I tidligere blogpost viste vi, hvordan Machine Learning kan estimere den resterende brugbare levetid på en jetmotor), I dette blogindlæg sætter vi vores interne bibliotek, Cohen, på prøve ved at estimere det resterende brugbare levetid på NASAs jetmotor med seks forskellige forhold (0 til 20.000 fod) og en fejltilstand, HPC-nedbrud Bagefter vil vi teste den, når vi har to fejltilstande: HPC-nedbrud og blæsernedbrud.

Hvem er Cohen?

neurospace’s interne bibliotek hedder ikke Cohen ved et tilfælde.
Da vi udviklede vores interne bibliotek til predictive maintenance, ønskede vi at ære en kvinde ved navn Judith Love Cohen, en kvindelig luftfartsingeniør i NASA. I en tid hvor få kvinder blev ingeniører, var Judith Love Cohen en pioner og gjorde hvad kun få mennesker gjorde.
Hendes arbejde på NASA med Apollo-programmet er ifølge hendes familie højdepunktet i hendes karriere og med gode grunde. Judith Love Cohen var et af de mennesker, der arbejdede på Abort-Guidance Sytstem i Lunar Excursion Module, som var en kritisk komponent for sikker tilbagevenden af ​​Apollo 13s astronauter Lovell, Swigert og Haise.

Hun er uden tvivl en kvinde at blive inspireret af.

Cohen er vores interne bibliotek til oprettelse af custom Machine Learning-modeller til predictive maintenance med automatisk hyperparameter tuning og validering. Cohen er lavet for at sikre, at maskinlæringsmodellen er designet til dine data. En tilpasset model til dine maskiner, i dit miljø og med den arbejdsbyrde, du har på maskinen.
Machine Learning-modellen dannes af sig selv. Således opretter vi custom modeller hurtigere end nogensinde før.

I dette blogindlæg sætter vi Cohen på prøve med et nyt datasæt fra NASA, hvor vi nu estimere levetiden på jetmotoren, når den arbejder med i alt fra 0 til 20.000 fod.

Estimere den resterede brugbare levetid med Cohen

Med Cohen kan vi hurtigt generere dey label, vi har brug for, og skabe custom Machine Learning-modeller. Tre linjer kode, og vi har alt, hvad vi skal bruge.
I den første test vil vi teste vores bibliotek på et datasæt med seks tilstande (0 til 20.000 ft) og kun registrere en type nedbrud - HPC-nedbrud. I den anden test vil vi forsøge at estimere den resterende brugbare levetid, når nedbrud skyldes to forskellige årsager: HPC-nedbrud og Fan-nedbrud. Flymotoren måles stadig under drift fra 0 til 20.000 fod.

Seks tilstande og en type nedbrud

Billedet nedenfor viser resultatet, når 50 nedbrud er logget i ens driftsjournal.

Image of Remaining Useful Life of a Turbofan Engine, NASA

Den orange linje på billedet viser den sande resterende brugbare levetid, mens den lilla linje viser den estimerede værdi ifølge modellen. Nedbrud opstår når den orange linje ramme 0. Og begyndelsen på den orange linje visualiserer komponentens totale levetid.

Modellen med den højeste nøjagtighed eller den laveste loss er ikke nødvendigvis den bedste model til at løse dit problem.
Vi kan få et lavere loss end visualiseret i nedenstående tabel, men modellens performance, når vi er tæt på et nedbrud, bliver ringere.

Mean Absolute Error Mean Squared Error
Modellens performance 0.1169 0.0275

Når du løser et problem med Machine Learning, ja selv med statistik, er det vigtigt aldrig kun at kigge på nøjagtighed eller loss, da den bedste model i dette tilfælde ifølge de parametere, måske aldrig forudsiger nedbruddet korrekt. Den bedste Machine Learning model vil f.eks. i dette tilfælde, være den der er mest nøjagtig, når vi nærmer os 0, dagene op til nedbrudet. Eftersom vi estimere tid, vil vi bede Machine Learning modellen om at forusige noget lineært, men sandheden er, at slid er mere eksponentielt nedadgående som vi tidligere har snakket om [i forbindelse med P-F intervallet]((/da/blog/2020/06/p-f-interval-og-praediktiv-vedligeholdelse/). Meget af dataene i de tidlige stadier af et komponents levetid vil derfor være ens, og at estimere, at det er lineært ikke er noget, vi forventer, at modellen kan gøre. Men vi ønsker at have en høj præcision, når tilstanden på komponentet ændre sig. Og hvor tidligt vi kan gøre dette, afhænger 100% af din datakvalitet og datakilder.

Som visualiseret forudsiger vi nedbruddene med succes, når vi har seks tilstande og 1 type nedbrud. Lad os se, hvad der sker, når vi har to årsager til at nedbrud opstår.

Seks tilstande og To typer nedbrud

Billedet nedenfor viser den model, der er genereret af Cohen, når han har seks forhold og to sammenbrud.

Billede af resterende brugstid for en Turbofan-motor, NASA

Forudsigelserne er mindre nøjagtige i nogle af nedbrudene, men stadig mere selvsikker, jo tættere vi kommer på 0. Nedbrud nummer 17 er den mindst nøjagtige forudsigelse, men har også en meget lav lvetid på kun ca. 125 cyklusser. Dog, skal det også tages ind i betragtning, at når en model begynder at estimere en lodret nedgradering af en komponents levetid, fra den resterende brugstid er på 100, skal alle alarmkloklker ringe.

Cohen bruges i vid udstrækning i neurospace til hurtigt at skabe custom predictive maintenance løsninger, der passer til dine maskiner. Men hvis du ønsker at estimere den resterende brugbare levetid og ønsker, at modellen skal være nøjagtig inden for få måneder før nedbrudet finder sted, har du brug for Right Data fra de rette kilder og i den rigtige hastighed.
For din virksomhed betyder det, at vi kan skabe en model, der estimerer Reamining Useful Life på dit udstyr hurtigere, billigere og mere effektivt end nogensinde.

// Maria Jensen, Machine Learning Engineer @ neurospace

Bibliography

In memory of Judith Love Cohen: Mother, Wife, Friend, Author, Engineer