முன்கணிப்பு பராமரிப்பு

ஆதாயங்கள்:

• AI உடன் அம்சங்களை பிரித்தெடுப்பதன் மூலம் அதிர்வு/வெப்பநிலை தரவுகளில் இருந்து தவறு அறிகுறிகளை பகுப்பாய்வு செய்யும் திறன்
• AI இன் உதவியுடன் வாசல் அடிப்படையிலான மற்றும் எளிமையான இயந்திர கற்றல் ஒழுங்கின்மை கண்டறிதல் அணுகுமுறைகளை வடிவமைக்கும் திறன்
• தவறான அலாரங்கள் (தவறான நேர்மறைகள்) மற்றும் தவறவிட்ட தவறுகள் (தவறான எதிர்மறைகள்) மற்றும் பராமரிப்பு முடிவுகளின் சமநிலையை சரிபார்க்கும் திறன்

உற்பத்தி வரிசையில் ஒரு தாங்கியின் எதிர்பாராத தோல்வி மணிநேர வேலையில்லா நேரம், தவறவிட்ட ஆர்டர்கள் மற்றும் சில நேரங்களில் இணை சேதத்திற்கு வழிவகுக்கிறது. பாரம்பரிய பராமரிப்பு இரண்டு உச்சநிலைகளில் நிறுத்தப்படுகிறது: முறிவு பராமரிப்பு (அது உடைந்தால் அதை சரிசெய்தல்-மிகவும் விலையுயர்ந்த ஆச்சரியம்) மற்றும் அவ்வப்போது பராமரிப்பு (அட்டவணை மூலம் மாற்றவும்-பெரும்பாலும் முன்கூட்டியே மற்றும் வீணானது). முன்கணிப்பு பராமரிப்பு மூன்றாவது வழியைத் திறக்கிறது: இயந்திரத்தின் உண்மையான நிலையை தொடர்ந்து அளவிடுதல், தோல்வியை முன்னறிவித்தல் மற்றும் சரியான நேரத்தில் தலையிடுதல். அதிர்வு, வெப்பநிலை, மின்னோட்டம் மற்றும் ஒலி போன்ற சமிக்ஞைகளில் ஏற்படும் மாற்றங்கள் வாரங்களுக்கு முன்பே செயலிழப்பைக் குறிக்கின்றன. AI இங்கே சக்தி வாய்ந்தது: சிக்னல்களிலிருந்து அம்சங்களைப் பிரித்தெடுத்தல், முரண்பாடுகளைக் கண்டறிதல், மீதமுள்ள ஆயுட்காலம் ஆகியவற்றை மதிப்பிடுதல். ஆனால் ஒரு தவறான அலாரம் என்றால் தேவையற்ற வேலையில்லா நேரம், தவறவிட்ட தவறு என்றால் பேரழிவு என்று பொருள்; வரம்பு மற்றும் முடிவு சமநிலை பொறியாளரின் பொறுப்பாகும். இந்த யூனிட்டில், AI உடன் முன்கணிப்பு பராமரிப்பை எவ்வாறு அமைப்பது மற்றும் அதன் முடிவுகளை சரிபார்ப்பது எப்படி என்பதை நாங்கள் விவரிக்கிறோம்.

ஏன் அதிர்வு மற்றும் வெப்பநிலை?

சுழலும் இயந்திரங்களில் உள்ள தவறுகள் சிறப்பியல்பு கையொப்பங்களை விட்டுச் செல்கின்றன. ஒரு தாங்கி தேய்ந்து, ஒரு கியர் விரிசல், ஒரு தண்டு சமநிலையற்றதாக மாறும், அதிர்வு நிறமாலையில் சில அதிர்வெண்களில் ஆற்றல் அதிகரிக்கிறது. வெப்பநிலை என்பது உராய்வு மற்றும் சுமை அதிகரிப்பின் மெதுவான ஆனால் நம்பகமான குறிகாட்டியாகும். இந்த சமிக்ஞைகளிலிருந்து அர்த்தமுள்ள அம்சங்களைப் பிரித்தெடுக்கிறோம்:

பண்பு

அது என்ன சொல்கிறது

எந்த செயலிழப்பு?

