دارایی های زیرساختی – پل ها، خطوط لوله، سیستم های آب و شبکه های برق – ستون فقرات جامعه مدرن را شکل می دهند، قابلیت اطمینان و ایمنی آنها بستگی به تصمیمات تعمیر و نگهداری به موقع و جایگزینی دارد، پیش بینی چرخه عمر دارایی بر بازرسی های دستی، میانگین های تاریخی و تعمیرات واکنشی آن ها، یادگیری ماشین در حال تبدیل آن چشم انداز است که سازمان ها را قادر می سازد تا با نوآوری های دقت بی سابقه، این برنامه های یادگیری ماشین را کاهش دهند و خرابی های کلیدی آن را گسترش دهند، و خرابی های یادگیری ماشین های کلیدی آن ها را بررسی کنند.

تکامل مدیریت چرخه عمر دارایی

از Reactive to پیش بینی

مدیریت زیرساخت های سنتی به دنبال یک مدل واکنشی: اصلاح آن در زمان، سازمان ها برنامه های تعمیر و نگهداری پیشگیرانه را بر اساس فواصل ثابت یا منحنی های تخریب ساده تصویب کردند، در حالی که بهبود، این رویکردها اغلب نشانه های هشدار اولیه را از دست می دهند یا منجر به مداخلات غیر ضروری می شوند. انتقال به نگهداری پیش بینی شده، توسط داده ها و الگوریتم ها، یک تغییر اساسی را به جای پرسیدن "چه زمانی که این دارایی ها شکست می دهند؟"

نقش یادگیری ماشین

یادگیری ماشین در شناسایی روابط پیچیده و غیر خطی در مجموعه داده های بزرگ برتری دارد.در زمینه زیرساخت، این مجموعه داده ها شامل خواندن سنسور (شتر، دما، ارتعاش)، سوابق بازرسی، داده های آب و هوا، بارهای ترافیکی و خواص مواد است.با یادگیری الگوهای از شکست های تاریخی و ارزیابی وضعیت، مدل های ML می توانند زندگی مفید باقی مانده (RUL) یک دارایی را برآورد کنند و توصیه می کنند تا زمان بندی داده های دقیق را کاهش دهد.

تکنیک های یادگیری ماشین های اصلی برای پیش بینی چرخه زندگی

آموزش عالی برای بازگشت و طبقه بندی

روش های یادگیری فوق العاده نیاز به داده های آموزشی برچسب زده شده (درجه بندی وضعیت تاریخی یا حوادث شکست) با ورودی های ویژگی جفت می شوند، الگوریتم های رایج شامل جنگل [FLT 2: 2]، ماشین های پشتیبانی (FLT:3) و درجه بندی ماشین آلات تقویت کننده [FLT5:5: برای وظایف، پیش بینی دقیق و یا "شاخص دقیق" (به عنوان مثال وضعیت های طبقه بندی) و غیره).

آموزش بی نظیر برای تشخیص ناهنجاری

نظارت بر زیرساخت اغلب داده های سنسور با فرکانس بالا را بدون برچسب های مربوطه ایجاد می کند. خوشه ای ، کدنویسان غیر فعال ، و isolation جنگل [ :5:5] می تواند الگوهای غیر طبیعی را که قبلاً برای خرابی های ناگهانی در سیستم های هشدار دهنده به نظر می رسد.

تقویت یادگیری برای بهینه سازی تعمیر و نگهداری

یادگیری تقویت (RL) فراتر از پیش بینی برای بهینه سازی تصمیمات متوالی است.یک عامل RLS با محیط تعامل دارد - در اینجا، یک ناوگان از دارایی ها - و یاد می گیرد که هزینه های چرخه عمر را در حالی که حفظ ایمنی است، هر عمل (در نظر، تعمیر، جایگزینی) پاداش یا مجازات بر اساس نتایج، عامل کشف استراتژی هایی که مداخلات پیشگیرانه در برابر شکست نشان داده شده است سیستم های توزیع آب بزرگ مانند سیستم های حمل و نگهداری آب وعده داده شده است.

مدل های یادگیری عمیق و زمان-سری

برای داده های پیچیده، با ابعاد بالا، معماری های یادگیری عمیق مانند حافظه کوتاه مدت (LSTM) و شبکه های عصبی تکامل یافته (CNNs) می تواند وابستگی های زمانی و الگوهای فضایی را جذب کند.

برنامه های کاربردی در سراسر بخش های زیرساختی

پل ها و تونل ها

نظارت بر سلامت ساختاری پل ها داده های مداوم از شتاب سنج، اندازه گیری های سویه و شیب سنج ها را تولید می کند. مدل های یادگیری ماشین این داده ها را تجزیه و تحلیل می کنند تا تغییرات رفتار پویا را که نشان دهنده تخریب است، شناسایی کنند.برای مثال، محققان از یادگیری نظارت برای پیش بینی خستگی باقی مانده قطعات پل فولادی بر اساس داده های بار کامیون استفاده کرده اند.

خطوط لوله

صنعت نفت و گاز مدت ها است که از ابزارهای بازرسی در خط (کرک های هوشمند) برای اندازه گیری ضخامت دیوار و تشخیص ناهنجاری ها استفاده می کند.یادگیری ماشین این بازرسی ها را با ویژگی های بی نظیر مانند حفره های خوردگی، عمق رطوبت و میزان کاهش مواد با احتمال نشت آینده تقویت می کند. روشهای خوشه ای یکپارچه نشده می تواند انواع فرار و تعمیرات مشابه را تشکیل دهد.

