Комментарии 17
А как решается вопрос с редким и дорогим оборудованием? Понятно, что наработать статистику по отказам массовых узлов типа подшипников, электродвигателей, насосов, задвижек не сложно, если их сотни и тысячи. А если это уникальная турбина, которых всего штуки три, но все разных модификаций и изготовлены с интервалом в 5-10 лет?
Покупается техподдержка изготовителя с понятным и устраивающим вас SLA. И это его проблема. Пусть хоть вторую тащит за свой счет, если первая ломается слишком часто.
Это не всегда возможно. Если производитель уникального оборудования один, то у него есть соблазн придерживаться философии "куда вы, нахрен, денетесь с подводной лодки" и либо предоставлять техподдержку на неприемлимых условиях либо не предоставлять ее вовсе.
На практике такого не бывает. Такого производителя рынок быстро уничтожает. Покупатели идут к тому кто пусть и похуже, но зато готов поддерживать свое оборудование.
Те же турбины из оригинального сообщения Сименс без проблем поддерживает и обслуживает. Хотя и поставщик и оборудование уникальнее некуда.
Честно говоря, не знаю, как решается вопрос с определением остаточного ресурса, наверно, для такого оборудования становится оправдано строить полноценные физ модели, а оттуда и данные можно нагенерировать для обучения моделей, и отклонение состояния от модели находить, и ресурс считать. Аномалии в таком случае (маленькая статистика отказов, уникальность оборудования), кстати, ищутся на основе построения моделей нормального режима работы (физические, математические, статистические и тд), а после детектируется отклонение от нормального режима работы.
Так можно рассчитать любое устройство, где идёт поток сигналов, разве, что по необходимости организовать сбор. Начался рассвет Кибернетики, раньше не хватало вычислительных мощностей для такого массового применения.
Не увидел упоминания о ресурсе изделия по данным паспорта. Он вообще никак не учитывается в расчёте остаточного ресурса? Казалось бы, он сам по себе должен опираться на расчёт надёжности.
Ресурс по паспорту - это в большинстве случаев черный ящик. Далеко не всегда указывается почему именно такой ресурс прописан, а если указано - то поданным ускоренного тестирования в условиях повышенных температур, нагрузок итп. а дальше по неизвестной формуле 100ч при 105 градусах превращается в 100000ч при 65 градусах, естественно 100000ч никто не проверял...
Кстати, все работы по ML, в основном в своей математической базе придерживаются регрессионного анализа. Также как и гильза (если сортовой прокат), или плиты кристаллизатора - это все узловые компоненты, и на большинстве предприятий (скажем небольшой комбинат в Липецке) имеет установленные регламентов (по плавкам) сроки обслуживания на основе статистических данных. И более - менее они подходят, даже без использования разных подходов. Кстати работ по прогнозированию самой МНЛЗ (УНРС, где как обзывают) практически минимально. Почему не использовать алгоритмы мультиагентного обучения с подкреплением? Так как раз сигнал идет от среды, и действия других агентов? Хотя бы Q-Nash?
Согласен в целом, а по поводу мультиагентного обучения затрудняюсь ответить - не специалист, в целом RL очень мало в промышленности, знаю всего несколько кейсов, например, Северсталь [youtube], [Arxiv]. Проблемы, насколько я знаю, в объеме и качестве данных, трудоемкости подходов с RL (тут и низкая квалификация дата сайентистов часто), а также невозможности проводить какие-то эксперименты с оборудованием для сбора большего числа данных и тестирования подходов в разных режимах.
Надо же, какая богатая библиография кейсов в отечественной металлургии - вот бы по телекому так! Кстати, на мой взгляд, автор излишне оптимистично поместил отечественный телеком в список индустрий в развитыми юзкейсами по DA/DS/ML: действительно наши гранд-телекомы обзавелись здоровенными отделами Big Data & AI, вот только для самого оператора эти отделы успешно работают исключительно в области маркетинга, CRM и продаж, плюс создают собственные "on-the-top" продукты для абонентов - то есть в чистом ритейле! Ни о каком использовании DA/DS для нужд эксплуатации сети (собственно базы индустрии телеком) не идет и речи, хотя там такое же оборудование с ресурсом и огромными расходами на его обслуживание. Так уж случилось, что с ноября прошлого года я активно общаюсь с российской мобильной тройкой + госоператорами на уровне Отделов по Эксплуатации сетей и услуг - я был поражен: все буквально сказали мне, что применение предсказательной дата аналитики - это что-то сверх сложное, а в круге их задач актуальными являются вопросы попроще. Да, лет 5 назад, якобы, были большие ожидания от big data, но выстроить взаимодействие с отделами даты по кейсам для эксплуатации сети не вышло - в результате после нескольких безрезультатных встреч с датой технари остались работать с сетью по старинке, а дата-сайнтисты вернулись к более понятным для них кейсам маркетинга, продаж и продуктового менеджмента.
PS: если кто-то прочитавший данный комментарий знает линки на сообщества по дата-кейсам задач эксплуатации сетей связи - просьба не счесть за труд поделиться! Заранее благодарен.
Кстати, изнутри не знаю об успехах DS в телекоме, а ориентируюсь на активность компаний в DS сообществе (треки на конференциях, доклады с кейсами, хакатоны и тд), вот несколько примеров:
https://ods.ai/competitions/mtsmlcup (прямо сейчас идет)
поэтому очень интересно было прочитать такие детали, спасибо за комментарий!
Спасибо за ссылки - меня как раз заинтересовало, после общения с людьми из эксплуатации сетей, а чем же живет в таком случае телекомовская биг-дата.
Да вот уже, собственно, успел и посмотреть все ссылки - это как раз то, о чем я и пишу: 50% академической науки, 50% маркетинговых кейсов, не отличимых от кейсов обычных интернет-провайдеров - мобильной сети там ноль! Это то же, что делает, например, Яндекс, у которого своей телеком сети нет.
Поэтому еще раз выскажу свое впечатление: сидящий на щедрых деньгах от сетевого бизнеса типичный отдел биг-даты нашего оператора связи предпочитает игнорировать существование проблем у какой-то там сети. В то время, например, как уже с 2015 года все мобильные операторы России столкнулись с недостаточной производительностью систем мониторинга производительности сетей связи - расчета многочисленных KPI в онлайн, а также сбора и распределенной предобработки гигантских объемов данных на сетевых медиаторах (а сегодня еще больших в стандартах 4G и 5G) - очевидно требующих hadoop-подхода и обработки в реальном времени больших данных!
Все, что вы хотели знать о задаче определения остаточного ресурса оборудования