Uczenie maszynowe w służbie predykcji stanu maszyn

Należy przyjąć zasadę, że im więcej posiadamy danych, tym bardziej świadome decyzje podejmują pracownicy utrzymania ruchu. Aby generować dokładne prognozy, należy gromadzić i przetwarzać w czasie rzeczywistym dane z czujników, historyczne zapisy konserwacji i awarii, metadane sprzętu, a nawet informacje zewnętrzne, takie jak np. warunki pogodowe. Kluczowe jest jednak, aby proces gromadzenia danych przebiegał świadomie, przy współudziale specjalistów zajmujących się danymi (analityków i inżynierów danych), jak i ekspertów dziedzinowych, tak aby mieć pewność, że zebrane dane wystarczają do budowy modelu. Dodatkowo należy mieć na uwadze, że proces degradacji stanu maszyn przebiega latami. Wobec tego dane trzeba gromadzić przez dłuższy okres, aby obserwować system przez cały proces jego degradacji.

Techniki uczenia maszynowego w PdM

Aby sformułować model predykcyjnego utrzymania ruchu, należy wziąć pod uwagę kilka podstawowych informacji. Pierwszą rzeczą do rozważenia powinno być określenie, jakiego rodzaju wynik powinien dać model. Ważne też jest, czy dostępność danych historycznych z maszyny jest wystarczająca, czy też jesteśmy zależni od danych statycznych. Mając na uwadze pożądane wyniki oraz dostępne zasoby, można wziąć pod uwagę trzy główne techniki uczenia maszynowego.

Uczenie się nadzorowane jest preferowane, gdy znane są oczekiwane odpowiedzi modelu i badane dane. Takie uczenie jest procesem iteracyjnym. Ocenia on błąd wyjściowy w stosunku do znanych wyjść dla danych wejściowych będących parami, np. wartości z pomiarów – i opisu znanego stanu technicznego urządzenia. Uczenie modelu kończy się po osiągnięciu „akceptowalnego” poziomu błędu opisującego stopień błędnego określenia stanu maszyny w danym horyzoncie czasowym (w przyszłości).