RMS (செயல்திறன் மதிப்பு)

பொது அதிர்வு ஆற்றல்

பொதுவான சரிவு, சமநிலையின்மை

உச்சம்

திடீர் அடிகள்

தாங்கும் குறைபாடு, உச்சநிலை

க்ரெஸ்ட் காரணி (உச்சம்/RMS)

துடிப்பு உள்ளடக்கம்

முன்கூட்டியே தாங்கும் தோல்வி

குர்டோசிஸ்

விநியோகத்தின் "ஸ்பைக்னெஸ்"

துடிப்பு குறைபாட்டின் அறிகுறி

ஆதிக்கம் செலுத்தும் அதிர்வெண் (FFT)

ஆற்றல் சேகரிக்கப்படும் அதிர்வெண்

குறிப்பிட்ட கூறு தோல்வி

முக்கிய யோசனை: மூல சமிக்ஞையைப் பார்ப்பதற்குப் பதிலாக, தவறு உணர்திறன் அம்சங்களை நாங்கள் கண்காணிக்கிறோம். AI இந்த பண்புகளை கணக்கிடும் குறியீட்டை விரைவாக எழுதுகிறது.

நம்பியை npdef jitter_attributes(சிக்னல், fs) ஆக இறக்குமதி செய்யவும்: """சிக்னல்: முடுக்கம் வரிசை, fs: மாதிரி அதிர்வெண் (Hz).""" rms = np.sqrt(np.mean(signal**2)) peak = np.max (np.max) அதிகபட்சம் என்றால் > 0 else 0 # kurtosis (நான்காவது கணம் / மாறுபாடு^2) சராசரி = np.mean(சிக்னல்) குர்டோசிஸ் = np.mean((சிக்னல் - சராசரி)**4) / (np.var(சிக்னல்)**2 + 1e-12) # ஆதிக்கம் செலுத்தும் அதிர்வெண் (FFT) அதிர்வெண்கள் = np.fft.rfftfreq(len(signal), 1/fs) dominant_f = அதிர்வெண்கள்[np.argmax(ஸ்பெக்ட்ரம்)] திரும்ப {"rms": rms, "peak": உச்சம், "crest": crest, "kurtosis": kurtosis, "dominantf: dofmind_}

உதவிக்குறிப்பு: AI க்கு அம்சங்களைப் பிரித்தெடுக்கும் போது, மாதிரி அதிர்வெண் (fs) மற்றும் சமிக்ஞையின் கால அளவைக் குறிப்பிடுவதை உறுதிப்படுத்தவும். FFT தீர்மானம் மற்றும் Nyquist வரம்பு அவற்றைச் சார்ந்தது; fs வழங்கப்படாவிட்டால், ஆதிக்கம் செலுத்தும் அதிர்வெண் தவறாகப் புரிந்துகொள்ளப்படும். கூடுதலாக, ஆரோக்கியமான இயந்திரத்திலிருந்து "அடிப்படை" சேகரிக்காமல் எந்த வரம்பும் அர்த்தமுள்ளதாக இருக்காது.

வாசல் அடிப்படையிலான மற்றும் கற்றல் அடிப்படையிலான கண்டறிதல்

இரண்டு அடிப்படை அணுகுமுறைகள் உள்ளன:

த்ரெஷோல்ட் அடிப்படையிலானது: பண்புக்கூறின் ஒரு குறிப்பிட்ட வரம்பை மீறுவது (எ.கா. RMS) அலாரத்தை உருவாக்குகிறது. எளிய, வெளிப்படையான மற்றும் விளக்கக்கூடிய; ஆனால் வாசலை சரியாகப் பெறுவது கடினமானது மற்றும் ஒரு பரிமாணமானது.

கற்றல்-அடிப்படையிலான (ஒழுங்கின்மை கண்டறிதல்): இது ஆரோக்கியமான வேலை தரவுகளிலிருந்து "இயல்பானதை" கற்றுக்கொள்கிறது மற்றும் அதிலிருந்து விலகல்களைக் குறிக்கிறது. இது பல பரிமாண வடிவங்களைப் பிடிக்கிறது, ஆனால் அதிக தரவு தேவைப்படுகிறது மற்றும் "கருப்புப் பெட்டியாக" மாறும் அபாயம் உள்ளது.

