Klíčovým aspektem pro prediktivní údržbu jsou data o zařízeních, jejichž selhání či stavy chceme predikovat. V prediktivní údržbě budeme řešit problém, že dat je buď příliš mnoho, nebo příliš málo. Také často stojíme před problémem, že jejich získání není snadné. Někdy není možno data získat jinak než zničením zařízení. Proto každé zpracování dat musí mít své základy ve finanční návratnosti řešení. Na druhou stranu musíme brát v potaz i riziko ohrožení lidského zdraví během provozu, které se snažíme redukovat. Účelem prediktivní údržby je vybrat ke kontrole vhodná zařízení z potenciálně ohrožených zařízení. V praxi, kdy máme omezený rozpočet, je vhodné zacílit prostředky tam, kde je vykazována nejvyšší rizikovost, a zefektivnit tak celý proces údržby. Matematické a statistické zpracování dat přináší nejen řešení konkrétních úloh, ale zároveň rozšiřuje povědomí o dalších možných negativních vlivech na chod zařízení.

V praxi se často setkáváme s tím, že kritické meze sledovaných parametrů jsou nastaveny příliš benevolentně a po jejich vyhodnocení jsou všechna zařízení vyhodnocena jako správná/dobrá či bezproblémová. Analogicky jsou meze u některých parametrů naopak nastaveny příliš přísně a velké množství zařízení je zbytečně označeno jako selhávající či kriticky ohrožené. Obě situace vedou k tomu, že sledovaným parametrům se věnuje menší pozornost. Analytický přístup na druhou stranu umožňuje z nasbíraných dat navrhnout alternativní meze a přidat je ke stávajícím pravidlům. Výsledkem pak může být, že sledované zařízení je sice dle technologických norem či norem daných výrobcem v pořádku, ale podle analýzy dat se nachází mezi jedním/pěti/deseti procenty historicky nejhorších hodnot. Na takový stav se pak dá reagovat plánovanou odstávkou, kontrolou, flexibilní alokací finančních prostředků.

Řešení úloh prediktivní údržby závisí na tom, zda v datech existuje informace o stavu, který chceme predikovat, tzv. cílová proměnná. Takovou proměnnou může být například výsledek odborného hodnocení zařízení expertem při pravidelné odstávce. Výsledek se pak snažíme odhadnout pomocí běžně dostupných datových a provozních charakteristik zařízení. Těm pak říkáme nezávislé, nebo také vysvětlující proměnné. Následně hledáme takové predikční modely, které by vysvětlily chování cílové, závislé proměnné, na souboru nezávislých proměnných. Někdy takový vztah ani nemusí existovat, jindy stačí informace z jednoho čidla, abychom s velkou jistotou dokázali predikovat cílovou proměnnou.

Cílové proměnné mohou mít podobu číselné veličiny, která nabývá reálných hodnot. Může se jednat např. o koncentrace látek v izolačním oleji, výšku sedimentů, míru opotřebení aj. Cílovou proměnnou mohou být i kategorie, například výsledek kontroly odborným expertem. Někdy nejsou cílové proměnné stanoveny vůbec a pak hledáme anomálie v datech. Sledujeme všechny dostupné parametry zařízení a hledáme nejvíce neobvyklé.

Velmi často narážíme na problém v datové rovině. Konkrétně na problém s různou hustotou dat, granularitou. Jedná se o situace, kdy jsou ruční kontroly prováděny v intervalech v řádu let, případně kdy přicházejí informace z čidel o stejném zařízení v sekundách nebo dokonce v milisekundách. Základem každé predikční úlohy je sestavení datové modelovací matice. Velice často je nutno data agregovat a dále transformovat. Jako agregáty se používají sumy, průměry, minima či maxima za určitá období. V datové matici pak vzniká velké množství proměnných, o kterých doufáme, že by mohly vysvětlit chování cílové proměnné, ale které také mohou být z velké části zbytečnou datovou zátěží.

Analytický proces hledá modely, které nejlépe odhadují predikované veličiny ze známých hodnot v datech. Modelovací algoritmy se liší podle druhu úlohy, případně formy cílové proměnné. Některé vrací číselnou predikci, jiné kategorii cílové proměnné a pravděpodobnost dané kategorie. Výsledky některých algoritmů jsou jednodušší na pochopení a interpretaci, jako logistická regrese či rozhodovací stromy, jiné jsou černou skříňkou, kdy složitost vlivů na cílovou proměnnou jim neumožňuje porozumět, například neuronová síť.

