Tài sản cơ sở hạ tầng, đường, đường ống, hệ thống nước và mạng lưới điện, hãy biến đổi cột sống của xã hội hiện đại. sự đáng tin cậy và an toàn của họ phụ thuộc vào việc bảo trì và thay thế quyết định đúng lúc. trong thập niên, dự đoán của cải xe đạp phụ thuộc vào việc kiểm tra bằng tay, trung bình lịch sử, và việc sửa chữa phản ứng. ngày nay, máy học được cải tiến, cho phép các tổ chức dự đoán sự sụp đổ tài sản với độ chính xác chưa từng thấy. những cải tiến này giảm chi phí, kéo dài dịch vụ, và ngăn chặn thảm họa. bài này khám phá các kỹ thuật chủ khóa học lái sự chuyển dịch chuyển này, ứng thực tế, và các thử thách vẫn còn tồn tại.

Sự tiến hóa của việc quản lý vòng đời

Từ hoạt động trở thành dự đoán

Theo một mô hình về cơ sở hạ tầng, khi nó bị hư hại, các cơ quan đã chấp nhận thời khóa biểu bảo trì phòng ngừa dựa trên những đường cong cố định hoặc đường cong đơn giản.

Vai trò của việc học hỏi máy

Máy học vượt trội trong việc xác định các mối quan hệ phức tạp, không tuyến tính trong bộ dữ liệu lớn. Trong bối cảnh cơ sở hạ tầng, những bộ dữ liệu này bao gồm đọc cảm biến (các tính năng, nhiệt độ, rung động), kiểm tra dữ liệu, tải trọng và tính chất vật lý. Bằng cách học các mẫu từ thất bại lịch sử và các đánh giá điều kiện, mô hình ML có thể ước tính các điểm hữu ích còn lại (RUL) của một tài sản và đề nghị bảo trì tối ưu thời gian. Mô hình này nâng cao chức năng hỗ trợ dữ liệu này giảm sự phụ thuộc vào chuyên gia chủ quan sát chủ quan sát và giúp tăng dần các dữ liệu mới tích lũy.

Thiết bị học kỹ thuật để dự đoán chu kỳ sống

Học cách để xâm phạm và phân loại

Các thuật toán thông thường bao gồm [FLT: 0] rừng ), [FLT: 1], hỗ trợ các máy véc- tơ , và nâng cấp máy [FLT:] [FLT:]. Đối với các mô hình này, các mô hình dự đoán một giá trị liên tục như là thời gian hoặc chỉ mục. Đối với các máy , họ tiên đoán các trạng thái riêng. (không rõ ràng, "tốt", "tốt", được ghi nhận và dữ liệu tốt hơn.

Học cách phát hiện không có chủ ý

Theo dõi cấu trúc thường tạo dữ liệu cảm biến tần số cao không có nhãn tương ứng. Các kỹ thuật không có giám sát như [FLT:] ), [FLT: 1], , [FLT: 2] máy phát âm ,], và [FL:] các khu rừng thiên văn [FL:] có thể phát hiện [FL:] các mẫu bất thường trước khi thất bại. Lấy thí dụ, thay đổi đột ngột trong dao động của cây cầu có thể chỉ ra cấu trúc cấu trúc cấu trúc [FLT:] trước khi các vết nứt thấy được. Những phương pháp này đặc biệt là những cách cảnh báo có giá trị thiết yếu cho các hệ thống khan hiếm gặp lỗi.

Học thêm về cách bảo trì hôn nhân

Một tác nhân RL tương tác với môi trường ở đây, một hạm đội tài sản - và học một chính sách giảm thiểu chi phí xe đạp sống trong khi duy trì sự an toàn. Mỗi hành động (để sửa chữa, sửa chữa) cung cấp phần thưởng hoặc hình phạt dựa trên kết quả. Theo thời gian, tác nhân phát hiện ra các chiến lược ngăn chặn sự can thiệp của sự thất bại. RL đã cho thấy trong việc duy trì các mạng lưới lớn như phân phối nước và mạng lưới đường cao tốc.