شبکه های جاده ای

ارزیابی وضعیت پیاده رو از نظرسنجی های بصری دستی به تجزیه و تحلیل خودکار دوربین های سوار بر خودرو و لیزر profilometers حرکت کرده است. شبکه های عصبی کانولوی از انواع کرک، تکان دادن و سفال از تصاویر حرکت می کنند. پس از آن منحنی های بدتر را پیش بینی می کنند که ترافیک و شرایط آب و هوایی پیش بینی می شود.

سیستم های آب و فاضلاب

آب و هوا با چالش لوله های پیری و بودجه محدود مدل های یادگیری ماشین ادغام مواد لوله، سن، تاریخ شکستن،corrosivity خاک، و پارامترهای کیفیت آب برای برآورد احتمال شکست. Gradient Boost [FLT 1، و tree روش های مبتنی بر آب اغلب تشخیص مدل های ساده تر برای جایگزینی داده ها در حال حاضر به عنوان یک لیست دسترسی به طور دقیق است.

غلبه بر چالش های اجرایی کلیدی

کیفیت داده ها و دسترسی

دقت مدل به شدت به کیفیت، حجم و سازگاری داده های آموزشی بستگی دارد. بسیاری از سازمان های زیربنایی سوابق، گزارش های بازرسی دستی با رتبه بندی های ذهنی و سری زمانی از دست رفته تکنیک های قطع اطلاعات داده و نسل داده های مصنوعی می توانند کمک کنند، اما چالش اساسی باقی مانده است: جمع آوری اطلاعات با کیفیت بالا، برچسب گذاری شده در هزاران دارایی.

قابلیت پیش بینی مدل Interpretability

مهندسان و تصمیم گیرندگان اغلب به مدل های "جعبه سیاه" به ویژه برای دارایی های حساس ایمنی اعتماد دارند. الزامات تنظیم مقررات ممکن است پیش بینی های قابل توضیح را درخواست کنند. تکنیک هایی مانند توصیه های ساده تر برای تنظیم مجدد درختان را توضیح می دهند و گاهی اوقات LIME [F3 ] [F:3 (Local Interpre Model-gnotable) توصیه های اولیه را توضیح می دهند که می توانند یک پیش بینی ساده را توضیح دهند.

ادغام با سیستم های موجود

اکثر سازمان های مدیریت زیرساخت در حال حاضر از سیستم های مدیریت تعمیر و نگهداری کامپیوتری (CMMS) یا سیستم عامل های مدیریت دارایی (EAM) استفاده می کنند. یکپارچه سازی پیش بینی ML در این جریان های کاری نیازمند API، خط لوله داده ها و داشبورد های کاربر پسند است، باید پیش بینی های نزدیک را انجام دهند:0Directus این را با ارائه یک چارچوب مدیریت محتوای بدون سر که می تواند به پردازش داده های عملیاتی کمک کند، باید پیش بینی های نزدیک به یک مدل عملیاتی را انجام دهد:

مسیر های آینده در زیرساخت ML

دوقلوهای دیجیتال

یک دوقلو دیجیتال یک شبیه سازی مجازی از یک دارایی فیزیکی است که به روز رسانی در زمان واقعی با داده های سنسور همراه با یادگیری ماشین، می تواند سناریوهای "چه چیزی" را شبیه سازی کند - به عنوان مثال، اثر افزایش بار ترافیک بر زندگی خسته کننده پل.با به طور مداوم هماهنگ کردن دوقلو با رفتار واقعی، مدل های پیش بینی دقیق تر در طول زمان تبدیل می شوند.

Edge AI و Real-Time Processing

انتقال تمام داده های سنسور به ابر ممکن است برای زیرساخت های از راه دور یا بزرگ غیر عملی باشد. Edge AI داده ها را به صورت محلی بر روی دستگاه های کوچک و کم قدرت پردازش می کند، به عنوان مثال، یک سنسور هوشمند در یک خط لوله می تواند یک شبکه عصبی فشرده را برای تشخیص ناهنجاری ها و انتقال تنها هشدار به سیستم مرکزی اجرا کند.این رویکرد کاهش پهنای باند و تاخیر، اجازه می دهد که اقدام فوری در هنگام ایجاد شرایط بحرانی ایجاد شود.

آموزش رزرو شده برای حفظ حریم خصوصی داده ها

بسیاری از سازمان های زیربنایی تمایل به اشتراک گذاری داده های اختصاصی در سراسر حوزه های قضایی دارند. یادگیری فدرال چندین حزب را قادر می سازد تا بدون افشای داده های خام خود، یک مدل محلی را به سنسورهای خود آموزش دهند و تنها پارامترهای مدل جمع آوری می شوند.این تکنیک می تواند به توسعه مدل های پیش بینی قوی، عمومی قابل پیش بینی برای پل ها، جاده ها، یا سیستم های آب کمک کند در حالی که به مالکیت داده ها و نگرانی های حریم خصوصی احترام می گذارند.

نتیجه گیری

یادگیری ماشین پیش بینی چرخه عمر دارایی زیرساخت از هنر متکی بر شهود در یک علم مبتنی بر داده است. تکنیک ها از رگرسیون نظارت شده به یادگیری عمیق و یادگیری تقویت در سراسر پل ها، خطوط لوله، جاده ها و سیستم های آب برای پیش بینی بدتر شدن، تعمیر و نگهداری، و جلوگیری از شکست کیفیت داده ها، مدل تفسیر و ادغام مداوم، پیشرفت های مهندسی دیجیتال، بهترین سیستم های یادگیری پیشرفته، و اطمینان از سازمان های حیاتی و وعده های زیست محیطی برای بهبود هزینه های زیست محیطی و وعده داده ها، بهبود می دهد.