.m. "usahihi wa 95%) unaweza kupotosha kwa sababu ya usawa wa darasa. Makosa ni nadra; Hata mfano ambao husema kila wakati "hakuna kushindwa" unaonyesha usahihi wa hali ya juu lakini haufai. Tathmini muundo kwa kasi ya uwongo ya kengele na kiwango cha kutofaulu kilichokosa badala ya usahihi; Hatari ya mchakato wako huamua usawa huu.
Kutoka kwa Uamuzi hadi Matengenezo: Idhini ya Binadamu
Ugunduzi usio wa kawaida sio amri ya moja kwa moja ya "mashine ya kuacha"; Ni ishara ya usaidizi wa uamuzi. Mtiririko wa kawaida: imegunduliwa kwa njia isiyo ya kawaida → ukali na mwelekeo kutathminiwa → timu ya utunzaji inathibitisha (angalia hali ya mwili, kipimo cha ziada) → uingiliaji kati uliopangwa. AI inaweza kupendekeza mwelekeo na sababu inayowezekana, lakini uamuzi na wakati wa "kuzaa huu unahitaji kubadilishwa" unabaki na mwanadamu; kwa sababu wanadamu huona mpango wa uzalishaji, vipuri na muktadha wa usalama.
Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu
DHAIFU: "Je, data hii ya mtetemo ina hitilafu?" (Hakuna msingi, hakuna fs, hakuna muktadha. Bila uthibitisho ndiyo/hapana.) STRONG: "Nina data ya kuongeza kasi ya sekunde 1 ya sampuli ya fani iliyochukuliwa katika kHz 12. Kokotoa RMS, kipengele cha crest, kurtosis na marudio kuu. Nina msingi wa uendeshaji wa afya wa siku 30 (RMS avg=0.8, hesabu ya msingi 0 kutoka kwa kipimo cha msingi = 0. na uifasiri kulingana na kizingiti cha 3-sigma Inua kengele, lakini sema kwamba hii ni ishara ya usaidizi wa uamuzi na si uamuzi mahususi wa makosa.
Kesi Ndogo
Mhandisi wa matengenezo Emre anasakinisha ufuatiliaji unaotegemea mtetemo kwa injini ya feni. Inachapisha kipengele cha uchimbaji na msimbo wa z-alama usiofaa kwa AI; Mfumo hutoa kengele ndani ya siku chache. Lakini Emre anapoiangalia, mashine hiyo inageuka kuwa kengele ya uwongo. Anapoichunguza, anagundua kuwa alianzisha msingi na data ya saa 2 pekee, ilhali mtetemo wa feni hubadilikabadilika kadiri mzigo unavyobadilika. Huongeza muda wa awali hadi wiki 1 ili kufidia hali tofauti za upakiaji na kengele za uwongo zimesimamishwa. Kisha anaona mwelekeo wa kupanda polepole katika sababu ya crest; Hii inaonyesha kutofaulu mapema kabla ya RMS bado kuvuka kizingiti. Ukaguzi wa kimwili unathibitisha kuvaa mapema ya kuzaa. Emre hubadilisha fani katika matengenezo yaliyopangwa, na hakuna kusimamishwa bila kutarajiwa. AI ilihesabu haraka sifa na hali isiyo ya kawaida; Lakini ubora wa msingi na tafsiri ya mwenendo—kuondoa kengele za uwongo na kupata kushindwa kwa kweli mapema—imekuwa kazi ya mhandisi.
Makosa ya Kawaida
- Kuweka kizingiti bila kukusanya msingi wa kutosha/mwakilishi kutoka kwa mashine yenye afya.
- Kutafsiri FFT/masafa kuu bila kubainisha masafa ya sampuli.
- Kutathmini mfano kwa "usahihi" na kupata matokeo ya kupotosha katika kesi ya utendakazi nadra.
- Kuchagua kizingiti kiholela, bila ya hatari ya mchakato.
- Kukosea kwa ishara ya hitilafu kama amri ya kusimama moja kwa moja na kupitisha uthibitishaji wa kibinadamu.
- Kuangalia kipimo kimoja na kupuuza mwelekeo (kupanda polepole).
Kwa muhtasari
- Matengenezo ya utabiri hupima hali halisi ya mashine na kutabiri kushindwa.
- Vipengele kama vile RMS, crest, kurtosis, frequency kuu hutolewa kutoka kwa mtetemo/joto.
- Ugunduzi wa kizingiti na upungufu unatokana na takwimu za msingi za mashine yenye afya.
- Usawa wa kengele za uwongo na makosa yaliyokosa hurekebishwa kulingana na hatari ya mchakato.
- Katika makosa nadra, "usahihi" ni kupotosha; kengele ya uwongo/ viwango vya kukosa vinatumika.
- Ukosefu huo ni ishara ya usaidizi wa uamuzi; Uamuzi na wakati wa utunzaji unabaki kwa mtu.
Jukumu la maombi
Tafuta au uige mfululizo wa muda wa mtetemo au halijoto (msingi mzuri + sehemu inayoendelea kuzorota polepole). Uchimbaji wa kipengele cha kuchapisha (RMS, crest, kurtosis) na msimbo wa kugundua ukiukaji wa alama z kutoka msingi hadi AI. Kisha: (1) weka msingi kutoka kwa sehemu ya afya pekee na utoe mzunguko wa sampuli, (2) jaribu kizingiti cha 2-sigma na 4-sigma na ulinganishe jinsi idadi ya kengele za uwongo na makosa yaliyokosa hubadilika, (3) panga mwelekeo wa sifa badala ya kipimo kimoja na uone ikiwa inatoa onyo la mapema. Eleza ni kizingiti kipi kinafaa kwa hatari katika hali yako na uthibitishe kwa nini uliichagua.