Várható csapágyélettartam előrejelzés mesterséges intelligencia alapon

A korábban már sikeresen alkalmazott tesztelés nélküli konzisztencia alapú előrejelzést alkalmazom publikusan elérhető test to failure adatokon (vö.: FEMTO , Nasa Bearing Dataset).A korábbi számítás eltérő terhelésdinamikájú csapágykopás-logadatok alapján, ahol a csapáskopásra a csapágyak által produkált zajok alapján lehet következtetni, 10 teljeskörű (járatás cseréig) csapágykopási folyamat első 300 időegységét 6*50 időegységre osztva (ABCDEF) és egy adott zajszint elérésének időpontját következményváltozónak (Y) tekintve lehetséges a kritikus szint elérésének várható időpontját 0.98-as korreláció mellett megtanulni dupla-attribútumkészletű lépcsős függvényekkel úgy, hogy a 2*9 db attribútumon (Xi) belül 5 db attribútum a zajértékek abszolút értékeinek 50 mérésre vonatkozó összege, maximuma, minimuma, szórása és varianciája, ill. 4 db attribútum az 50-50 mérési érték között levezethető távolságértékek összege, maximuma, szórása és varianciája – illetőleg ezen jelenségek minél nagyobb annál jobb és minél kisebb annál jobb alapú sorszámai (vö. direkt és inverz nézetek). A 11. szcenárióból értelemszerűen csak 300 mérés áll rendelkezésre, így a tesztelés nélküli modellezés keretében 6 becslés fog megszületni, melyek ideális esetben 50-50 egység távolságra kell, hogy álljanak egymástól. A tesztelés nélküli modellezés akkor tekinthető helyesnek, ha a becsült eltérések a 6 rétegben a 11. esetre minél közelebb vannak az ideális monoton 50-es lépésközhöz. A dupla-attribútumkészletű lépcsősfüggvény által az éles becslés kapcsán a 6 réteg és az ideál-állapot korrelációja 0.97, ami kellően konzisztens ahhoz, hogy a végső becslési értéket érdemes legyen végeredménynek tekinteni (vö. 500 > 300, mely 500-as becslés kisebb, mint a 10 teljes eset átlaga és mediánja). A 6-rétegű éles konzisztencia-ellenőrzés mellett a tanulási szinten is meghatározható, mely rétegek adják a legpontosabb becslést (ABCDEF). Ezen leginkább robosztus rétegre vonatkozó becslés (446+21) nem erősíti, de a második C-réteg (514+5) erősíti az utolsó rétegre vonatkozó korrekciós becslést is a már említett korrelációs elvárás mellett. Mindemellett készült az ismert Y-ok értelemzési intervallumán ennek maximumát és minimumát meghaladóan 11 szimulált szcenárió a 11. csapágy-kopási folyamat lehetséges becslési értékeit 50 egységgel léptetve – továbbra is megtartva az ABCDEF konzisztencia-képző rétegeket. Vagyis az időmúlás egyenletességének (mint mesterséges intelligencia-alapú fogalomalkotási kihívásnak) érzékenységvizsgálata került a konzisztencia fogalmának középpontjába egy anti-diszkriminatív (optimalizáltan objektivizáló, automatizált benchmarking-ot lehetővé tevő) modellezéssel keresve a legjobb Y érték-intervallumokat. Ez a vizsgálat megerősítette a párhuzamos eredményeket azzal, hogy a 7-es zajszint eléréséhez 10%-kal több időre is szükség lehet, ami megfelel az optimalizációban második, statisztikailag első legrobosztusabb C réteg által is sugalmazott értéknek.

A Dolgozatban bemutatásra kerül a korábban már sikeresen teljesítő módszer adaptálása a publikus adatvagyonokon, ahol első lépésként a nyers rezgés jelek átlagát vagy effektív átlagát kell meghatározni az Y (zaj/rezgés-szint) következményváltozóhoz. Emellett az Xi attribútumképzés esetében a nyers jel rendelkezésre állása miatt lehetőség van egyszerű statisztikai mutatók helyett a nyers jel frekvencia-amplitúdó értékeit attribútumként felhasználni. Korábbi tapasztalatok alapján nem törvényszerű, hogy a nagyobb korrelációjú (Xi~Y) attribútumokkal jobb tanulási és előrejelzési eredményt lehet elérni, hanem minden jelenség esetén a egyedi attribútumkészlet meghatározása a célravezető.

A számításokhoz a saját lokális (Matlab) implementációjú hasonlóságelemézsi modelleket használtam.

szerző

• 
  Pitlik Marcell
  Energetikai mérnöki mesterképzési szak
  mesterképzés (MA/MSc)

konzulens

• 
  Viharos Andor Bálint
  tanszéki mérnök, Gyártástudomány és -technológia Tanszék