Предприятия в самых разных отраслях в значительной степени полагаются на машины и оборудование для своей деятельности в современной среде, управляемой данными. Из-за непредвиденных простоев и дорогостоящего ремонта неожиданные сбои или поломки могут привести к большим финансовым потерям. Однако профилактическое обслуживание стало мощным инструментом для снижения таких опасностей в результате развития науки о данных и машинного обучения. Использование данных датчиков и методов машинного обучения.

В этом посте мы изучим концепцию профилактического обслуживания и продемонстрируем ее возможные применения.

Обзор профилактического обслуживания

При диагностическом обслуживании создаются модели, которые предсказывают, когда проблема может возникнуть, используя исторические данные датчиков машин или оборудования. Предприятия могут заблаговременно планировать задачи обслуживания, предотвращать непредвиденные сбои, оптимизировать распределение ресурсов и сокращать расходы, анализируя закономерности и выявляя признаки раннего предупреждения.

Настройка проекта

Мы будем использовать набор данных, включая показания датчиков парка машин, для демонстрации профилактического обслуживания. Набор данных содержит множество функций, в том числе связанных с давлением, температурой и вибрацией. Чтобы разработать модель, которая может прогнозировать отказы на основе этих значений датчиков, мы будем использовать алгоритмы машинного обучения.

Давайте подготовим некоторые данные перед началом,

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# Set the initial timestamp and number of data points
start_timestamp = datetime(2022, 1, 1)
num_data_points = 10000

# Generate synthetic sensor data
timestamps = [start_timestamp + timedelta(minutes=i) for i in range(num_data_points)]
temperature = np.random.normal(loc=25, scale=2, size=num_data_points)
vibration = np.random.normal(loc=0.05, scale=0.02, size=num_data_points)
pressure = np.random.normal(loc=10, scale=0.5, size=num_data_points)
failure = np.zeros(num_data_points)

# Introduce failures at random points
failure_indices = np.random.choice(range(num_data_points), size=int(num_data_points * 0.05), replace=False)
failure[failure_indices] = 1

# Create the dataframe
data = pd.DataFrame({
    'timestamp': timestamps,
    'temperature': temperature,
    'vibration': vibration,
    'pressure': pressure,
    'failure': failure
})

# Save the dataset to a CSV file
data.to_csv("/app/sensor_data.csv", index=False)

с этим наши данные sensor_data.csv готовы.

Давайте начнем с процесса сейчас,

Подготовка данных

  1. Импортируйте необходимые библиотеки (например, pandas, numpy) и загрузите набор данных.
  2. Выполните исследовательский анализ данных (EDA), чтобы получить представление о наборе данных.
  3. Предварительно обработайте данные, обработав пропущенные значения, удалив выбросы и при необходимости выполнив масштабирование функций.
  4. Разделите набор данных на наборы для обучения и тестирования.
# Import necessary libraries
import pandas as pd
import numpy as np

# Load the dataset
data = pd.read_csv("/app/sensor_data.csv")

# Perform exploratory data analysis (EDA)
print(data.head())  # Display the first few rows of the dataset
print(data.describe())  # Summary statistics of the dataset

# Preprocess the data
data.dropna(inplace=True)  # Drop rows with missing values
# Handle outliers (e.g., using z-score or interquartile range)
# Perform feature scaling if necessary

# Split the dataset into training and testing sets
from sklearn.model_selection import train_test_split

X = data.drop("failure", axis=1)  # Input features (sensor readings)
y = data["failure"]  # Target variable (failure label)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Разработка функций

  1. Извлеките из данных датчика важные функции, которые потенциально могут способствовать прогнозированию отказов.
  2. Создавайте дополнительные функции, такие как скользящие средние значения, статистические показатели и функции, основанные на времени, для фиксации временных закономерностей.
# Extract relevant features from the sensor data
# (e.g., temperature, vibration, pressure, etc.)
relevant_features = ["temperature", "vibration", "pressure"]

X_train = X_train[relevant_features]
X_test = X_test[relevant_features]

