Профилактическое обслуживание является новой областью, особенно в автомобильной промышленности. Заблаговременное информирование клиентов или оператора о том, когда необходимо заменить конкретную машину, значительно упрощает работу.
В этом блоге я рассмотрю две вещи:
- Стратегия модели профилактического обслуживания
- Краткое введение в ARIMA
Для профилактического обслуживания нам необходимо понимать сбои. Неудачи могут быть двух типов:
- Внезапный отказ, подобный отказу датчика
- отказы, постепенно возникающие в течение некоторого времени из-за износа
Внезапные сбои очень трудно предсказать, но постепенно возникающие сбои — это то, на что мы можем ориентироваться. Это кажется достаточно простой задачей, когда мы будем собирать данные каждый день, использовать модель временных рядов, такую как ARIMA (авторегрессивная скользящая средняя), чтобы найти функцию износа по отношению ко времени и, наконец, порог для нахождения времени, при котором произойдет отказ, но, эта задача немного сложнее, чем та.
Есть две проблемы, с которыми мы сталкиваемся в этом: -
- Износ не является прямым параметром. Нам нужно найти, какой именно выходной сигнал датчика можно использовать для оценки этого износа.
- Порог, который необходимо определить
Давайте возьмем пример сцепления, чтобы понять это лучше. Муфта служит для передачи крутящего момента. Первым шагом будет четкое определение постановки задачи.
Постановка задачи. Подготовить модель для прогнозирования отказа сцепления.
Теперь давайте измерим эту цель. Нам нужно предсказать износ (износ компонента) как функцию времени. износ = f (время).
Стратегия:-
Износ нельзя измерить напрямую, поэтому нам нужно найти параметр, по которому можно сделать вывод об износе. мы должны быть в состоянии измерить этот параметр с помощью датчика
Оценщик
Функция сцепления заключается в передаче крутящего момента, но крутящий момент трудно измерить, поэтому вместо этого мы можем измерить скорость входного и выходного вала сцепления и рассчитать с его помощью скорость проскальзывания. По мере износа сцепления увеличивается проскальзывание сцепления, поэтому этот параметр можно использовать для измерения износа сцепления. Порог можно определить путем тестирования до фактических данных.
Теперь мы можем собирать эти данные на предопределенных временных частотах. Этот блок не охватывает метод сбора данных, но это можно сделать с помощью кабеля obd и модуля pyobd python. (Не стесняйтесь искать их)
Эту концепцию можно применить к любой машине. Нам просто нужно найти признаки, которые можно почувствовать и использовать для оценки износа.
Введение в модель временных рядов (ARIMA)
Для тех, кто плохо знаком с ARIMA, я кратко коснусь ARIMA. Арима состоит в основном из трех компонентов:
- AR- Авторегрессивный
- Интегрированный
- Скользящее среднее
Чтобы двигаться дальше, нам нужно понять еще одно понятие - стационарные и нестационарные временные ряды.
Как видно из рисунка, стационарные данные имеют постоянное среднее значение, а нестационарные данные имеют переменное среднее значение. Теперь мы знаем, что авторегрессия и скользящее среднее могут быть применены к стационарным данным, только мне нужно преобразовать нестационарные данные в стационарные. Мы можем сделать это, используя разность.
Здесь y обозначает выходную переменную, поэтому в основном мы сравниваем значение в этот момент времени с предыдущим моментом времени, а затем сохраняем разницу в переменной. Теперь этот y’ станет стационарным, и теперь можно будет применить авторегрессию и скользящее среднее.
Здесь выходная переменная Y обозначает y’ или преобразованные данные стационарного временного ряда. Это уравнение вычисляет Y в момент времени t как функцию Y, происходящего на предыдущем временном шаге (авторегрессия), а вторая часть имеет условия для скользящего среднего. P — параметр для AR, а q — параметр для MA. Все эти параметры можно легко настроить, используя концепцию AIC и BIC или следуя методу, указанному в этой ссылке:
