„Cisco изчислява, че през 2020 г. ще има около 50 милиарда свързани устройства“ и пазар на стойност около „14,4 трилиона долара до 2022 г.“. Световният икономически форум също прогнозира, че най-големите двигатели на приемането на AI ще включват IoT, AI и машинно обучение точно в първите пет. Компаниите и изследователите работят за подобряване на възможностите за анализ, за ​​да отговорят на това глобално търсене.

Adam McElhinney е тук, за да очертае последните постижения в машинното обучение в пространството на IoT, особено в индустриалния интернет на нещата (IIoT), и как тези постижения биха могли да спестят пари и да повишат ефективността в своята реч за 2019 Accelerate AI на ODSC, „Recent Напредък в машинното обучение с приложения към IoT.“

Високите залози на IIoT

Стойността на случаите на използване в IIoT е много по-висока от технологиите, насочени към потребителите, главно защото общите суми в долари са просто по-високи. Може да се направят толкова много пари от броенето на стъпки, например, но „управлението на автопарка струва милиарди“.

IIoT помага за намаляване на разходите и създаване на по-ефективни тръбопроводи, като позволява на спедиторите и доставчиците да доставят стоки с тесни прозорци и точни количества. Тези числа създават огромна стойност за по-добър IIoT, използвайки машинно обучение и облачни изчисления за прогнози, базирани на наистина масивни данни.

Основен случай на употреба: Прогноза за отказ

За индустриалните машини разходите за поддръжка се разделят на две части. Първо, високата цена на частите и трудът са малка част от уравнението. Второ, голяма част от разходите са просто загубените приходи от машината, която не работи за някакъв период.

Машинното обучение позволява на компаниите да идентифицират малки промени в производителността, които показват възможни проблеми. Откриването на повреди много преди да се случат позволява на компаниите да предотвратят непланиран престой и да минимизират разходите за ремонт.

P-F кривата показва производителността на машината във времето. Машинното обучение използва традиционната P-F крива за прогнозиране до много фини периоди. Тъй като машинното обучение става по-интелигентно, управлението на тези машини става по-ефективно.

Какво стимулира IIoT

Има шест основни компонента на IIoT, които стимулират степента на приемане.

  • Намалена цена на сензора: По-евтините сензори ни позволяват да улавяме повече данни, защото повече от нашите устройства имат тези сензори. В началото за работа са използвани сензори. Сега можем да ги използваме за прогноза и диагностика.
  • Намалени разходи за предаване: Вече не е необходимо да изтегляме информация ръчно. Най-популярният метод обаче са клетъчните данни, чиято цена е спаднала драстично.
  • Намалени разходи за съхранение: Ние обработваме около 1,2 милиарда бита данни на ден. Облачното съхранение е по-ефективно и позволява на компаниите да съхраняват тези данни за бъдеща информация.
  • Нови алгоритми: Постигаме човешки нива на откриване с най-новите алгоритми. През 2015 г. например алгоритмите на ImageNet достигнаха производителност на ниво човек при класификацията на изображения. Тези алгоритми са подобни на въздействащото наблюдение на IIoT.
  • Намалени изчислителни разходи: Можем да изпълняваме мощни алгоритми по-евтино поради напредъка в изчислителната технология.

Каква е стойността на прогнозите?

Ако можем да намалим непланирания престой чрез по-добра прогноза дори с 10%, може да видим спестявания от милиони или милиарди долари. Например, според McElhinney, непланираният престой в локомотивите струва на компаниите $322 000 на локомотив годишно. Средната железопътна линия от клас I може да спести около 86 милиона долара, ако тези 10% от непланирания престой се превърнат в планирана поддръжка.

Предизвикателства на внедряването

Процесът на машинно обучение работи малко по-различно в случай на промишлена употреба.

