Картинка

БЛОГ про

все цікаве у світі телекомунікацій

Методи для виявлення і діагностика несправностей стосовно IoT

2021-07-22
Автор: Телесфера

 

Вступ

Поточна промислова тенденція щодо автоматизації та промислових підприємств веде нас до все більш і більш складних систем. У свою чергу простої системи можуть призводити до величезних фінансових втрат. У деяких випадках поломка однієї деталі може привести до руйнування цілої системи без можливості відновлення. У зв'язку з цим виникає необхідність розробки Виявлення і Діагностики Несправностей (ВДН), яка може запобігти і локалізувати несправності, при цьому підвищується продуктивність систем. Діагностика полягає в виявленні ненормального функціонування за даними датчиків. Зазвичай дані від датчиків бувають дуже зашумленими або пошкодженими, з шумами мережі передачі даних, відповідно алгоритми ВДН також повинні бути стійкі до викидів.

Давайте розглянемо методи ВДН, Мал. 1. Методи ВДН: підходи, які використовують аналітичну фізичну модель системи і підходи, що покладаються тільки на системні спостереження. Використання методів діагностики з моделями здається важким і дорогим через менш задовільні характеристики. Крім того, існує кілька промислових додатків, в яких модель важко або неможливо отримати через підвищену складність або декілька конфігурацій, задіяних у виробничому процесі.


Мал. 1. Методи ВДН

Опис проблеми

В ВДН основною складновирішуємою задачею є установка порогу, який визначає несправності. У разі установки низького порогу виявлення, система буде генерувати досить багато хибних тривог. При помилковій тривозі відправляється обслуговуючий персонал або організовується не планова заміна частин системи, а в сукупності певні помилкові тривоги приведуть до величезних витрат. З іншого боку, установка дуже високого порогу виявлення може призвести до ризику не виявлення несправності і привести до зупинки виробництва. Також несправність системи може вплинути на життя і здоров'я людей, що вкрай не допускається. Тому слід враховувати безліч невизначеностей: невизначеності, пов'язані з відсутністю знань про процес, неточності даних в датчиках, які можуть містити шум або відсутні дані, пов'язані з похибками неправильної обробки.

У наші дні система стає дуже складною і буває складно визначити аналітичну модель системи, а моделі машинного навчання (ML) справляються з цим завданням досить непогано. Сформувалися деякі вимоги ML-моделей, такі як: необхідність якісних даних (відсутні або зашумлені дані), можливість розглянути кілька типів змінних (дискретних або безперервних), спосіб врахувати час для динамічної системи і здатність узагальнити, щоб модель могла знайти рішення з новим спостереженням. Але крім цих вимог є виробничий момент, при якому керівництво хоче моделі, які були б поясненнями, а не чорним ящиком. Далі ми подивимося ML алгоритми для ВДН.

Підходи до машинного навчання

Застосування IoT-систем у всіх областях створює величезну кількість даних. Крім того, ці системи стають все більш і більш складними, і важко запустити аналітичну модель з хорошими результатами. Використання моделей ML стає очевидним і логічним рішенням для діагностування цих систем.

Мета даної статті - ми хочемо показати кілька методів машинного навчання для ВДН. Ми розглянемо популярні методи машинного навчання в ВДН, такі як метод опорних векторів (англ. SVM, support vector machine), штучна нейронна мережа (ШНМ), нечітка нейронна мережа (англ. FNN, fuzzy neural network), дерева рішень, Байєсовська мережа довіри (англ. BNN, bayesian belief network).

Метод опорних векторів

Метод опорних векторів показує хороші результати щодо інших алгоритмів з невеликим обсягом навчальних даних, також застосовується при відмові аналогового ланцюга діагностика з використанням вейвлет-перетворення в якості препроцесора з високою точністю класифікації. Це один з найбільш популярних методів навчання, який застосовується для розв'язання задач класифікації і регресії.

