🔬 IHIE: физика встречается с deep learning в мониторинге промышленного оборудования
Как понять, что турбина, станок или двигатель скоро выйдут из строя еще до того, как это произойдет? Существующие DL-модели для мониторинга износа оборудования обычно оценивают лишь одну характеристику деградации, игнорируя физические принципы, которые описывают, как реально «стареет» техника.
Наши исследователи представили новый подход и модель IHIE (Industrial Health Index Extraction) для мониторинга состояния промышленного оборудования, объединяющую данные с сенсоров и физические уравнения деградации.
Обычно нейросети «загоняют» скрытое представление устройства под одну конкретную характеристику, например, только под остаточный срок службы. Мы решили иначе: пусть система одновременно учится предсказывать сразу несколько показателей состояния устройства и сверяет их друг с другом. Это работает как перекрестная проверка, в результате которой модель меньше галлюционирует насчет нереалистичных сценариев износа и ее решения становится проще объяснить.
📊 Модель протестирована на двух эталонных промышленных датасетах NASA:
✔️NASA C-MAPSS (предсказание оставшегося срока службы турбовентиляторных двигателей): IHIE превзошла все современные аналоги (GNMR, RVE, DSFormer, MSTCN и др.) по RMSE на всех 4 подвыборках датасета;
✔️ NASA Milling (предсказание износа резцов): RMSE = 0.0056 — заметно лучше конкурентов (LSTM-based: 0.0148, TAKELM: 0.0134);
✔️ Модель содержит всего 5.1 млн параметров и работает со скоростью ~14 мс на инференсе на видеокарте V100;
🔧Систему можно внедрить для решения задачи мониторинга авиационных двигателей, станочного оборудования, любых промышленных систем с сенсорами: от предиктивного обслуживания до раннего обнаружения аномалий.
Для тех, кто работает с промышленным ИИ или анализом временных рядов, мы как всегда открыты к сотрудничеству
🔬 Наш сайт
😌 Наш ТГ
Как понять, что турбина, станок или двигатель скоро выйдут из строя еще до того, как это произойдет? Существующие DL-модели для мониторинга износа оборудования обычно оценивают лишь одну характеристику деградации, игнорируя физические принципы, которые описывают, как реально «стареет» техника.
Наши исследователи представили новый подход и модель IHIE (Industrial Health Index Extraction) для мониторинга состояния промышленного оборудования, объединяющую данные с сенсоров и физические уравнения деградации.
Обычно нейросети «загоняют» скрытое представление устройства под одну конкретную характеристику, например, только под остаточный срок службы. Мы решили иначе: пусть система одновременно учится предсказывать сразу несколько показателей состояния устройства и сверяет их друг с другом. Это работает как перекрестная проверка, в результате которой модель меньше галлюционирует насчет нереалистичных сценариев износа и ее решения становится проще объяснить.
📊 Модель протестирована на двух эталонных промышленных датасетах NASA:
✔️NASA C-MAPSS (предсказание оставшегося срока службы турбовентиляторных двигателей): IHIE превзошла все современные аналоги (GNMR, RVE, DSFormer, MSTCN и др.) по RMSE на всех 4 подвыборках датасета;
✔️ NASA Milling (предсказание износа резцов): RMSE = 0.0056 — заметно лучше конкурентов (LSTM-based: 0.0148, TAKELM: 0.0134);
✔️ Модель содержит всего 5.1 млн параметров и работает со скоростью ~14 мс на инференсе на видеокарте V100;
🔧Систему можно внедрить для решения задачи мониторинга авиационных двигателей, станочного оборудования, любых промышленных систем с сенсорами: от предиктивного обслуживания до раннего обнаружения аномалий.
Для тех, кто работает с промышленным ИИ или анализом временных рядов, мы как всегда открыты к сотрудничеству
🔬 Наш сайт
😌 Наш ТГ