# Create additional features
# (e.g., rolling averages, statistical measures, time-based features)

# Example: Rolling averages
window_size = 5
X_train_rolling = X_train.rolling(window_size).mean().dropna()
X_test_rolling = X_test.rolling(window_size).mean().dropna()

Выбор модели и обучение

  1. Выберите подходящий алгоритм машинного обучения для профилактического обслуживания (например, случайный лес, повышение градиента, LSTM).
  2. Разделите обучающий набор на входные функции (X) и целевую переменную (y).
  3. Обучите выбранную модель с помощью обучающих данных.
# Choose an appropriate machine learning algorithm
from sklearn.ensemble import RandomForestClassifier

# Initialize the model
model = RandomForestClassifier()

# Train the model
model.fit(X_train_rolling, y_train)

Оценка модели

  1. Оцените производительность обученной модели, используя подходящие метрики оценки (например, точность, точность, отзыв, F1-оценка).
  2. Используйте обученную модель, чтобы делать прогнозы по набору данных тестирования.
  3. Сравните прогнозы с метками истинности и оцените эффективность модели.
# Evaluate the model
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

y_pred = model.predict(X_test_rolling)

accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1-score:", f1)

Развертывание и обслуживание

Для докеризации проекта выполните следующие действия:

  1. Создайте файл с именем Dockerfile в каталоге вашего проекта со следующим содержимым.
# Use an official Python runtime as the base image
FROM python:3.9-slim

# Set the working directory in the container
WORKDIR /app

# Copy the requirements file into the container
COPY requirements.txt /app

# Install the required dependencies
RUN pip install --no-cache-dir -r requirements.txt

# Copy the project files into the container
COPY . /app

# Expose a port (if required)
# EXPOSE 8000

# Run the script
CMD [ "python", "main.py" ]

2. Создайте файл с именем requirements.txt в каталоге вашего проекта с необходимыми зависимостями.

pandas
numpy
scikit-learn

3. Создайте файл с именем main.py в каталоге вашего проекта и скопируйте в него указанный выше код.

4. Создайте образ Docker, выполнив следующую команду из каталога проекта.

docker build -t predictive-maintenance .

5. Запустите контейнер Docker, используя собранный образ.

docker run -it predictive-maintenance

Убедитесь, что файл sensor_data.csv находится в том же каталоге, что и файл Dockerfile и файлы кода (примеры данных).

timestamp,temperature,vibration,pressure,failure
2022-01-01 00:00:00,25.6,0.02,10.1,0
2022-01-01 00:01:00,25.8,0.03,10.2,0
2022-01-01 00:02:00,26.2,0.02,10.4,0
2022-01-01 00:03:00,26.4,0.04,10.5,0
2022-01-01 00:04:00,26.6,0.05,10.3,0
2022-01-01 00:05:00,27.1,0.06,10.2,0
2022-01-01 00:06:00,27.3,0.07,10.1,0
2022-01-01 00:07:00,27.5,0.08,10.2,0
2022-01-01 00:08:00,27.8,0.09,10.3,0
2022-01-01 00:09:00,28.2,0.1,10.4,1

Эта установка Docker создаст контейнер с необходимыми зависимостями и выполнит файл main.py при запуске контейнера.

Примечание. При необходимости настройте команды Docker в зависимости от конкретных требований и среды.

Подведение итогов

В заключение можно сказать, что профилактическое обслуживание имеет огромные перспективы, помогая компаниям оптимизировать графики обслуживания, сократить расходы и свести к минимуму время простоя. Организации могут предвидеть возможные ошибки и принимать меры, чтобы их избежать, используя данные датчиков и методы машинного обучения. В этой статье была представлена ​​концепция профилактического обслуживания и показана пошаговая реализация с использованием реального набора данных. Предприятия могут обеспечить повышенную надежность оборудования и операционную эффективность, применяя процедуры профилактического обслуживания.

Дайте мне знать в комментариях. Если вы нашли этот пост полезным, следите за мной, пока я иду в моем путешествии по контенту!