நம்பியை npdef z_score_anomali(மதிப்பு, அடிப்படை_சராசரி, அடிப்படை_std, threshold=3.0) ஆக இறக்குமதி செய்க எடுத்துக்காட்டு: ஆரோக்கியமான கணினியில் RMS சராசரி 0.8, std 0.1 அலாரமாக இருக்கட்டும், z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, alarm: ->Trualarm}4e.5

இந்த எளிய z-ஸ்கோர் அணுகுமுறை கூட ஒரு கொள்கையை நிரூபிக்கிறது: ஆரோக்கியமான இயந்திரத்தின் புள்ளிவிவரங்களிலிருந்து வரம்பு பெறப்பட்டது, அது தன்னிச்சையாக தேர்ந்தெடுக்கப்படவில்லை. AI இன்னும் மேம்பட்ட முறைகளை (Isolation Forest, autoencoder) பரிந்துரைக்கலாம், ஆனால் அவை அனைத்தும் ஒரே அடிப்படையைக் கொண்டுள்ளன: முதலில் "இயல்பு" என்பதை வரையறுத்து, பின்னர் விலகலை அளவிடவும்.

தவறான அலாரம் மற்றும் தவறிய பிழை இருப்பு

முன்கணிப்பு பராமரிப்பின் மையத்தில் உள்ள பொறியியல் முடிவு இதுவாகும். இரண்டு வகையான பிழைகள் உள்ளன மற்றும் அவற்றின் செலவுகள் சமச்சீரற்றவை:

பிழை வகை

பொருள்

செலவு

தவறான எச்சரிக்கை (தவறான நேர்மறை)

எந்த தவறும் இல்லாத போது அலாரம்

தேவையற்ற தோரணை, நம்பிக்கை இழப்பு

தவறவிட்ட தவறு (தவறான எதிர்மறை)

தவறு ஏற்படும் போது எச்சரிக்கை இல்லை

எதிர்பாராத செயலிழப்பு, சேதம், ஆபத்து

நீங்கள் வாசலைக் குறைத்தால் (மிகவும் உணர்திறன்) தவறவிட்ட தவறு குறைகிறது ஆனால் தவறான எச்சரிக்கை அதிகரிக்கிறது; ஆபரேட்டர்கள் அலாரங்களை நம்புவதை நிறுத்துகிறார்கள் ("அலாரம் சோர்வு"). நீங்கள் வாசலை அதிகரித்தால், தவறான அலாரங்கள் குறையும், ஆனால் உண்மையான தவறை இழக்கும் ஆபத்து அதிகரிக்கிறது. சரியான சமநிலையானது தோல்வியின் முடிவைப் பொறுத்தது: பாதுகாப்பு-முக்கியமான கூறுகளில் தவறிய தோல்வி (எ.கா. கிரேன் பிரேக்) ஏற்றுக்கொள்ள முடியாதது, அங்கு நீங்கள் உணர்திறனை அதிகமாக வைத்திருக்கிறீர்கள் மற்றும் தவறான அலாரங்களுடன் இருக்கிறீர்கள்.

எச்சரிக்கை: வகுப்பின் ஏற்றத்தாழ்வு காரணமாக AI ஆல் பரிந்துரைக்கப்படும் வரம்பு அல்லது மாதிரி துல்லியம் (எ.கா. "95% துல்லியம்") தவறாக வழிநடத்தும். செயலிழப்புகள் அரிதானவை; எப்போதும் "தோல்வி இல்லை" என்று சொல்லும் ஒரு மாதிரி கூட அதிக துல்லியத்தைக் காட்டுகிறது, ஆனால் எந்தப் பயனும் இல்லை. துல்லியத்தை விட தவறான எச்சரிக்கை வீதம் மற்றும் தவறவிட்ட தோல்வி விகிதம் மூலம் மாதிரியை மதிப்பிடுங்கள்; உங்கள் செயல்முறை ஆபத்து இந்த சமநிலையை தீர்மானிக்கிறது.

