Bảo trì dự đoán

Lợi nhuận:

• Khả năng phân tích các triệu chứng lỗi từ dữ liệu rung/nhiệt độ bằng cách trích xuất các tính năng bằng AI
• Khả năng thiết kế các phương pháp phát hiện bất thường trong học máy đơn giản và dựa trên ngưỡng với sự trợ giúp của AI
• Khả năng xác minh sự cân bằng của các cảnh báo sai (dương tính giả) và lỗi bị bỏ sót (âm tính giả) và các quyết định bảo trì

Sự cố bất ngờ của vòng bi trên dây chuyền sản xuất dẫn đến thời gian ngừng hoạt động hàng giờ, đơn đặt hàng bị bỏ lỡ và đôi khi là thiệt hại tài sản thế chấp. Việc bảo trì truyền thống dừng lại ở hai thái cực: bảo trì khi có sự cố (sửa chữa khi nó bị hỏng - điều bất ngờ tốn kém nhất) và bảo trì định kỳ (thay thế theo lịch trình - thường là sớm và lãng phí). Bảo trì dự đoán mở ra con đường thứ ba: liên tục đo lường tình trạng thực tế của máy, dự đoán lỗi và can thiệp kịp thời. Những thay đổi về tín hiệu như độ rung, nhiệt độ, dòng điện và âm thanh cho thấy sự cố xảy ra trước nhiều tuần. AI rất mạnh ở đây: trích xuất các tính năng từ tín hiệu, phát hiện sự bất thường, ước tính tuổi thọ còn lại. Nhưng một báo động sai có nghĩa là thời gian ngừng hoạt động không cần thiết, một lỗi bị bỏ sót đồng nghĩa với thảm họa; Ngưỡng và cân bằng quyết định là trách nhiệm của kỹ sư. Trong phần này, chúng tôi đề cập đến cách thiết lập bảo trì dự đoán bằng AI và xác thực các quyết định của nó.

Tại sao rung và nhiệt độ?

Các lỗi trong máy quay để lại dấu hiệu đặc trưng. Khi ổ trục bị mòn, bánh răng bị nứt, trục mất cân bằng, năng lượng tăng ở những tần số nhất định trong phổ rung động. Nhiệt độ là một chỉ báo chậm nhưng đáng tin cậy về ma sát và mức tăng tải. Chúng tôi trích xuất các tính năng có ý nghĩa từ các tín hiệu này:

thuộc tính

nó nói gì

Trục trặc nào?

RMS (giá trị hiệu quả)

Năng lượng rung động chung

Suy thoái chung, mất cân bằng

đỉnh cao

những cú đánh bất ngờ

Khuyết tật mang, notch

Hệ số đỉnh (đỉnh/RMS)

Nội dung xung

Vòng bi bị hỏng sớm

độ nhọn

Sự “đột biến” của sự phân phối

Triệu chứng lỗi xung

Tần số chiếm ưu thế (FFT)

Tần số thu thập năng lượng

Lỗi thành phần cụ thể

Ý tưởng chính: thay vì xem xét tín hiệu thô, chúng tôi giám sát các tính năng nhạy cảm với lỗi. AI nhanh chóng viết mã tính toán các thuộc tính này.

nhập numpy dưới dạng npdef jitter_attributes(signal, fs): """tín hiệu: chuỗi tăng tốc, fs: tần số lấy mẫu (Hz).""" rms = np.sqrt(np.mean(signal**2)) Peak = np.max(np.abs(signal)) crest = Peak / rms if rms > 0 else 0 # kurtosis (khoảnh khắc thứ tư / phương sai^2) Mean = np.mean(signal) kurtosis = np.mean((signal -mean)**4) / (np.var(signal)**2 + 1e-12) # phổ tần số chi phối (FFT) = np.abs(np.fft.rfft(signal)) tần số = np.fft.rfftfreq(len(signal), 1/fs) trội_f = tần số[np.argmax(spectrum)] return {"rms": rms, "peak": Peak, "crest": crest, "kurtosis": kurtosis, "dominant_information": trội_f}

Mẹo: Khi trích xuất các đặc điểm cho AI, hãy nhớ chỉ định tần số lấy mẫu (fs) và thời lượng của tín hiệu. Độ phân giải FFT và giới hạn Nyquist phụ thuộc vào chúng; Nếu fs không được đưa ra, tần số chiếm ưu thế sẽ bị hiểu sai. Ngoài ra, không có ngưỡng nào có ý nghĩa nếu không thu thập "đường cơ sở" từ máy khỏe mạnh.