Основна ідея методу полягає в побудові гіперплощини, що розділяє об'єкти вибірки оптимальним способом. Алгоритм працює з тим припущенням, що чим більше відстань (зазор) між розділяє гиперплоскостью і об'єктами поділюваних класів, тим менше буде середня помилка класифікатора. Кількість опорних векторів збільшується з ускладненням завдання. Однак у SVM є недоліки:

  • Нестійкість до шуму: викиди в вихідні дані стають опорними об'єктами-порушниками і безпосередньо впливають на побудову розділяє гиперплоскости;
  • Не описані загальні методи побудови ядер і спрямляючих просторів, найбільш придатних для конкретного завдання;
  • Немає відбору ознак;
  • При спробі використання в мультикласовій задачі якість і швидкість роботи падають.

Останнім часом набирає популярність навчання з частковим залученням вчителя для ВДН HVAC (опалення, вентиляції та кондиціонування повітря). Використовуючи тільки кілька несправних навчальних вибірок, SVM вирішує завдання виявлення і діагностування компонентів нагріву.

Також можна відзначити метод релевантних векторів (Relevance Vector Machine, RVM). На відміну від SVM даний метод дає ймовірності, з якими об'єкт належить даному класу. Тобто якщо SVM говорить "x належить класу А", то RVM скаже "x належить класу А з ймовірністю p і класу B з ймовірністю 1-p".

Штучна нейронна мережа (ШНМ)

ШНМ - це потужний інструмент, здатний виконувати завдання класифікації і регресії. ШНМ можна розглядати як зважені орієнтовані графи, в яких нейрони є вузлами, і зв'язки між вузлами є зваженими зв'язками. Це навчання регулює ваги, а також функції активації для прийняття бажаної поведінки. Використовуються два типи навчання: контрольоване навчання з учителем і без вчителя.

  • Навчання з учителем: мета полягає в тому, щоб визначити синаптичні ваги з помічених прикладів. Мережа параметрів змінюється, щоб мінімізувати помилки між цільовим висновком (наданим експертом) і фактичним виведенням в мережу. Метод зворотного поширення помилки (англ. Backpropagation) - це приклад контрольованого алгоритму навчання.
  • Без вчителя: вхідні дані не містять інформації про бажаний результат; навчання здійснюється з правилами, які змінюють параметри мережі відповідно до вхідних даних. Алгоритм навчання асоціативної пам'яті для мереж Хопфілда є тому прикладом. Квантові мережі Хопфілда використовуються для діагностики множинних несправностей аналогових схем з використанням імовірнісного механізму. Потім зразки несправностей квантуються і стандартно ортогоналізуються для подачі в квантову нейронну мережу Хопфілда. Системний підхід, який використовує механізм квантової асоціативної пам'яті і принцип квантової суперпозиції, дає гарне пояснення ймовірності множинних несправностей.

Крім того, ШНМ можна використовувати для створення нейронної моделі з метою імітації нормальної поведінки системи і додаткових моделей для імітації різних умов несправності. Потім нейронні моделі розміщуються паралельно з системою, яка відслідковується, і виявлення несправностей досягається шляхом порівняння вихідних даних нейронних моделей з вихідними даними реальної системи. Класифікація несправностей заснована на простому пороговому тесті залишків, сформованих шляхом вирахування вихідних даних кожної нейронної моделі з відповідних вихідних даних реальної системи. Для оцінки залишків використовується баєсовська мережа. Сила ШНМ - в їх здатності апроксимувати і розпізнавати закономірності. У діагностичних додатках вони показали великі перспективи в областях, де присутні шуми і помилки. Однак ШНМ вимагає великих обчислювальних ресурсів, що робить збіжність зазвичай повільною під час навчання і схильна до перенавчання, а також вимагає великого різноманітного набору даних для навчання.

Нечітка нейронна мережа

Додатки для діагностики в основному включають гібридні нечіткі нейронні моделі, в яких нейронні мережі та нечіткі системи об'єднані в одну систему. Найбільш поширені нечіткі нейронні мережі засновані на двох типах моделей: моделях Тагакі Сугено Канга (ТСК) і Мамдані, в поєднанні з алгоритмами нейронного навчання. Існує два основних застосування нечітких нейронних мереж в моніторингу. Ці застосування найчастіше засновані на вивченні залишків, які генеруються різницею оціненого сигналу, отриманого нейро-нечітким спостерігачем, з фактичними значеннями сигналу. Потім ці залишки класифікуються і оцінюються за допомогою нечіткої нейронною мережею.