முடிவு முதல் பராமரிப்பு வரை: மனித ஒப்புதல்

ஒரு ஒழுங்கின்மை கண்டறிதல் ஒரு நேரடி "ஸ்டாப் மெஷின்" கட்டளை அல்ல; இது ஒரு முடிவு ஆதரவு சமிக்ஞையாகும். வழக்கமான ஓட்டம்: ஒழுங்கின்மை கண்டறியப்பட்டது → தீவிரம் மற்றும் போக்கு மதிப்பிடப்பட்டது → பராமரிப்பு குழு உறுதிப்படுத்துகிறது (உடல் சோதனை, கூடுதல் அளவீடு) → திட்டமிடப்பட்ட தலையீடு. AI போக்கு மற்றும் சாத்தியமான காரணத்தை பரிந்துரைக்க முடியும், ஆனால் "இந்த தாங்கி மாற்றப்பட வேண்டும்" என்ற முடிவும் நேரமும் மனிதனிடம் உள்ளது; ஏனெனில் உற்பத்தித் திட்டம், உதிரி பாகங்கள் மற்றும் பாதுகாப்பு சூழலை மனிதர்கள் பார்க்கிறார்கள்.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனம்: "இந்த அதிர்வு தரவு குறைபாடுள்ளதா?" (அடிப்படை இல்லை, fs இல்லை, சூழல் இல்லை. ஆதாரமற்ற ஆம்/இல்லை.) STRONG: "என்னிடம் 12 kHz மாதிரியான தாங்கியின் 1 வினாடி முடுக்கம் தரவு உள்ளது. RMS, க்ரெஸ்ட் காரணி, கர்டோசிஸ் மற்றும் ஆதிக்கம் செலுத்தும் அதிர்வெண் ஆகியவற்றைக் கணக்கிடுங்கள். என்னிடம் 30-நாள் ஆரோக்கியமான செயல்பாட்டு அடிப்படை உள்ளது (RMS avg=0.8. அடிப்படையிலிருந்து அதை 3-சிக்மா வாசலின்படி விளக்கவும்.

மினி கேஸ்

பராமரிப்புப் பொறியாளர் எம்ரே விசிறி மோட்டருக்கு அதிர்வு அடிப்படையிலான கண்காணிப்பை நிறுவுகிறார். இது AI க்கு அம்சம் பிரித்தெடுத்தல் மற்றும் z-ஸ்கோர் ஒழுங்கின்மை குறியீட்டை அச்சிடுகிறது; சிஸ்டம் சில நாட்களுக்குள் அலாரம் கொடுக்கிறது. ஆனால் எம்ரே அதைச் சரிபார்த்தபோது, ​​இயந்திரம் அப்படியே-தவறான அலாரமாக மாறிவிடும். அவர் அதை ஆய்வு செய்யும் போது, ​​அவர் அடிப்படையை 2 மணிநேர தரவுகளுடன் மட்டுமே நிறுவினார் என்பதை உணர்ந்தார், அதேசமயம் சுமை மாறும்போது விசிறியின் அதிர்வு பொதுவாக ஏற்ற இறக்கமாக இருக்கும். வெவ்வேறு சுமை நிலைமைகளை மறைக்க இது அடிப்படையை 1 வாரத்திற்கு நீட்டிக்கிறது மற்றும் தவறான அலாரங்கள் நிறுத்தப்படும். பின்னர் அவர் முகடு காரணியில் மெதுவாக மேல்நோக்கிய போக்கைக் காண்கிறார்; ஆர்எம்எஸ் இன்னும் வரம்பை கடக்காத முன், ஆரம்ப நிலை தோல்வியை இது குறிக்கிறது. உடல் சோதனை தாங்கியின் முன்கூட்டிய உடைகளை உறுதிப்படுத்துகிறது. எம்ரே ஒரு திட்டமிட்ட பராமரிப்பில் தாங்கியை மாற்றுகிறார், மேலும் எதிர்பாராத நிறுத்தம் இல்லை. AI விரைவாக பண்பு மற்றும் ஒழுங்கின்மையைக் கணக்கிட்டது; ஆனால் அடிப்படைத் தரம் மற்றும் போக்கு விளக்கம்-தவறான அலாரங்களை நீக்குவது மற்றும் உண்மையான தோல்வியை முன்கூட்டியே பிடிப்பது-பொறியாளரின் வேலையாக மாறியது.