Mô hình học hỏi sâu và thời gian

Đối với dữ liệu phức tạp, chiều cao, học tập mạng thần kinh như bộ nhớ ngắn hạn [LSTM] mạng lưới và )]] mạng lưới thần kinh đối xứng (CN:0] [FN:] [FLT:]] có thể thu thập các quan hệ phụ thuộc thời gian và các mẫu không gian. LSTM, đặc biệt, phù hợp với việc dự đoán tài sản bị suy yếu từ chuỗi đọc cảm biến. Mô hình cách mạng có thể xử lý hình máy bay từ máy bay không người lái đến độ nghiêm trọng bị nứt hoặc các kỹ thuật co thắt. Những nguồn tài nguyên này đòi hỏi các tính năng lớn và độ chính xác, nhưng thường đạt được độ chính xác.

Ứng dụng thế giới thực xuyên suốt các khu vực cấu trúc

Cầu nối và đường hầm

Các mô hình học tập này phân tích dữ liệu này để phát hiện các thay đổi trong hành vi động động động cho thấy sự thoái hóa. Ví dụ, các nhà nghiên cứu đã sử dụng việc giám sát việc học để dự đoán các thành phần còn lại của cây cầu thép dựa trên dữ liệu tải tải xe tải. trong đường hầm, mô hình xử lý uear và quét mặt đất để đánh giá các tình trạng thay đổi trong vùng nước và sự nguy hiểm khi nước bị xâm nhập.

Ống

Công nghiệp dầu và khí gas đã sử dụng từ lâu để kiểm tra trực tiếp (các công cụ kiểm tra thông minh) để đo độ dày và phát hiện các dị thường trên tường. Máy học gia tăng các tính năng kiểm tra này bằng cách kết hợp các tính năng như các hố dính, độ sâu bị xói mòn, và tỷ lệ mất vật chất với các khả năng rò rỉ trong tương lai. Các phương pháp không giám sát có khả năng bị hỏng có thể nhóm các loại lỗi tương tự và ưu tiên sửa chữa. Áp lực thời gian thực và cảm biến dữ liệu lưu thông thành các mô hình nghiên cứu sâu mà lá cờ bị rò rỉ trước khi chúng trở thành thảm họa.

Mạng con đường

Đánh giá tình trạng vỉa hè đường phố đã chuyển từ khảo sát bằng tay sang phân tích tự động của máy ảnh gắn xe và máy tính bằng laser. Các cơ quan vận chuyển sử dụng những dự đoán này để phân bổ ngân sách tái tích hợp hơn. Hơn nữa, tốc độ và dữ liệu vận tốc và lượng kết hợp với thời tiết có thể dự đoán sự cố trên vỉa hè trong chu kỳ đóng băng.

Hệ thống nước thải và nước thải

Các tiện ích nước phải đối mặt với thách thức của đường ống lão hóa và tài nguyên giới hạn. Các mô hình học tập máy tích hợp ống ống, tuổi, phá vỡ lịch sử, độ ăn mòn đất và các tham số chất lượng nước để ước lượng xác suất của sự thất bại. [FLT: 0] tăng trưởng [FLT: 1] và phương pháp gốc cây [FLT: 2] [FL: 3] thường vượt quá mức độ thống kê đơn giản hóa. Kết quả là danh sách rủi ro dựa trên việc thay thế hay phục hồi chức năng. Một số thiết bị tiện ích hiện nay triển khai AI phân tích một bộ nhạy cảm ứng ứng dụng trong thời gian thực (thời gian nhỏ) để phát hiện một ít phút.

Vượt qua những thử thách về sự phấn khích

Chất lượng dữ liệu và khả năng hoạt động

Sự chính xác mô hình phụ thuộc rất nhiều vào chất lượng, khối lượng và tính thống nhất của dữ liệu đào tạo. nhiều tổ chức cơ sở hạ tầng đã chứa dữ liệu, kiểm tra bằng tay báo cáo chủ quan, và số lượng thời gian còn thiếu. kỹ thuật tính toán dữ liệu và dữ liệu tổng hợp có thể giúp đỡ, nhưng thử thách cơ bản vẫn còn: thu thập dữ liệu chất lượng cao, nhãn hiệu trên hàng ngàn tài sản.

Khả năng giải mã mô hình

Kỹ sư và người ra quyết định thường không tin “các mô hình hộp đen, đặc biệt là các tài sản quan trọng. Yêu cầu thẩm định có thể đòi hỏi những dự đoán có thể giải thích được. Công nghệ [FLT: 0] PB [FLT: 1] [FLTT:] [FLT: 1] [SBKKT:] [FLT:] [FLT: 1] [FLT:] khả năng dự đoán] có thể] [FLT: 1], hoặc các mô hình đơn giản như là bản ghi chú sẵn, hoặc là sự xác định chi phí của việc tiếp cận con lai [FLT:] [FLT:] [FT: 3] [FLT:] [FT:]] [FT:]] (LLT:] [FAct chương trình tổng quát lại]] (LT]] (LT: khả năng xác định]] có thể] có thể] có thể] có thể làm nổi bật lên một dự án tiên đoán). Mô hình giúp cho phép tiên đoán.