Нейро-нечітке навчання і адаптація нечітких моделей ТСК використовуються для залишкової генерації, в той час як для залишкової оцінки використовується нейро-нечіткий класифікатор для моделей Мамдані. Така мережа може бути використана для виявлення та ізолювання несправності промислової газової турбіни, приділяючи особливу увагу несправностей, які виникли у виконавчій частині газової турбіни. Більш того, нечітка нейронна мережа застосовується для навчання відображення причин несправності. Результати показують, що цей метод може точно діагностувати множинні несправності. Послідовна нечітка кластеризація нечітких нейронних мереж на динамічній основі розроблена і успішно застосовується для моніторингу високошвидкісного процесу фрезерування. Він може послідовно вивчати модель, адаптуватися до варіацій і надавати оцінку або прогноз стану процесу. Це полегшує ненав'язливу діагностику несправностей. Нечітка нейронна мережа має переваги над ШНМ, так як нечітка нейронна мережа має здатність представляти невизначеності, властиві людському знанню, за допомогою лінгвістичних змінних, і це надійно щодо можливих порушень в системі. Проте, для навчання нечіткої нейронної мережі необхідно включати знання експерта в цій області, щоб встановити правила, а навчання вимагає великих обчислювальних ресурсів.

Дерева рішень

Дерева рішень є одним з найбільш ефективних інструментів інтелектуального аналізу даних і самий корінь аналітики, які дозволяють вирішувати завдання класифікації і регресії.

Вони являють собою ієрархічні деревоподібні структури, що складаються з вирішальних правил виду «Якщо ..., то ...». Правила автоматично генеруються в процесі навчання на навчальній множині і, оскільки вони формулюються практично на природній мові (наприклад, «Якщо обсяг продажів більше 1000 шт., То товар перспективний»), дерева рішень як аналітичні моделі більш вербалізуємі і інтерпретовані, ніж, скажімо, нейронні мережі.

Оскільки правила в деревах рішень виходять шляхом узагальнення безлічі окремих спостережень (навчальних прикладів), що описують предметну область, то за аналогією з відповідним методом логічного висновку їх називають індуктивними правилами, а сам процес навчання - індукцією дерев рішень.

У навчальній множині для прикладів має бути задано цільове значення, так як дерева рішень є моделями, що будуються на основі навчання з учителем. При цьому, якщо цільова змінна дискретна (мітка класу), то модель називають деревом класифікації, а якщо безперервна, то деревом регресії.

Основні ідеї, що послужили поштовхом до появи і розвитку дерев рішень, були закладені в 1950-х роках в області досліджень моделювання людської поведінки за допомогою комп'ютерних систем. Серед них слід виділити роботи К. Ховеленда «Комп'ютерне моделювання мислення» і Е. Ханта та ін. «Експерименти по індукції».

Існують різні алгоритми навчання дерев рішень на основі даних, включаючи ID3, C4.5 і CART.

В ВДН дерева рішень можна використовувати для аналізу поширення телеметрії у вітряних турбінах за допомогою алгоритму навчання дерева рішень і виявлення відмов, пошкоджень і аномальних операцій. Вони навчають набір класифікаторів дерева рішень Bagged на наборі даних з морської вітряної електростанції, що складається з 48 вітряних турбін, і використовують його для автоматичного виділення шляхів, що зв'язують збої через надмірну вібрацію з їх можливими причинами.

Алгоритм CART використовується для введення дерева рішень в діагностичну стратегію для вентиляційних установок. Детектор усталеного стану і регресійна модель включені в стратегію для підвищення інтерпретування розробленої діагностичної стратегії. Показано, що за допомогою цієї стратегії можна досягти хороших діагностичних показників.

