В крупных компаниях для того, чтобы обслуживать оборудование, инженерам и аналитикам часто приходится разбираться в огромном количестве данных. Например, чтобы избежать поломок и вовремя ремонтировать оборудование, нужно понять, что сильнее влияет на появление дефектов: температура, вибрация или износ? Для этого специалисты занимаются анализом данных с применением технологий машинного обучения, однако это сложные области, которые требуют глубоких знаний программирования и математики. Ученые из Пермского Политеха создали программу в виде электронной книги, которая помогает легко разобраться в основах классификации данных. Она уже успешно применяется в обучении студентов Передовой инженерной школы «Высшая школа авиационного двигателестроения».
Фото: homa appliances, unsplash
На программу выдано свидетельство № 2024690351. Разработка выполнена в рамках программы стратегического академического лидерства «Приоритет 2030» и внедрена в ПИШ ВШАД ПНИПУ. Программа выиграла конкурс в рамках мероприятия по поиску и защите способных к правовой охране решений, отвечающих требованиям, установленным к программам для ЭВМ, в аэрокосмической отрасли.
В техническом обслуживании оборудования, инженерии и аналитике специалистам часто приходится работать с большими массивами информации. Это позволяет предсказать, когда конкретное оборудование выйдет из строя, и провести профилактическое обслуживание, снизить простои и увеличить эффективность производства. На современных производствах данные ежесекундно собираются с тысяч датчиков на трубопроводах, реакторах, турбинах и насосах. В крупных предприятиях их объем может достигать от 1 до 100 ТБ в месяц (для сравнения, это примерно 1 000 часов видео или 310 000 фотографий). В таком массиве разнородной информации сложно определить, какие параметры (температура, вибрация, износ) более критичны для поломки оборудования, а какие – менее, и что нужно ремонтировать в первую очередь.
При работе с такими объемами информации аналитики данных используют специальные программы и подходы. Однако в настоящее время они очень сложны и требуют от пользователя высокого уровня знаний и умений в области программирования и математики.
Для упрощения оперирования большими данными и обучения этому ученые Пермского Политеха разработали программу, которая позволяет студентам и специалистам без опыта в программировании освоить основы классификации данных и анализа значимости признаков.
Программа разработана на языке программирования Visual Basic for Applications и представляет собой электронную книгу. Это позволяет ее запускать в любых стандартных офисных пакетах, таких как Excel, Numbers, P7, Polaris Office, Open Office, LibreOffice и др., что делает ее простой в использовании и доступной для широкого круга. Она использует метод, который разделяет объекты на два класса на основе их признаков – это называется дихотомической классификацией.
Предположим, что у нас есть множество приборов – например, датчики на заводе, которые могут работать в двух режимах: нормальный и аварийный (когда что-то сломалось). Нам нужно понять, в результате воздействия каких факторов датчики выходят из строя. Для этого в программе пользователь в одну таблицу вносит параметры приборов в нормальном режиме (например, температура = 25°C, давление = 1 атм), в другую — в аварийном (например, температура = 100°C, давление = 5 атм). Далее это анализирует программа: смотрит, какие значения чаще встречаются в аварийных случаях, а какие — в нормальных. Например, если при температуре выше 90°C почти всегда случается авария, программа это запомнит. Так она определяет важность параметров и выясняет, какие показатели лучше всего помогают отличить аварию от нормы (например, температура важнее, чем влажность).
– Перед полноценной работой программу нужно обучить на основе уже известной информации. Для этого пользователю необходимо самостоятельно разбить данные, которые он вносит, на категории – «предельный» или «допустимый» износ. Программа построит модель, которая будет учитывать взаимосвязи между признаками и классами. Впоследствии пользователь сможет вводить новые данные, и ПО уже автоматически будет определять, к какому классу они относятся – корректно будет работать этот датчик или нет. Благодаря этому можно предсказывать, как поведет себя оборудование при тех или иных условиях, прогнозировать возможные аварии и предотвращать их, – рассказывает Юлия Большакова, учебный мастер деканата факультета прикладной математики и механики ПНИПУ.
Такая программа будет полезна специалистам в области технического обслуживания и ремонта, инженерам и аналитикам данных, а также студентам и преподавателям технических и экономических специальностей. Молодыми специалистами она может использоваться для диагностики состояния оборудования (станки, датчики и пр.), прогнозирования отказов и необходимости выполнения ремонтных работ, студентам поможет лучше понять основы статистического анализа и классификации данных, а для преподавателей вузов станет отличным наглядным инструментом демонстрации того, как работают методы машинного обучения. Программа показывает принципы классификации на реальных примерах, можно менять параметры и сразу видеть результат.
Разработка ученых Пермского Политеха не только демонстрирует принципы машинного обучения, но и открывает новые возможности для образования и профессиональной деятельности. Она уже успешно используется в учебной программе студентов Передовой инженерной школы «Высшая школа авиационного двигателестроения». Отметим, что на практическое занятие с данной программой у студентов отведено всего 2 академических часа – этого достаточно, чтобы объяснить, как работают базовые методы машинного обучения. Обычно для того, чтобы познакомить студентов с основами статистического анализа и классификации данных, требуется не менее 1 лекции и 2 практик, то есть 6 академических часов. Используя данную программу, удалось включить эту тему в дисциплину.
Эту программу в силу ее простоты можно использовать не только для обучения магистров Передовой инженерной школы, но и для повышения цифровой грамотности студентов любых специальностей, поэтому ее можно тиражировать в рамках проекта «Цифровая кафедра».