Hợp nhất với hệ thống tồn tại

Phần lớn các tổ chức quản lý cơ sở hạ tầng đã sử dụng hệ thống quản lý thiết lập máy tính (CMMS) hoặc nền tảng tài sản kinh doanh (EM). Kết hợp những dự đoán của ML vào những dòng này cần thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết lập hệ thống quản lý dữ liệu, và hệ thống thông tin, và hệ thống quản lý thân thiện người dùng. Một nền tảng xây dựng như [FLT: 0] Dirctus [FL: 1) tạo điều kiện đào tạo lại mô hình trình quản lý nội dung không đầu, có khả năng trung tâm hóa và phục vụ dữ liệu tài nguyên bên cạnh kết xuất. Một hệ thống phải đóng lại kết quả dự đoán thành công việc: các lệnh nên kích hoạt và sắp xếp lại hệ thống kết quả sẽ được vào mô hình.

Hướng tương lai trong vòng một phần tư cơ sở dữ liệu

Cặp song sinh số

Một cặp song sinh số là một bản sao ảo của một tài sản vật lý mà cập nhật trong thời gian thực với dữ liệu cảm biến. Kết hợp với máy học, nó có thể mô phỏng “nếu như các trường hợp có thể xảy ra nếu các vật chất tăng tải trên một cây cầu trong cuộc sống mệt mỏi của một cây cầu. bằng cách liên tục sắp xếp cặp song sinh với hành vi thực tế, các mô hình dự đoán trở nên chính xác hơn theo thời gian. cặp song sinh kỹ thuật số cũng cho phép các quyết định dựa trên điều kiện bảo trì điều kiện mà không mạo hiểm tài sản thực sự.

Chạy nền AlI và quá trình xử lý thời gian thực

Truyền dữ liệu cảm biến vào đám mây có thể là không thực tế cho cơ sở hạ tầng cỡ xa hoặc quy mô lớn. Theo cạnh AI xử lý dữ liệu cục bộ trên thiết bị nhỏ, năng lượng thấp. Ví dụ, một bộ nhạy thông minh trên đường ống có thể chạy một mạng thần kinh gọn để phát hiện sự bất thường và chỉ gửi thông báo cho hệ thống trung tâm. Cách tiếp cận này giảm chi phí băng thông thường và độ hoạt động nhanh, cho phép hoạt động tức thời khi có điều kiện quan trọng xảy ra.

Học hỏi để biết sự riêng tư của dữ liệu

Việc học hỏi đã giúp nhiều đảng phái hợp tác đào tạo mô hình máy học mà không phơi bày dữ liệu thô. mỗi người tham gia huấn luyện một mô hình địa phương trên các cảm biến riêng của mình, và chỉ các tham số mô hình được tổng hợp. kỹ thuật này có thể giúp phát triển các mô hình dự đoán cuộc sống tổng quát cho cầu, đường xá, hay hệ thống nước trong khi tôn trọng sở hữu dữ liệu và sự riêng tư.

Kết luận

Máy học tập là việc tái sử dụng dự đoán cơ sở vật chất từ một dự đoán về sinh hoạt cơ sở hạ tầng dựa trên trực giác dựa trên một dữ liệu dựa trên khoa học cơ bản. kỹ thuật này từ hồi quy giám sát và tăng cường việc học tập và củng cố được áp dụng qua các cầu, đường, đường bộ và hệ thống nước để dự báo sự suy thoái, bảo trì tối ưu, và ngăn chặn thất bại. trong khi thách thức chất lượng dữ liệu, khả năng giải thích mô hình, và sự tích hợp vẫn còn, tiếp tục tiến bộ trong các cặp song sinh, cạnh AI, và các nhà cung cấp dữ liệu để cải thiện tính chính xác hơn và nhận nuôi. Tổ chức nghiên cứu về dữ liệu, dự án phi công, và các đội tình nguyện viên sẽ được đặt ra vị trí tốt nhất để mở rộng các tài sản quan trọng, và giảm chi phí bảo vệ công cộng.