Дерева рішень візуально більш інтуїтивно зрозумілі, простіші і легше засвоюються і інтерпретуються інженерами. На відміну від інших методів класифікації, з класифікаторами дерева рішень можна виконувати аналіз першопричин несправностей на основі даних; можна простежити шлях від кінцевого стану до ініціювання, шлях, який слідує послідовності і хронології взаємозв'язку подій. Дерева рішень дуже стійкі до зашумлених і неповних даних. Однак для них необхідно використовувати параметр обрізки, щоб зменшити необхідність перенавчання.

Байєсовська мережа довіри

Байєсовська мережа довіри (англ. Bayesian Belief Network, BBN) - важлива імовірнісна графічна модель, яка може ефективно вирішувати різні проблеми невизначеності на основі імовірнісного подання інформації та логічних висновків. Байєсовська мережа довіри - імовірнісна графічна модель, що представляє набір випадкових величин і їх умовних залежностей через орієнтований ациклічний граф. Така мережа складається з якісної і кількісної частин.

  • Якісна частина - це спрямований ациклічний граф, в якому вузли представляють системні змінні, а дуги символізують залежності або причинно-наслідкові зв'язки між змінними.
  • Кількісна частина складається з умовної ймовірнісної таблиці, яка представляє відносини між кожним вузлом і його батьками.

Процедури діагностики несправностей з байєсівською мережею довіри складаються з моделювання структури BBN, моделювання параметрів BBN, виведення BBN, ідентифікації несправностей, а також перевірки та верифікації. Повідомлялося про декілька методів побудови структурних моделей BBN для діагностики несправностей. Три основні методи включають причинно-наслідкові зв'язки, алгоритми зіставлення або структурування навчання. Крім того, параметрами є завжди апріорна ймовірність кореневих вузлів і умовна ймовірність листових вузлів. Ці ймовірності можуть бути отримані з експертних знань і досвіду, а також статистичних результатів історичних, змодельованих і експериментальних даних.

Алгоритми можуть бути засновані на аналізі спостережуваної поведінки системи і порівнянні її з набором поведінкових патернів, створених на основі різних несправних станів. Зіставляючи зі зразком, можна сформулювати оцінку апостеріорного розподілу байєсівської ймовірнісної моделі. Коли діагностика несправностей пов'язана з тимчасовими, системними або складними системами, неминучі труднощі зі статичними BBN. Тому для вирішення цих проблем використовуються деякі інші типи BBN, такі як динамічна баєсівська мережа і об'єктно-орієнтована баєсівська мережа.

Динамічна баєсівська мережа - це екстенсіональні BBN зі змінними, залежними від часу, і їх можна використовувати для моделювання часової еволюції динамічних систем. Таким чином, використовується баєсівська мережа, яка моделює систему електропостачання для інтегральних схем. При цьому обробляється динаміка збою, що змінюється, розвиток збою і потужність збою. Динамічна баєсівська мережа використовується для моделювання процесу динамічної деградації електронних продуктів, а ланцюги Маркова використовуються для моделювання перехідних відносин чотирьох станів, тобто відсутності несправності, перехідної несправності, переривчастої несправності і постійної несправності. Крім того, методологія діагностики несправностей може ідентифікувати несправні компоненти і розрізняти типи несправностей в різний час.

Об'єктно-орієнтована баєсовська мережа забезпечує підхід для досягнення ієрархічного представлення моделі, і кожен рівень відповідає рівню абстракції, показуючи інкапсульовані вузли для поточного рівня об'єкта. Такий підхід знижує складність побудови BBN і підвищує ймовірність повторного використання моделей. Методологія діагностики несправностей в реальному часі складних систем з повторюваними структурами запропонована з використанням об'єктно-орієнтованої байєсівської мережі. При виникненні несправностей пропонована система діагностики несправностей на основі об'єктно-орієнтованої байєсівської мережі може повідомляти про несправності і попередження. Для зазначеної системи з певною ситуацією оператор може ввести деяку відому інформацію про досвід в додаткові інформаційні рівні підмереж додаткової інформації та відмов із загальної причини.

