חידושים ב- Infrastructure Assetcycle חיזוי השימוש ב- Machine Learning

נכסים של תשתיות – גשרים, כבישים, צינורות, מערכות מים ורשתות חשמל - פרסמו את עמוד השדרה של החברה המודרנית.האמינות והבטיחות שלהם תלויים בתחזוקה והחלטות חלופיות בזמן.במשך עשרות שנים, תחזית מחזור חיים של נכסים הסתמך על בדיקות ידניות, ממוצעים היסטוריים, ותיקון חוזר של תיקונים.היום, הלמידה הופכת את הנוף הזה, ומאפשרת לארגונים לחיזוי נכסים עם דיוקים חסרי תקדים אלה, מצמצם את עלויות, ומונעת את חיי המחשב, ומניעה, את האתגרים של טכנולוגיות הלמידה והמניעה של המציאות.

התפתחות ניהול מחזור חיים

מתוך Reactive to Predictive

ניהול תשתיות מסורתיות עקב מודל תגובתי: לתקן אותו כאשר הוא פורץ.לאורך זמן, סוכנויות אימצו לוחות זמנים של תחזוקה מונעת בהתבסס על מרווחים קבועים או על עקומות פשוטות.בעוד שיפור, הגישות האלה לעתים קרובות החמצו סימני אזהרה מוקדמים או הובילו להתערבויות מיותרות.המעבר לתחזוקה חיזויית, המופעלת על ידי נתונים ואלגוריתמים, מסמן שינוי יסודי במקום לשאול "מתי הנכס הזה נכשל עכשיו?", מתי סביר להניח שכשל בשלב זה, מה יהיה בשלב זה לא יהיה בשלב זה?"

מקור: Machine Learning

למידת מכונות עולה בזיהוי מערכות יחסים מורכבות, לא לינאריות במאגרי נתונים גדולים. בהקשר של תשתיות, נתונים אלה כוללים קוראי חיישן (אימון, טמפרטורה, רטט), רשומות בדיקה, נתוני מזג אוויר, עומסי תנועה ונכסים חומריים.על ידי למידה דפוסים מכישלונות היסטוריים והערכות מצב, מודלים של ML יכולים להעריך את החיים השימושיים הנותרים (RUL) של נכס ומומלץ תזמון תחזוקה זה מונע נתונים.

טכניקות למידה מכונות עבור חיזוי מחזור חיים

למידה על אודות Regression and Classification

שיטות למידה מבוססות דורשות נתוני הכשרה מתוייגים - דירוגים מצב נכסים היסטוריים או אירועים כישלונות בשילוב קלטות תכונה. אלגוריתמים נפוצים כוללים: יערות מזהמים FLT:1, FLT:2 תומך מכונות וקטורליאוסטר 3FLT, ו-FLT:4 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

למידה בלתי מבוקרת ל-Anomaly Detection

(הופנה מהדף "התחני" (ב) "לא השגחה" (ב) ,"הטכניקות הלא מבוססות" כגון:0k-means ריבועingveFLT:1), FLT:2autoencodersFLT 3: ו-FLT:4isolation ForestFLT:5 יכול לזהות דפוסים לא נורמליים שקדמו לחיקוי, למשל, פתאומי בשינויים בחתימות של הגשרים מוקדמים, במיוחד.

Reinforcement Learning for Maintenance Optimization

Reinforcement Learning (RL) הולך מעבר לחיזוי לאופטימיזציה של החלטות ⁇ . סוכן RL אינטראקציה עם סביבה - כלומר, צי של נכסים - לומד מדיניות הממזערת את עלויות מחזור החיים תוך שמירה על בטיחות.כל פעולה (inspect, תיקון, החלפת), מניבה פרס או עונש על בסיס תוצאות.

