Вопрос или проблема
У меня есть данные для насосов, которые имеют один или несколько датчиков для записи давления воздуха. Помимо sensor_id и timestamp, есть три числовых переменных: current_air_pressure, min_air_pressure и max_air_pressure, и показания записываются каждую минуту. Если текущее давление воздуха находится в пределах минимального и максимального значений, то насос работает нормально, в противном случае он остановится автоматически и его нужно будет перезапустить вручную. Других данных нет, и мы не знаем, когда насосы/датчики останавливались ранее; в лучшем случае мы можем сделать вывод, сравнив показания с пределами.
Мой случай использования заключается в том, чтобы показать текущее состояние каждого насоса и предсказать, когда насос остановится. Проблема в том, что давление воздуха может колебаться вверх и вниз, как на фондовом рынке, т.е. достигать максимума, и когда мы думаем, что оно скоро превысит максимум и остановит насос, оно может внезапно упасть и стать стабильным (в пределах диапазона). Аналогично, оно может достичь минимума, а затем подняться и стать стабильным. Таким образом, показание, близкое к максимуму или минимуму, не указывает на то, что насос превысит пределы и перестанет работать.
Бизнес-пользователям не важно, останавливается ли насос из-за низкого/высокого давления.
Вопрос: Какой лучший подход для этого?
- Из исторических данных сделать вывод о том, когда насос остановился, сравнив показания с пределами, и использовать это в качестве целевой переменной для формулирования в виде задачи предсказательного обслуживания. Сработает ли этот подход, если насосы останавливаются из-за слишком низкого/высокого давления, и показания на самом деле колеблются
- Или модель на основе правил, профилируя каждый датчик с информацией о том, как долго каждый датчик находится в пределах диапазона, как часто он пересекает минимальные/максимальные пределы или возвращается назад, если он около минимума/максимума и т.д.
- Есть ли другие варианты?
Это будет сложной задачей, но хорошая вещь заключается в том, что существует множество различных возможностей, с которыми можно поэкспериментировать. Если бы я был на вашем месте, я бы начал с попытки многомерного временного ряда.
Если вы считаете, что есть эффект сезонности, вы можете включить его – эффект сезонности в данном случае будет заключаться в том, что есть определенные часы/дни, когда происходит больше инцидентов. Вы также можете включить переменную – время, прошедшее с последнего инцидента. Однако, если нет эффекта сезонности и предыдущие инциденты не определяют новые инциденты, это делает весь проект намного более сложным.
Вы также можете создать другую переменную, которая будет стандартным отклонением давления за предыдущий временной интервал X. Я не могу сказать вам, сколько времени включить, так как это специфично для насосов.
Если вам не нравится идея со стандартным отклонением, вы можете попробовать включить 2 другие переменные – как часто давление превышает (для высокого давления) и ниже (для низкого) определенных пороговых значений, которые вы создали. Например, если нормальное давление 1, и насосы останавливаются при 1.5, если оно слишком высокое, или 0.5, если оно слишком низкое, вы можете создать искусственные пороговые значения на 1.3 и 0.7 и посмотреть, как часто насосы пересекали эти пороговые значения за предыдущий временной интервал X. Возможно, что насосы, которые чаще пересекают эти пороговые значения, более склонны к поломке.
Если все эти идеи не сработают, вы всегда можете попробовать выполнить одномерный временной ряд только с давлением в качестве переменной. Все, что я упомянул до сих пор, было направлено на то, чтобы предсказать, когда насосы остановятся.
Что касается вашей другой задачи – показать текущее состояние насосов вам будет легко. Записывайте, как часто каждый насос выходит из строя, постройте их на графике, и все, что является выбросом, – это плохой насос.
Всегда полезно поговорить с инженерами, которые понимают насосы – они могут дать вам фору в вашем проекте.
Ответ или решение
Сравнение моделей основанных на правилах и предсказательной технической поддержкой для насосов с датчиками давления
В современных условиях эксплуатации насосов с датчиками, особенно когда речь идет о мониторинге их состояния и предсказательной технической поддержке, необходимо рассмотреть два основных подхода: модели на основе правил и предсказательные модели. Давайте подробно обсудим, какие из этих моделей могут быть наиболее эффективными для вашей ситуации, основываясь на предоставленных данных.
Модели на основе правил
Определение:
Модели на основе правил подразумевают использование заранее заданных условий и параметры, которые определяют состояние оборудования. В вашем случае это может включать анализ данных о давлении (минимальные и максимальные пределы) и поведение насосов.
Преимущества:
- Простота реализации: Модели на основе правил часто проще в разработке и применении, так как они используют четкие условия.
- Высокая прозрачность: Каждое правило можно легко объяснить, так как оно основано на фактических данных (например, если давление превышает максимальный предел, насос считается неисправным).
- Быстрая реакция: Модели можно быстро адаптировать и обновлять в зависимости от новых вводимых данных.
Недостатки:
- Ограниченная предсказуемость: Если давление колеблется, как вы упомянули, простое использование правил может привести к ложным срабатываниям (например, насос будет определен как остановленный, когда давление возвращается к норме).
- Отсутствие контекста: Они не учитывают временные факторы, такие как как долго насос был на определенном уровне давления или как часто он колебался между пределами.
Предсказательные модели
Определение:
Предсказательные модели используют статистические и машинные методы для выявления паттернов и создания прогнозов на основе временных рядов и исторических данных.
Преимущества:
- Анализ временных рядов: Эти модели могут учитывать временные зависимости, что позволяет делать более точные прогнозы остановок насосов на основе предыдущих состояний.
- Индивидуальные предсказания: Модели могут быть настроены на разные насосы, учитывающие их уникальные параметры работы и поведения.
- Многофакторный анализ: Вы сможете учитывать множество факторов, таких как среднее давление, стандартное отклонение и частота пересечения порогов давления, что увеличит точность прогнозов.
Недостатки:
- Сложность реализации: Построение предсказательной модели может требовать значительных ресурсов и специализированного программного обеспечения, а также глубоких статистических знаний.
- Необходимость качественной подготовки данных: При отсутствии достаточного объема исторических данных будет трудно создать точные модели.
Рекомендации
-
Начните с модели, основанной на правилах: Этот подход может быть подходящим на начальном этапе, чтобы быстро оценить текущее состояние насосов и выявить проблему.
-
Разработка предсказательной модели: Изучите возможность создания предсказательной модели, используя исторические данные о давлении насосов. Вы можете:
- Использовать метод временных рядов для анализа давления.
- Включить переменные, такие как частота пересечения границ давления за определенный период:
- Создайте искусственные пороги для определения рисков.
- Рассмотрите возможность интеграции дополнительных факторов, таких как сезонность или время с последнего инцидента.
-
Консультации с экспертами: Общение с инженерами, работающими с насосами, поможет понять их поведение и даст идеи для улучшения моделей.
Заключение
Сравнение моделей на основе правил и предсказательных моделей показывает, что каждая из них имеет свои сильные и слабые стороны. Эффективный подход может представлять собой комбинацию обоих методов: начиная с простых правил для мониторинга состояния насосов и переходя к более сложным предсказательным моделям по мере накопления данных. Этот комплексный метод позволит не только оптимизировать работу насосов, но и значительно повысить надежность и эффективность их эксплуатации.