Phát hiện dựa trên ngưỡng và dựa trên học tập

Có hai cách tiếp cận cơ bản:

Dựa trên ngưỡng: Vượt quá giới hạn nhất định của một thuộc tính (ví dụ: RMS) sẽ tạo ra cảnh báo. Đơn giản, minh bạch và có thể giải thích được; Nhưng việc đạt được ngưỡng đúng là điều khó khăn và mang tính một chiều.

Dựa trên học tập (phát hiện bất thường): Nó học "bình thường" từ dữ liệu hoạt động tốt và đánh dấu những sai lệch so với dữ liệu đó. Nó nắm bắt các mô hình đa chiều, nhưng đòi hỏi nhiều dữ liệu hơn và có nguy cơ trở thành “hộp đen”.

import numpy as npdef z_score_anomali(value, Baseline_avg, Baseline_std, ngưỡng=3.0): """Dị thường thống kê đơn giản: cách đường cơ sở bao nhiêu tiêu chuẩn?""" z = (value - Baseline_avg) / (baseline_std + 1e-12) trả về abs(z) > ngưỡng, z# Ví dụ: RMS trung bình 0,8 trên máy khỏe mạnh, đặt tiêu chuẩn là 0,1alarm, z = z_score_anomaly(value=1.25, Baseline_avg=0.8, Baseline_std=0.1)print(f"z-score: {z:.1f}, Alarm: {alarm}") # z=4.5 -> Alarm True

Ngay cả cách tiếp cận z-score đơn giản này cũng thể hiện một nguyên tắc: ngưỡng được lấy từ số liệu thống kê của máy khỏe mạnh, nó không được chọn một cách tùy tiện. AI có thể đề xuất các phương pháp nâng cao hơn (Isolation Forest, autoencoding), nhưng chúng đều có chung một cơ sở: đầu tiên xác định "bình thường", sau đó đo độ lệch.

Báo động sai và thiếu cân bằng lỗi

Đây là quyết định kỹ thuật trọng tâm của bảo trì dự đoán. Có hai loại sai sót và chi phí của chúng không đối xứng:

Loại lỗi

Ý nghĩa

chi phí

Báo động sai (dương tính giả)

Báo động khi không có lỗi

Tư thế không cần thiết, mất tự tin

Lỗi bị thiếu (âm tính giả)

Không có báo động khi có lỗi

Sự cố, hư hỏng, nguy hiểm bất ngờ

Nếu bạn hạ thấp ngưỡng (quá nhạy), lỗi bị bỏ sót sẽ giảm nhưng cảnh báo sai sẽ tăng lên; người vận hành ngừng dựa vào các cảnh báo ("mệt mỏi vì cảnh báo"). Nếu bạn tăng ngưỡng, cảnh báo sai sẽ giảm nhưng nguy cơ bỏ sót lỗi thực sẽ tăng lên. Sự cân bằng phù hợp phụ thuộc vào kết quả của sự cố: sai sót trong một bộ phận quan trọng về an toàn (ví dụ: phanh cần trục) là không thể chấp nhận được, khi đó bạn giữ độ nhạy ở mức cao và đưa ra cảnh báo sai.

Thận trọng: Ngưỡng hoặc độ chính xác của mô hình do AI đề xuất (ví dụ: "độ chính xác 95%) có thể gây hiểu nhầm do mất cân bằng lớp. Trục trặc rất hiếm; Ngay cả một mô hình luôn nói "không thất bại" cũng cho thấy độ chính xác cao nhưng không có ích gì. Đánh giá mô hình bằng tỷ lệ cảnh báo sai và tỷ lệ thất bại bị bỏ qua thay vì độ chính xác; Rủi ro quá trình của bạn quyết định số dư này.

Từ quyết định đến bảo trì: Sự chấp thuận của con người

Phát hiện bất thường không phải là lệnh “dừng máy” trực tiếp; Đó là một tín hiệu hỗ trợ quyết định. Quy trình điển hình: phát hiện sự bất thường → đánh giá mức độ nghiêm trọng và xu hướng → nhóm chăm sóc xác nhận (kiểm tra thực tế, đo lường bổ sung) → can thiệp theo kế hoạch. AI có thể đề xuất xu hướng và nguyên nhân có thể xảy ra, nhưng quyết định và thời điểm “vòng bi này cần được thay thế” vẫn thuộc về con người; bởi vì con người nhìn thấy kế hoạch sản xuất, phụ tùng thay thế và bối cảnh an toàn.