BBN інтуїтивно зрозумілий користувачеві в плані взаємодії між змінними моделі. Це корисно для моделювання невизначеності і може бути легко використано для моделювання ієрархічних рівнів множинних причин і наслідків з даними з багатьох джерел, які зазвичай зустрічаються в виробничих системах. Основна проблема навчання BBN полягає в побудові деревовидної структури, і для вирішення цієї проблеми було запропоновано кілька методів, включаючи експертну думку.

Обговорення

В процесі діагностики система розвивається в недетермінованому середовищі, що вимагає врахування невизначеностей, які включають зашумлені вимірювання, відсутні дані, невідомість і мінливість системи. Як правило, коректність роботи моделі машинного навчання в основному залежить від якості використовуваних даних.

Основна проблема діагностичних систем в промислових додатках - це оцінка несправностей з неповними спостереженнями. У промисловій практиці необхідно мати справу з неповними наборами даних і невідомими вимірами, при цьому постійно вимагаючи корисної і надійної інформації для підтримки прийняття рішень.

Складність цього питання залежить від механізму обміну даних і інформативності бази даних процесів. Є багато підходів до вирішення цих проблем, таких як видалення неповних даних або оцінка відсутніх даних. Однак деякі інструменти машинного навчання можуть обробляти безпосередньо неповні дані. Наприклад, BBN може працювати неповними спостереженнями. Фактично, він використовує ймовірності для оцінки ступеня нашої невизначеності, а іноді використовує алгоритми максимізації очікування для вивчення параметрів, коли в наборі даних є деякі відсутні дані.

Важливою частиною машинного навчання є здатність моделі до узагальнень. Дійсно, модель, яка занадто складна у порівнянні з проблемою, яку ми хочемо моделювати, буде вчитися на викидах, включених в набір даних; отже, модель може бути перенавченою, нездатною до узагальнень і допускати безліч помилок при новому спостереженні. З цієї причини в деяких методах використовуються методи відсікання, наприклад, дерева рішень і нейронні мережі.

Мета техніки обрізки - зупинити тренування, щоб уникнути перенавчання. Крім того, більшість цих методів - це контрольовані методи, які використовують знання експерта для постановки діагнозу. Головний недолік контрольованих методів полягає в тому, що моделі відомий лише тип виявлених несправностей. Проте, з новою помилкою деякі моделі можуть виконувати відхилення неоднозначності або відхилення відстані, щоб заповнити недолік знань про систему і адаптуватися до розвитку системи.

Крім того, в процесі діагностики датчики генерують числові дані, і не всі інструменти машинного навчання використовують ці числові дані безпосередньо. Однак більшість методів машинного навчання працюють тільки з безперервними змінними, наприклад, метод опорних векторів і ШНМ. З іншого боку, інші методи використовують дискретні змінні; це випадок дерева рішень і BBN. В деревах рішень C4.5 підтримує числові цільові змінні. Для інших алгоритмів, таких як ID3 і CART, вони використовують дискретні змінні або перетворять безперервні змінні в інтервал. BBN зазвичай використовують дискретну випадкову величину, а іноді можна включити випадкову безперервну змінну, якщо вона має гаусовський розподіл ймовірностей.

Нечітка нейронна мережа - єдиний метод, який може обробляти різні типи даних (числові і символьні). Фактично, він перетворює кількісні та якісні значення в нечітку множину. Оптимальний процес діагностики полягає в створенні моделі, здатної обробляти числові або символьні дані, при цьому оператор може використовувати свої знання, покращуючи діагностику.

Складні або гібридні системи характеризуються великою кількістю реконфигурацій, декількома режимами роботи і регулярною зміною кількості датчиків, особливо в IoT-системах: додаванням або видаленням одного або декількох датчиків. Діагностика гібридних динамічних систем вимагає спільного використання безперервної динаміки і дискретної динаміки. В цьому випадку для діагностики в даному контексті нам потрібні надійні інструменти зі зміною моделей і системи виміру.