מודלים של למידה עמוקה וזמן

עבור נתונים מורכבים, גבוהים, ארכיטקטורות למידה עמוקה כמו:0 (זיכרון לטווח קצר ארוך) LSTMREFLT:1 רשתות ו-FLT:2convolutional רשתות עצביות (CNN)FLT:3 יכול ללכוד תלות זמנית ודפוסי חישוביים מרחביים. LSTM, במיוחד, מתאימים היטב לחיזוי התדרדרדרדרות נכסים מרצף של חיישנים של קונסולת דיוקים, אך לעתים קרובות דורשות חישוביות גדולות של חומרים.

יישומים אמיתיים ברחבי מגזרי תשתיות

גשרים ומנהרות

ניטור בריאותי סטרקטידור של גשרים מייצר נתונים רצופים ממטרים, מדצי זנים, וטאפטמטרים.מודלים למידת מכונות לנתח נתונים אלה כדי לזהות שינויים בהתנהגות דינמית המציינת השפלה.לדוגמה, החוקרים השתמשו בלמידה מבוקרת כדי לחזות את חיי העייפות הנותרים של רכיבי גשר פלדה המבוססים על נתוני משאית.במנהרות, מודלים של תהליכי ML מעבדים סריקות ו-netingrat כדי להעריך את מצב מכ"ם וסיכון מים מקרקעי.

המונחים:

תעשיית הנפט והגז השתמשה כבר זמן רב בכלים של פיקוח באינטרנט (חזירים חכמים) כדי למדוד עובי קיר ולזהות את האנומליות. Machine Learning מגבירה את הבדיקות הללו על ידי תיקון תכונות כמו זרמי קורוזיה, עומק דנט, ואת שיעורי אובדן חומרים עם פרצות דליפות עתידיות דליפות.שיטות לא מבוקרות לא מבוקרות יכולות לקבץ סוגים דומים ולת תיקונים בזמן אמת.

רשתות דרכים

הערכת מצב ריצוף דרך עברה מסקרים חזותיים ידניים לניתוח אוטומטי של מצלמות ממונעות כלי רכב ופרומטרים לייזר.רשתות עצביות מהפכתיות מסווגות סוגים של סדקים, rutting, ו-Firholes מתמונות.מודלים של רגרסון ואז לחזות עקומות תחת תנאי תנועה ואקלים. סוכנויות תחבורה להשתמש בתחזיות אלה כדי להקצות תקציבים מצופים ביעילות רבה יותר.

מערכות מים ופסולת

כלי מים עומדים בפני האתגר של צינורות ההזדקנות ומימון מוגבל.מודלים למידה מכונה משלבים חומר צינור, גיל, היסטוריה, קורוזיה אדמה, ופרמטרים באיכות המים כדי להעריך את ההסתברות של כישלון:0Gradient להגביר את ה-NIHFLT:1 וגילוי של מכשירים זעירים המבוססים על כדור הארץ: 2tree-based שיטות FLT 3 לעתים קרובות החוצה מודלים סטטיסטיים פשוטים יותר.

אתגרים מרכזיים נוספים

איכות נתונים וזמינות

דיוק מודל תלוי במידה רבה באיכות, בנפח ובעקביות של נתוני הדרכה.ארגוני תשתיות רבים סילקו רשומות, דוחות בדיקה ידנית עם דירוגים סובייקטיביים, וסידרה זמן חסרה. טכניקות מזהמים נתונים ודור נתונים סינתטי יכול לעזור, אבל האתגר הבסיסי נשאר: איסוף נתונים באיכות גבוהה, שכותרתו על פני אלפי נכסים. Agencies צריך להשקיע בפרוטוקולים סטנדרטיים של איסוף נתונים ופרוטוקולים דיגיטליים.

מודל Interpretability

מהנדסים ומקבלי החלטות לעתים קרובות שוללים מודלים "Black-box" של מודלים, במיוחד עבור נכסים קריטיים בטיחותיים. דרישות רגלטוריות עשויות לדרוש תחזיות מוסברות.טכניקות כמו FLT:0APSHAPIRLT:1 (SHapley Additive exPlanations) ו-FLT:2LIMEFLT:3 (הסברים הבין-מהפכניים) מקומיים, אשר יכולים לפעמים לנבאת דיוק מורכב של מודל פגום.

