استفاده از ماشین یادگیری برای پیش بینی و جلوگیری از شکست های نورپردازی فرودگاه

از لحاظ تاریخی، نگهداری به بازرسی های دوره ای و تعمیرات پس از واقعیت متکی است، اما بسیاری از شکست ها بین بررسی های برنامه ریزی شده رخ می دهد.یادگیری ماشین با تجزیه و تحلیل داده های سنسور به طور مداوم برای تشخیص علائم هشدار دهنده اولیه - مانند کاهش ولتاژ کوچک، افزایش دما یا قرعه کشی فعلی نامنظم - که قبل از قطع کامل است.

مجموعه داده ها: بنیاد مدل های پیش بینی کننده

برای پیش بینی شکست ها، فرودگاه ها ابتدا باید داده های با کیفیت بالا را جمع آوری کنند. تاسیسات نورپردازی مدرن اغلب شامل کنترل کنندگان هوشمند است که معیارهای زمان واقعی را وارد می کنند: فعلی، ولتاژ، فاکتور قدرت، دمای محیط زیست و وضعیت عملیاتی. جریان های داده اضافی از ایستگاه های آب و هوا (برخل، بارش، دید)، سوابق نگهداری تاریخی و حتی سنسورهای ارتعاش در وسایل نور.

تکنیک های یادگیری ماشین در نورپردازی فرودگاه

سه رویکرد اصلی ML برای پیش بینی و جلوگیری از شکست استفاده می شود:

• آموزش عالی برای طبقه بندی شکست: با استفاده از داده های تاریخی برچسب خورده (به عنوان مثال، خواندن سنسور قبل از شکست شناخته شده)، الگوریتم هایی مانند جنگل تصادفی، XGBoost یا شبکه های عصبی یاد می گیرند که شرایط را به عنوان "طبیعی" یا "شکست احتمالی" طبقه بندی کنند.
• یادگیری بدون نظارت برای تشخیص ناهنجاری: Autoencoders و الگوریتم های خوشه ای (به عنوان مثال، DBSCAN) الگوهایی را شناسایی می کند که از هنجار منحرف می شوند - مانند یک افت ناگهانی در حال حاضر در یک مدار خاص - بدون نیاز به نمونه های شکست برچسب خورده است.
• آموزش تقویت کننده برای تعمیر و نگهداری Scheduling: عوامل یادگیری تقویت کننده (RL) بهینه سازی زمانی و چگونگی انجام تعمیر و نگهداری.با شبیه سازی معاملات بین جایگزینی اولیه و خطر شکست، RL می تواند استراتژی های مداخله مقرون به صرفه را توصیه کند که خرابی و استفاده را به حداقل برساند.

پیاده سازی واقعی: مطالعات موردی و نتایج اولیه

چندین فرودگاه در حال حاضر نگهداری پیش بینی ML را برای نورپردازی مستقر کرده اند.[۱] گزارش می دهد که یک پروژه آزمایشی در یک مرکز بزرگ خاورمیانه، قطع برق بدون نظارت را تا ۴۰ درصد در شش ماه کاهش می دهد. سیستم از داده های شکست تاریخی و سنسورهای زمان واقعی برای پیش بینی خرابی LED تا ۷۲ ساعت قبل از تعویض باند هوایی به طور مشابه استفاده می کند.

مزایای Quantified

مزایای عملیاتی و مالی نگهداری نورپردازی ML-based قابل توجه است:

• ایمنی بیمه: [FLT 1] نظارت مستمر احتمال شکست در خدمات را کاهش می دهد که می تواند منجر به تشنج باند یا کاهش هدایت دید.
• هزینه های نگهداری کاهش یافته: تعمیرات هدفمند جایگزین برنامه های جایگزینی پتو.یک فرودگاه 25٪ در قطعات یدکی و 30٪ در کار با اتخاذ تعمیر و نگهداری مبتنی بر شرایط صرفه جویی کرد.
• اختلال های عملیاتی را به وجود آورد: هشدار پیش بینی کننده اجازه می دهد خدمه تعمیر و نگهداری در طول ساعات دور از حد ضعیف کار کنند، کاهش بسته شدن باند برنامه ریزی نشده 50٪.
• ] طول عمر تجهیزات مورد نظر: مداخله اولیه مانع از تشدید مسائل کوچک، گسترش زندگی عملیاتی از درخشندگی و منابع برق تا 20٪ می شود.