Meghibásodás előrejelzés mély tanulási módszerekkel

A mai modern gyárakban az egyes gyártósorokon rendkívül sokféle automatizált eszköz dolgozik azon, hogy a futószalag végén egy elkészült és minőségileg megfelelő termék kerüljön a felhasználókhoz. Ezek a fejlett eszközök különféle szenzorokkal vannak ellátva, melyek a működésük során hatalmas mennyiségű adatot képesek előállítani. A tapasztalat azt mutatja, hogy nagyon sokszor tárolásra kerülnek ezek az adatok, azonban ezeket vagy sehogyan sem használják fel, vagy csupán egyszerűbb statisztikai módszerekkel különféle kimutatásokat készítenek róluk. Felmerülhet azonban az igény, hogy ennek a nagymennyiségű adatnak a megfelelő feldolgozásával komplexebb előrejelzéseket lehetne tenni, illetve összefüggéseket feltárni. Felhasználva különféle gépi tanulási módszereket, komplexebb feladatok is megoldhatók, azonban a tradicionális megoldások hátránya, hogy nehéz velük dolgozni és általában lassú lefutásúak. Az elmúlt években (újra) megjelentek az ún. mély tanulási (deep learning) algoritmusok, melyek rengeteg problémára nyújtanak megoldást. Ezek a módszerek hatalmas népszerűségnek örvendenek, mert természetükből adódóan könnyű velük dolgozni és általánosan lehet őket alkalmazni. Sokféle alkalmazási területük van, többek között a képfeldolgozás, beszédfelismerés, természetes nyelv feldolgozás, egészségügyi és egyéb területek. Egy gyártósori környezetben azonban alapvetően más tulajdonságú, ún. szekvenciális adatok jelennek meg. Habár léteznek megoldások ilyen típusú adatok feldolgozására is mély tanulási módszerekkel, a tapasztalat is azt mutatja, hogy jóval kevesebb cikk születik ilyen témában. Egy konkrét probléma, amelyre érdemes lehet megoldást találni, a meghibásodás előrejelzés. Ez a gyakorlatban azt jelenti, hogy egy adott eszköz működéséből, vagyis pl. a rajta lévő szenzorok által előállított adatból próbálunk meg következtetni arra, hogy mikorra esedékes az eszköz meghibásodása. Amennyiben képesek vagyunk már azt megmondani, hogy egy rövid időn belül nagy valószínűséggel meghibásodik, lehetőségünk van különféle óvintézkedéseket tenni (pl. megrendelni az új alkatrészt).

szerző

• 
  Radostyán Bertalan
  Mérnök informatikus szak, mesterképzés
  mesterképzés (MA/MSc)

konzulens

• 
  Dr. Forstner Bertalan
  Docens, Automatizálási és Alkalmazott Informatikai Tanszék