பொதுவான தவறுகள்

• ஆரோக்கியமான இயந்திரத்திலிருந்து போதுமான/பிரதிநிதித்துவ அடிப்படையை சேகரிக்காமல் வரம்பை அமைத்தல்.
• மாதிரி அதிர்வெண்ணைக் குறிப்பிடாமல் FFT/ஆதிக்க அதிர்வெண்ணை விளக்குகிறது.
• மாதிரியை "துல்லியமாக" மதிப்பிடுதல் மற்றும் அரிதான செயலிழப்பு ஏற்பட்டால் தவறான முடிவுகளைப் பெறுதல்.
• செயல்முறை ஆபத்திலிருந்து சுயாதீனமாக, தன்னிச்சையாக வாசலைத் தேர்ந்தெடுப்பது.
• ஒழுங்கின்மை சமிக்ஞையை நேரடி நிறுத்தக் கட்டளையாக தவறாகப் புரிந்துகொண்டு, மனித சரிபார்ப்பைத் தவிர்க்கவும்.
• ஒற்றை மெட்ரிக்கைப் பார்த்து, போக்கைப் புறக்கணித்தல் (மெதுவான உயர்வு).

சுருக்கமாக

• முன்கணிப்பு பராமரிப்பு இயந்திரத்தின் உண்மையான நிலையை அளவிடுகிறது மற்றும் தோல்வியை முன்னறிவிக்கிறது.
• RMS, crest, kurtosis, dominant frequency போன்ற அம்சங்கள் அதிர்வு/வெப்பநிலையிலிருந்து பிரித்தெடுக்கப்படுகின்றன.
• வரம்பு மற்றும் ஒழுங்கின்மை கண்டறிதல் ஆரோக்கியமான இயந்திரத்தின் அடிப்படை புள்ளிவிவரத்திலிருந்து பெறப்பட்டது.
• தவறான அலாரங்கள் மற்றும் தவறவிட்ட தவறுகளின் சமநிலை செயல்முறை அபாயத்திற்கு ஏற்ப சரிசெய்யப்படுகிறது.
• அரிதான தவறுகளில், "துல்லியம்" தவறாக வழிநடத்துகிறது; தவறான எச்சரிக்கை/தவறான விகிதங்கள் பயன்படுத்தப்படுகின்றன.
• ஒழுங்கின்மை ஒரு முடிவு ஆதரவு சமிக்ஞையாகும்; கவனிப்பின் முடிவும் நேரமும் நபரிடம் உள்ளது.

விண்ணப்ப பணி

அதிர்வு அல்லது வெப்பநிலை நேரத் தொடரைக் கண்டறியவும் அல்லது உருவகப்படுத்தவும் (ஆரோக்கியமான அடித்தளம் + படிப்படியாக மோசமடையும் பகுதி). அச்சு அம்சம் பிரித்தெடுத்தல் (RMS, முகடு, குர்டோசிஸ்) மற்றும் z-ஸ்கோர் ஒழுங்கின்மை கண்டறிதல் குறியீடு அடிப்படையிலிருந்து AI வரை. பிறகு: (1) ஆரோக்கியமான பிரிவில் இருந்து மட்டுமே அடிப்படையை அமைத்து, மாதிரி அதிர்வெண்ணைக் கொடுங்கள், (2) 2-சிக்மா மற்றும் 4-சிக்மாவுக்கான நுழைவாயிலை முயற்சித்து, தவறான அலாரங்கள் மற்றும் தவறவிட்ட தவறுகளின் எண்ணிக்கை எவ்வாறு மாறுகிறது என்பதை ஒப்பிட்டுப் பாருங்கள், (3) ஒற்றை அளவீட்டிற்குப் பதிலாக பண்புக்கூறு போக்கைத் திட்டமிட்டு, அது முன்கூட்டியே எச்சரிக்கை தருகிறதா என்பதைப் பார்க்கவும். உங்கள் சூழ்நிலையில் ஆபத்துக்கு எந்த வரம்பு பொருத்தமானது என்பதை விளக்கி, அதை ஏன் தேர்ந்தெடுத்தீர்கள் என்பதை நியாயப்படுத்தவும்.