Висновок

Цей огляд додатку машинного навчання для діагностики несправностей демонструє, що методи машинного навчання можуть бути дуже корисним інструментом для виявлення і діагностики несправностей. Цією статтею ми показали, що один метод не дозволяє врахувати всі характеристики, які потрібні при діагностиці системи. Деякі методи можуть доповнювати інші, для поліпшення системи ВДН. IoT веде до величезного обсягу, різноманітності та високої швидкості передачі даних. Більш того, виникає необхідність проектувати хмари для зберігання даних. Однак є деякі проблеми, такі як безпека і масштабованість. Таким чином, важливо побудувати систему ВДН для зменшення витрат і простоїв системи.

Внаслідок збільшення складності систем і необхідності зменшення витрат на їх підтримку традиційні методи ВДН (виявлення і діагностика несправностей) не справляються зі своїм завданням. З іншого боку, експерти в цій галузі не сильно довіряють методам, заснованим на машинному навчанні і глибокому навчанні, або, кажучи по-іншому - методам BlackBox. У свою чергу, при GreyBox методах можливо вводити знання експерта в систему і більш-менш пояснювати, як були отримані результати. У зв'язку з цим в статті ми розглянемо методи ВДН і приклади їх застосування в IoT системах.

Джерело: https://habr.com/ru/company/otus/blog/567574/


Про компанію Телесфера Інтеграція.

Телесфера Інтеграція заснована в 2012 році та являється інтегратором новітніх технологічних рішень для бізнесу.  Ми розробляємо рішення, що роблять Ваш бізнес успішним.

Основні напрямки роботи компанії:

  • Побудова локальних обчислювальних мереж;
  • Налаштування мережевого обладнання передових виробників (Cisco Systems, Aruba Networks та інших);
  • Продаж телекомунікаційного обладнання;
  • Аудит локальних обчислювальних мереж;

e-mail: office@telesphera.net
Телефон: (093) 198-11-82 

системою

КОММЕНТАРІ ДО СТАТТІ

Aruba HPE CX 6100. Надійна і керована мережа для SMB. Тест комутатора

Aruba HPE CX 6100. Надійна і керована мережа для SMB. Тест комутатора
Aruba Networks,Налаштування,Налаштування Aruba,Блог Телесфера

Серія Aruba CX 6100 складається з п'яти моделей комутаторів. Дві з них (JL667A і JL668A) обладнані 24-ма гігабітними портами і функціонально розрізняються наявністю/відсутністю можливості живлення через Ethernet-кабель (IEEE 802.3at Class 4 PoE), що відповідно позначається на потужності стаціонарного джерела живлення і дає різницю між ними в 6,5 см по глибині (довжина і висота однакові). Дві моделі з 48-а гігабітними портами (JL675A і JL676A) розрізняються за тим же принципом. Нарешті, модель JL679A з 12 портами підтримує технологію PoE і безшумну роботу за рахунок відсутності кольорів.

Наскільки все погано з інформаційною безпекою в світі? (Спойлер: дуже і дуже)

Наскільки все погано з інформаційною безпекою в світі? (Спойлер: дуже і дуже)
Блог Телесфера,Продуктивність,cisco безпека

Як думаєте, люди в більшості своїй надійно захищені від кібератак? За даними Positive Technologies, їх кількість зростає щороку. При цьому більше 70% з них мають конкретну мету. Незважаючи на те, що інциденти за участю фізичних осіб складають близько 12%, це не означає, що до питання особистої інформаційної безпеки можна підходити легковажно. Якщо хтось вкраде ваші дані, він точно знайде спосіб їх монетизувати.

Aruba Instant On або Aruba Instant: що з них підходить саме вам?

Aruba Instant On або Aruba Instant: що з них підходить саме вам?
Aruba Networks,Налаштування Aruba,Налаштування Aruba Instant,Продуктивність,новини

Компанія Aruba Networks, що входить до складу Hewlett Packard Enterprise (HPE), менше року тому випустила Instant On - рішення для точок доступу all-in-one. Воно обіцяє спростити, оптимізувати і забезпечити безпеку як дротових, так і бездротових мереж для бізнесу. Проте, це звучить підозріло схоже на Aruba Instant, який також пропонує рішення все-в-одному для підприємств зі складними мережевими потребами. Дуже легко заплутатися в цих схожих назвах, що багато хто і робить. У чому ж різниця і які пристрої підходять саме вашому бізнесу?