Nhắc yếu / Nhắc mạnh

YẾU: "Dữ liệu rung này có bị lỗi không?" (Không có đường cơ sở, không có fs, không có ngữ cảnh. Có/không không được chứng minh.) MẠNH MẼ: "Tôi có dữ liệu gia tốc 1 giây của ổ trục được lấy mẫu ở 12 kHz. Tính toán RMS, hệ số đỉnh, độ nhọn và tần số vượt trội. Tôi có đường cơ sở hoạt động ổn định trong 30 ngày (RMS avg=0,8, std=0,1). Phép đo này Tính toán điểm z từ đường cơ sở và diễn giải nó theo ngưỡng 3 sigma. Đưa ra cảnh báo, nhưng nhưng nêu rõ rằng đây là tín hiệu hỗ trợ quyết định chứ không phải quyết định lỗi dứt khoát. So sánh tần số vượt trội với tần số lỗi đặc trưng của ổ trục."

Hộp đựng nhỏ

Kỹ sư bảo trì Emre đang cài đặt tính năng giám sát dựa trên độ rung cho động cơ quạt. Nó in mã trích xuất tính năng và mã bất thường điểm z cho AI; Hệ thống sẽ đưa ra cảnh báo trong vòng vài ngày. Nhưng khi Emre kiểm tra, hóa ra chiếc máy vẫn nguyên vẹn - báo động sai. Khi kiểm tra nó, anh ấy nhận ra rằng anh ấy đã thiết lập đường cơ sở chỉ với 2 giờ dữ liệu, trong khi độ rung của quạt thường dao động khi tải thay đổi. Nó kéo dài thời gian cơ sở lên 1 tuần để đáp ứng các điều kiện tải khác nhau và dừng báo động sai. Sau đó, anh ta nhận thấy xu hướng tăng chậm của hệ số đỉnh; Điều này cho thấy vòng bi bị hỏng sớm trước khi RMS chưa vượt qua ngưỡng. Kiểm tra vật lý xác nhận vòng bi bị mòn sớm. Emre thay vòng bi trong một đợt bảo trì theo kế hoạch và không có trường hợp dừng đột xuất nào. AI nhanh chóng tính toán thuộc tính và điểm bất thường; Nhưng chất lượng cơ bản và diễn giải xu hướng – loại bỏ các cảnh báo sai và sớm phát hiện lỗi thực sự – đã trở thành công việc của kỹ sư.

Những lỗi thường gặp

• Đặt ngưỡng mà không thu thập đường cơ sở đầy đủ/đại diện từ máy khỏe mạnh.
• Giải thích FFT/tần số chiếm ưu thế mà không chỉ định tần số lấy mẫu.
• Đánh giá mô hình một cách "chính xác" và nhận được kết quả sai lệch trong trường hợp trục trặc hiếm gặp.
• Chọn ngưỡng tùy ý, không phụ thuộc vào rủi ro quá trình.
• Nhầm tín hiệu bất thường là lệnh dừng trực tiếp và bỏ qua xác minh của con người.
• Nhìn vào một số liệu duy nhất và bỏ qua xu hướng (tăng chậm).

Tóm lại

• Bảo trì dự đoán đo lường tình trạng thực tế của máy và dự đoán lỗi.
• Các đặc tính như RMS, đỉnh, độ nhọn, tần số vượt trội được trích xuất từ ​​độ rung/nhiệt độ.
• Ngưỡng và phát hiện bất thường được lấy từ thống kê cơ bản của máy khỏe mạnh.
• Sự cân bằng giữa cảnh báo sai và lỗi bị bỏ sót được điều chỉnh theo rủi ro của quy trình.
• Trong những lỗi hiếm gặp, "độ chính xác" gây hiểu nhầm; tỷ lệ cảnh báo sai/bỏ lỡ được sử dụng.
• Sự bất thường là tín hiệu hỗ trợ quyết định; Quyết định và thời gian chăm sóc vẫn thuộc về người đó.

Nhiệm vụ ứng dụng

Tìm hoặc mô phỏng chuỗi thời gian rung động hoặc nhiệt độ (cơ sở khỏe mạnh + phần xuống cấp dần). Trích xuất tính năng in (RMS, đỉnh, kurtosis) và mã phát hiện bất thường điểm z từ đường cơ sở đến AI. Sau đó: (1) chỉ đặt đường cơ sở từ phần lành mạnh và đưa ra tần suất lấy mẫu, (2) thử ngưỡng 2-sigma và 4-sigma và so sánh số lượng cảnh báo sai và lỗi bị bỏ qua thay đổi như thế nào, (3) vẽ biểu đồ xu hướng thuộc tính thay vì một phép đo duy nhất và xem liệu nó có đưa ra cảnh báo sớm hay không. Giải thích ngưỡng nào phù hợp với rủi ro trong kịch bản của bạn và giải thích lý do bạn chọn ngưỡng đó.