Ключевая роль в реализации прогнозного технического обслуживания (predictive maintenance, #PdM) отведена машинному обучению (machine learning, #ML).
Обучение осуществляется на накопленных исторических данных об активах в предположении, что в будущем отказы будут развиваться аналогичным образом. Это и должно обеспечивать идентификацию и прогнозирование отказа.
Однако, многолетний опыт показывает, что данных об отказах не хватает, поскольку действующая предупредительная система технического обслуживания предотвращает отказы.
В этой связи используется гибридный метод:
✅обнаружение аномалий, когда измерения параметров состояния актива отклоняются от нормального рабочего поведения,
✅идентификация известных сигнатур отказов, когда измерения параметров состояния соответствуют "сигнатуре неисправности".
В первом случае для обучения используются данные о "нормальном состоянии" актива, которых всегда много. А втором - данные, имеющие место в состоянии отказа. При этом они дополняют друг друга.
Говард Пенроуз (Howard Penrose) задает логичный вопрос: что если подшипник, который мы считали в "нормальном состоянии", на самом деле находился в плохом состоянии? Это может быть несоосность, нарушение балансировки или крепежа агрегата, или какое-либо другое условие, влияющее на надежность. В этом случае машинное обучение "нормальному состоянию" будет осуществляться на данных, соответствующих предотказному состоянию.
Он обращает внимание и на другие риски, связанные с использованием искусственного интеллекта для управления надежностью: отсутствие понимания систем, в которых будут применяться инструменты машинного обучения, предвзятость программистов, основанная на том, какой опыт они могут иметь, и зависимость от того, чему их учили.
Подробнее в статье по ссылке.