  1. Свързване – Клетъчната свързаност може да е нестабилна. В отдалечени и селски среди има по-малко шансове за клетъчна свързаност. В тези екстремни среди повредата на машината представлява още по-значими проблеми.
  2. Проблеми с предаването на данни — Машините предават данни само когато самата машина е включена. Ако машината е изключена, не знаете дали липсата на данни е поради критична грешка или поради целенасочено изключване.
  3. Данните за повреда/поправка са неточни и непоследователни — Най-важният източник на данни се основава на хора. Въвеждането на данни разчита единствено на човешки вход и това не може да покрие необходимата широчина. Освен това йерархиите на активите трябва да бъдат стандартизирани за компаниите и видовете оборудване.
  4. Причините за повреда са трудни за установяване — Алгоритмите за машинно обучение не са достигнали човешки нива на разбиране на причинно-следствената връзка. Те търсят модели, някои от които може да са научени неправилно.
  5. Има много видове неизправности — Най-важният код на неизправност в повечето индустрии представлява само около 4% от видовете неизправности според McElhinney. Това е друга област, в която обхватът на информацията може да бъде предизвикателство за преодоляване.
  6. Неуспехите с висока стойност са редки — просто има масивен дисбаланс на данните, който го прави по-труден.
  7. Ограничения на сензора — Фиксираното разположение на сензора определя каква информация е налична. Някои събития се случват твърде бързо за настоящата сензорна технология.
  8. Остаряване на машината — в рамките на една флотилия може да имате коренно различна възраст на една и съща машина, което затруднява създаването на последователни правила и модели.
  9. Разлики между флотите — Дори и при контролиране на разликите в типа или възрастта, може да има различия в определени сигнали между флотите.
  10. Сезонност в данните — Трябва да вземете предвид данните за сезонността в допълнение към разликите в целия флот и възрастта.
  11. Трудна за измерване стойност — Операциите са сложни и нелинейни. Например, един аварирал влак също причинява закъснения на други, все още работещи влакове.
  12. Събития за неправилно функциониране — Проблемите със свързаността и забавянето понякога доставят данни неправилно. За нас това е интуитивно. Машините намират това за проблематично.

Основните подходи за преодоляване на пречките за последните постижения в машинното обучение и IIoT

Има два подхода за преодоляване на пречките на IIoT.

Модел, базиран на физика

Комплексните компютърни кодове симулират тези физически системи, изпълнявайки диагностика и хипотези едновременно в тази виртуална среда. Те работят чрез решаване на частични диференциални уравнения в механиката и термодинамиката.

Те се правят за активи с висока стойност, защото е трудоемко и скъпо. Обикновено това е докторска степен. ниво инженер, изграждащ тези модели индивидуално. Те са способни да се справят с повреди с ниска вероятност, но с много висок риск, като например ядрени централи.

Модели на отказ, управлявани от данни

Данните от повреди се анализират чрез сложни алгоритми, за да се създаде поредица от прогнози и базирани на правила разбирания на целевата среда. За по-чести активи с по-нисък риск машинното обучение е много по-добър вариант за моделиране на тези повреди.

Базирани на физика симулации в мащаб не са възможни, но машинното обучение позволява на компаниите да мащабират и да учат. Прави полезен извод от невиждани преди това грешки.

В моделите, управлявани от данни, има подгрупи от модели:

  • базирани на знания модели — полезни за изводи от предишни наблюдавани ситуации
  • модели за очаквана продължителност на живота — управлява продължителността на живота и деградацията
  • изкуствени невронни мрежи — изчислява прогнози и оценки, използвайки данни от наблюдения. Трансферното обучение попада в тази област и има огромен потенциал за прогнозиране.
  • физически модели – изчислява прогнози и оценки, използвайки физическото поведение на деградация

Бъдещето на IIoT и Analytics

Тези сензори и алгоритми стават все по-добри в изграждането на по-ефективни модели въпреки настоящите пречки. Това е голяма крива на обучение, но област, която е узряла за иновации и потенциално цел с висока стойност, като предстоят по-нови постижения в машинното обучение.

Оригиналната публикация тук.

Прочетете още статии за наука за данни на OpenDataScience.com, включително уроци и ръководства от нива за начинаещи до напреднали! Абонирайте се за нашия седмичен бюлетин тук и получавайте последните новини всеки четвъртък. Можете също така да получите обучение по наука за данни при поискване, където и да сте с нашата платформа Ai+ Training.