שילוב עם מערכות קיימות

רוב ארגוני ניהול תשתיות כבר משתמשים במערכות ניהול תחזוקה ממוחשבות (CMMS) או ניהול נכסים ארגוני (EAM) פלטפורמות.Integrating תחזיות ML לתוך זרימת עבודה זו דורשות API, צינורות נתונים, ומלוחים ידידותיים למשתמש. פלטפורמות ענן כמו FLT:0DirectusFLT:1 להקל על זה על ידי מתן מסגרת ניהול תוכן ללא ראש שיכולה לרכז את הנכס לצד תחזיות מוצלחות, כדי להפעיל מחדש של מודל עבודה.

← דרישות עתידיות ב- Infrastructure ML

תאומים

תאום דיגיטלי הוא העתק וירטואלי של נכס פיזי המעדכן בזמן אמת עם נתוני חיישן. בשילוב עם למידת מכונה, זה יכול לדמות תרחישים "מה אם" - לדוגמה, את ההשפעה של עומסי תנועה מוגברת על חיי העייפות של הגשר. על ידי התאמה מתמדת מתמדת של התאום עם התנהגות בפועל, מודלים חיזוייים להיות מדויק יותר עם הזמן. גנטיקה גם מאפשרת החלטות תחזוקה המבוססות על תנאי ללא סיכון הנכס האמיתי.

צוק איתן ומעבד בזמן אמת

העברת כל נתוני החיישן לענן עשויה להיות לא מעשית לתשתיות מרוחקות או גדולות. Edge AI מעבד נתונים באופן מקומי במכשירים קטנים, בעלי כוח נמוך.לדוגמה, חיישן חכם על צינור יכול להפעיל רשת עצבית קומפקטית כדי לזהות אנומליות ולהעביר רק התראות למערכת המרכזית. גישה זו מקטין את עלויות רוחב הפס וההירות, ומאפשרת פעולה מיידית כאשר מתעוררות תנאים קריטיים.

למידה מעודכנת לפרטיות נתונים

ארגונים רבים של תשתיות אינם מעוניינים לשתף נתונים קנייניים על פני תחומי שיפוט.למידה פדרנד מאפשרת למפלגות מרובות להכשיר מודל למידת מכונה מבלי לחשוף את הנתונים הגלום שלהם.כל משתתף מפעיל מודל מקומי על חיישנים משלו, ורק פרמטרים מודל מצטברים.טכניקה זו יכולה לעזור לפתח מודלים חזקים, כללי של תחזית חיים עבור גשרים, כבישים, או מערכות מים תוך שמירה על נתונים ופרטיות.

מסקנה

למידת מכונות מעצבת מחדש את תחזית מחזור החיים של תשתיות מאמנות הנשען על אינטואיציה למדע המוצב בנתונים.טכניקות החל מתגובה מבוקרת ללמידה עמוקה ולמידה חיזוק מוחלות על פני גשרים, צינורות, כבישים ומערכות מים כדי לחזות הידרדרות, אופטימיזציה צוותים, מניעת תחזוקת, ומניעה של אתגרים של איכות נתונים, מודלים ומערכות להישאר אינטגרציה, התקדמות מתמשכת בתאומים דיגיטליים, AI, יתרון ולהבטיח שיפור של נכסים קריטיים, שיפור יעיל יותר, שיפור של ניהול חיים, וקידום יעיל יותר, וקידום יעיל יותר של פיתוח, פיתוח נתונים קריטי, וקידום יעיל יותר, פיתוח, פיתוח, פיתוח יעיל יותר, וקידום יעיל יותר של פרויקטים קריטי של ניהולי נתונים קריטי של פיתוח, פיתוח, פיתוח, פיתוח, וקידום יעיל יותר, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, וקידום יעיל יותר של ניהול נתונים קריטי של ניהולי נתונים קריטי של ניהולי נתונים קריטי, וקידום יעיל יותר, וקידום יעיל יותר, וקידום יעיל יותר, פיתוח, פיתוח, פיתוח, פיתוח, וקידום יעיל יותר, פיתוח יישומים, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח, פיתוח