Obr. 1: Číselná proměnná a pravděpodobnost překročení kritické hodnoty. Model logaritmické lineární regrese odhaduje, že k překročení kritické hodnoty 11 v čase 50 nastane s pravděpodobností 2.5%, neboť se hodnota 11 protíná v čase 50 s horní mezí 95% konfidenčního intervalu individuálních měření. Poznamenejme, že zbývajících 2.5% pravděpodobnosti leží pod dolní mezí konfidenčního intervalu.

Modely jsou odhadnuty na historických datech, ale používáme je hlavně pro predikci budoucích neznámých stavů. V některých situacích je důležitá rychlost učení a rychlost skórování. Obvykle je možno využít dlouhou řadu historických dat, která použijeme k učení modelu. Ale jsou i situace, kdy je třeba data vyhodnocovat rychle, v reálném čase online, nebo kdy k odvození modelu musí stačit relativně krátký časový úsek, například kvůli charakteru životního cyklu zařízení.

Matematická kvalita modelu je vyjádřena různými metrikami. Modely pro dichotomické proměnné (jev nastal/nenastal, výsledek je dobrý/špatný) vrací nejen samotnou predikci, ale i odhad pravděpodobnosti, jakousi míru jistoty modelu. Protože svět, ani stav nějakého výrobního zařízení, nelze chápat pouze „černobíle“ jako funkční/nefunkční, používáme často místo predikce právě onu pravděpodobnost. Tu, často označovanou za číselné skóre, dále kategorizujeme. Místo stavu dobrý/špatný pak ještě můžeme sestavit kategorie jako dlouhodobě sledovat, připravit kontrolu, provést hloubkovou kontrolu apod.

V ideálním případě se nám modelem podaří predikovat obě kategorie (stav dobrý/špatný) maximálně správně. Velice často se bohužel daří predikovat dobře tu kategorii, která výrazně dominuje a která pro nás není až tak důležitá – zařízení je v pořádku. Od modelu však požadujeme, co nejpřesnější predikci klíčové kategorie kdy sledovaný jev nastal. Chyby v predikci klíčové kategorie cílové proměnné mohou mít negativní finanční, v některých úlohách, i fatální následky.

Obr. 2: Rozhodovací tabulka - na základě následků havárie zařízení a odhadnuté pravděpodobnosti bude provedena odpovídající akce.

Důležitou a často opomíjenou vlastností je dobrá interpretovatelnost modelu. Některé modely mají dobrou popisnou schopnost a přímo znázorňují vztahy mezi vstupními parametry a zkoumanou veličinou. Často je vhodnější použít dobře interpretovatelný model, třeba i s menší mírou přesnosti, místo matematicky lepšího modelu, který není dobře interpretovatelný nebo je obtížně uplatnitelný při nasazení do praxe.

Prediktivní údržba, snad ještě více než ostatní klasické dataminingové úlohy, klade mnohem větší důraz na deployment, praktické využití, výsledků predikčních modelů a jejich doporučení. V této úloze nám nejde o přehledy, zprávy, grafy, ale o jasná doporučení pro další rozhodování. Tato doporučení lze sice efektivně automatizovat, ale velice často je nutné i ruční řízení, které je nutné v případě, kdy reálnou situaci ovlivňují vnější, modelem nepodchycené, faktory. Automatizací pak lze připravit systém včasného varování.

Zjednodušeně jde o to, zefektivnit stávající přístup ke kontrolám a opravám zařízení založených čistě na technických a technologických postupech. Prediktivní údržba vyžaduje nemalé investice do sběru dat, vývoje modelů a zavedení změn v rozhodovacím procesu. Odměnou za to však je snížení nákladů spojených se zbytečnými kontrolami a snížení materiálních i lidských rizik plynoucích z možných selhání.

Vojtěch Skubanič Autor článku působí ve společnosti Acrea. Vystudoval obecnou matematiku na Matematicko-fyzikální fakultě Univerzity Karlovy. Ve své profesní kariéře se zaměřuje na analytickou činnost nejen v oblasti statistiky, ale také data miningu a své odborné zkušenosti využívá v lektorské činnosti. V nemalé míře se podílí na odborné konzultantské činnosti pro oblast aplikace a využití softwarových řešení v malých a středních podnicích.