Машинные данные с датчиков и подключенных устройств генерируют множество данных, которые можно преобразовать в ценные знания для вашей организации. Традиционные подходы к данным могут позволить организациям отслеживать определенные условия, но эти подходы, естественно, ориентированы на прошлое. Внедрение машинного обучения в ваши данные может обеспечить прогнозную аналитику и перспективный анализ для получения дополнительных сведений.

Традиционно было сложно внедрить и масштабировать использование машинного обучения в первую очередь из-за технических сложностей и нехватки специалистов по ИИ в различных отраслях.

Эта серия предназначена для того, чтобы представить набор примеров использования, показывающих, как Elipsa реализует доступный ИИ, позволяя существующим специалистам организации стать талантами ИИ и применять расширенную аналитику без необходимости написания кода.

Износ подшипника

Вращающиеся машины используются в огромном количестве отраслей и вариантов использования. Эти машины часто развертываются в случаях интенсивного использования, требующего постоянной безотказной работы. В результате такие детали машин, как подшипники, подвержены износу со временем, даже при правильном уходе.

Профилактическое техническое обслуживание может быть использовано для планового технического обслуживания и продления срока службы подшипников, но отказы все равно случаются, что приводит к простоям, чрезмерным затратам и упущенной выгоде.

Ручной контроль подшипников отнимает много времени и непоследовательно. Датчики акселерометра могут использоваться для контроля вибрации или ускорения движения отдельного подшипника. Затем эти показания могут использоваться машинным обучением в качестве показателя состояния подшипника и оборудования в целом.

Возможность предсказать износ подшипника может позволить организациям заранее управлять запасами деталей, планировать упреждающее техническое обслуживание и замену, а также сокращать время простоя, помогая сократить расходы и увеличить доход.

Набор данных

В нашем примере мы будем исследовать данные теста NASA до отказа.

На валу были установлены четыре подшипника. Скорость вращения поддерживалась постоянной на уровне 2000 об/мин с помощью электродвигателя переменного тока, соединенного с валом через притирочные ремни. Радиальная нагрузка в 6000 фунтов воздействует на вал и подшипник с помощью пружинного механизма. Все подшипники смазываются принудительно.

На вал были установлены двухрядные подшипники Rexnord ZA-2115, как показано на рисунке ниже. На корпусе подшипника были установлены высокочувствительные кварцевые ICP-акселерометры. Расположение датчика также показано на рисунке.

Данные собираются каждые 10 минут, где каждая точка данных представляет собой среднее значение показаний датчика за предшествующий 10-минутный период.

Построение прогнозной модели с помощью Elipsa

Платформа elipsa — это решение без кода, которое позволяет пользователям применять расширенную аналитику к своим данным без помощи специалиста по данным.

Шаг 1

В качестве первого шага нам нужно выбрать тип модели, которую мы хотим построить. В нашем случае мы будем отслеживать выбросы акселерометра. Другими словами, мы построим модель, которая изучает нормальное поведение этого акселерометра, чтобы отслеживать потоковые данные на предмет ненормального поведения, указывающего на износ подшипника.

Шаг 2

После выбора типа модели нам нужно импортировать данные, которые мы будем использовать для построения модели. В нашем случае это набор данных, подробно описанный выше. С загруженным набором данных мы устанавливаем чувствительность модели. Чувствительность будет определять, насколько далеко от нормы должна быть точка данных, чтобы считаться выбросом. При более низкой чувствительности вы будете предупреждены о меньшем количестве выбросов, при этом будут обнаружены только более экстремальные выбросы. Настройка чувствительности в первую очередь зависит от вашей терпимости к ложным срабатываниям, а также от ваших знаний о том, насколько «нормальны» ваши тренировочные данные.

Шаг 3

После того, как вы выбрали чувствительность, вы просто выбираете столбцы в файле данных, которые вы хотите отслеживать. Если выбрано несколько столбцов, Elipsa AI Engine найдет закономерности между различными точками данных, чтобы обнаружить выбросы. В нашем примере мы могли бы контролировать все четыре подшипника вместе, чтобы контролировать общее состояние системы. Однако, поскольку износ подшипников часто не зависит друг от друга, мы собираемся построить модель для наблюдения за одним подшипником.

После того, как вы нажмете «Создать мою модель», механизм elipsa автоматически создаст прогностическую модель, которую вы сможете легко развернуть в облаке или непосредственно на своем периферийном устройстве. В нашем примере мы развернули модель в Elipsa Cloud для просмотра результатов.

Результаты

Как подробно описано выше, машина работала до отказа. Таким образом, мы знаем, что последняя точка данных была получена непосредственно перед тем, как подшипник достиг неприемлемого уровня износа. Наша цель состоит в том, чтобы иметь возможность запускать данные через Elipsa и посмотреть, предсказывали ли мы аномальное поведение до известного сбоя.

Из результатов видно, что модель Elipsa считала данные акселерометра нормальными для начала тестового прогона, а затем была обнаружена серия выбросов, приведших к отказу машины.

В приведенных выше результатах синие линии указывают уровень достоверности модели, предсказывающей точку данных как выброс. Как видите, уверенность возрастает по мере того, как система приближается к известному сбою.

В нашем случае машина работала в течение 1 недели в условиях высокой нагрузки. Через 163 часа подшипники износились до отказа.

Мониторинг единичных показаний акселерометра позволил нам построить прогностическую модель, предупреждающую о сбое почти за 12 часов в условиях высокой нагрузки. При менее напряженном использовании подшипники, вероятно, прослужили бы дольше, но также, вероятно, выдавали бы более раннее уведомление о выходе из строя, поскольку подшипники со временем изнашивались бы медленнее.

Это предварительное уведомление может позволить организации лучше управлять своими запасами деталей и планировать необходимое техническое обслуживание, например, применять дополнительную смазку. Прогностическая аналитика на одном датчике может предотвратить простои и продлить работу машин, что поможет сократить расходы, увеличить доход и обеспечить более эффективное использование рабочего времени сотрудников.

Пожалуйста, продолжайте проверять дополнительные варианты использования, представленные в нашей серии Approachable AI Applied, и, если вы заинтересованы в изучении возможностей Elipsa, закажите демонстрацию на elipsa.ai/demo