Internet Industriel des Objets IIOT : AutoML pour la maintenance prédictive

À mesure que de plus en plus de produits deviennent intelligents et connectés, les logiciels deviennent le tissu conjonctif de création de valeur, même pour les entreprises qui vendent des biens physiques. La convergence des mondes physique et numérique commence avec les capteurs et les données sensorielles, qui automatisent et quantifient le suivi des modèles pour la distribution des produits et les comportements des clients dans le monde physique. Ces données sont en train de devenir la monnaie de l'économie de l'Internet industriel et le fondement de nouveaux services logiciels.
Les améliorations continues des technologies de capteurs – y compris la miniaturisation, les options de connectivité, les performances, les coûts et la consommation d'énergie – rendent les produits intelligents plus accessibles. Au fur et à mesure que ce niveau d'infrastructure numérique se développera, les entreprises pourront tirer parti des flux de données croissants pour appliquer des analyses puissantes pour des informations qui peuvent améliorer les services existants, enrichir l'expérience client, offrir de nouvelles idées et créer des sources de revenus alternatives, non seulement grâce à de nouveaux produits, mais également à travers des modèles commerciaux entièrement nouveaux.
Maintenance des actifs industriels basés sur l'IOT
Avant d'explorer le sujet des architectures d'apprentissage automatique de la machine, considérons le cas d'utilisation suivant de la solution Presenso pour la maintenance prédictive:
Un parc éolien doit prévoir si une éolienne tombera en panne dans les prochaines semaines. Les turbines sont situées à distance où il est coûteux et long pour les techniciens de visiter pour les inspections et les réparations. Dans le cas d'opérations bloquées, il y a un coût élevé associé aux temps d'arrêt et aux pertes de revenus, remplaçant les pièces coûteuses et les coûts de main-d'œuvre élevés.
Le parc éolien avait besoin de construire un modèle de maintenance prédictive basé sur l'apprentissage automatique. En raison des coûts de déplacement vers des sites éloignés, le modèle devait être réglé pour ne détecter que les pannes extrêmement probables. L'exigence commerciale était plus tolérante à l'égard d'un faux négatif par rapport à un faux positif. Avec seulement 1% des données constituant un échec, Presenso a suréchantillonné la classe minoritaire et réglé les paramètres du modèle pour une grande précision.
Voulez-vous en savoir plus sur ce sujet? Voir Prédiction d'échec sous Contraintes de Big Data: Comment gérer les classes de déséquilibre
Introduction à Presenso Autonomous IIOT Analytics
L'apprentissage automatique (ML) et l'apprentissage profond (DL) sont utilisés dans de nombreux domaines, notamment la vision par ordinateur, la reconnaissance vocale et la traduction automatique. Dans le même temps, les ingénieurs novices peinent toujours à appliquer efficacement DL. Plusieurs décisions doivent être prises: le choix entre des dizaines d'algorithmes ML et DL disponibles, les méthodes de prétraitement et de nettoyage, le réglage des hyperparamètres des approches sélectionnées et le calibrage du nombre d'arbres ou du nombre de couches (et de nœuds à chaque couche) pour l'ensemble de données.
L'efficacité de l'application de ML et DL fait la différence et a un impact élevé sur les performances. L’application de l’apprentissage automatique est fastidieuse et prend du temps et nécessite l’expertise des ingénieurs et des scientifiques des données massives (produits rares sur le marché du travail d’aujourd’hui).
Comme de plus en plus d'installations industrielles doivent utiliser le Machine Learning, il existe un besoin de solutions ML qui effectuent de manière autonome l'inférence sur un ensemble de données donné.
Voulez-vous en savoir plus sur ce sujet? Voir le rôle de l'apprentissage automatique dans la Smart Factory par Waseem Ghrayeb
La machine automatisée et le moteur d'apprentissage en profondeur de Presenso sélectionnent l'algorithme et les hyperparamètres optimaux de manière pilotée par les données sans aucune intervention humaine. Dans cet article, nous décrivons comment cela est effectué par le système Presenso Auto-MDL.
Sélection des modèles, optimisation des hyperparamètres et extraction des fonctionnalités
Une méthode bien connue pour optimiser les hyperparamètres d'apprentissage automatique est l'optimisation bayésienne, qui répète les étapes suivantes:

Construire un modèle probabiliste pour capturer la relation entre les paramètres hyperparamétriques et leurs performances
Utilisez le modèle pour sélectionner les paramètres d'hyperparamètre optimaux.
Exécutez le modèle d'apprentissage automatique sélectionné avec ces paramètres d'hyperparamètres optimisés.

Ce processus peut être généralisé (pour éviter le surajustement) pour sélectionner conjointement des algorithmes, des méthodes de prétraitement et de nettoyage des données et leurs hyperparamètres comme suit: les choix de classificateur / prédicteur et de méthodes de prétraitement sont des hyperparamètres catégoriels de niveau supérieur et basés sur leurs paramètres les hyperparamètres des méthodes sélectionnées deviennent actifs. L'espace combiné peut ensuite être recherché avec des méthodes d'optimisation bayésiennes qui gèrent de tels espaces conditionnels de grande dimension.
Cette approche AutoMDL consistant à utiliser l'optimisation bayésienne est utilisée pour personnaliser automatiquement les modèles optimaux de traitement des données volumineuses et d'apprentissage automatique non supervisés en fonction de la tâche d'analyse industrielle IdO appropriée.
Voulez-vous en savoir plus sur ce sujet? Voir les cinq étapes de la mise en œuvre de l'apprentissage automatique de Big Data non supervisé par Nir Dromi
Presenso Auto- MDL
Auto-MDL est la mise en œuvre par Presenso de l'idée ci-dessus. Il contient un pipeline complet de machine et d'apprentissage en profondeur qui est responsable des valeurs manquantes, des caractéristiques catégorielles, des données rares et denses, et de la mise à l'échelle / rechapage / normalisation des données.
Ensuite, le pipeline applique un algorithme de prétraitement et de nettoyage et un algorithme ML / DL.
Auto-MDL comprend des dizaines d'algorithmes ML, des dizaines de méthodes de prétraitement et tous leurs hyperparamètres respectifs, ce qui donne un total de centaines d'hyperparamètres.
L'optimisation des performances dans l'espace Auto-MDL de centaines d'hyperparamètres peut être lente. Presenso lance ce processus en utilisant le méta-apprentissage pour démarrer le travail à partir de bons paramètres d'hyperparamètres provenant de précédents ensembles de données similaires (en utilisant une fonction de similitude). Lorsqu'un nouvel ensemble de données est ajouté, l'algorithme recherche des ensembles de données similaires comme point de départ et applique les paramètres de l'ensemble de données précédent au nouveau.
Une deuxième amélioration a été de construire automatiquement des ensembles: au lieu de retourner un seul paramètre hyperparamétrique (comme le ferait l'optimisation bayésienne standard), nous construisons automatiquement des ensembles à partir des modèles formés lors de l'optimisation bayésienne. Plus précisément, nous utilisons l'ensemble de modèles et l'empilement pour créer de petits ensembles puissants avec une puissance prédictive et une robustesse accrues.
Conclusion
Alors que de plus en plus d'installations industrielles migrent vers la Smart Factory, il y a clairement un énorme besoin de maintenance prédictive des actifs.
Le manque de professionnels talentueux possédant une expertise dans le domaine du Deep Learning et du Machine Learning ne sera pas résolu en augmentant l'offre d'ingénieurs et de scientifiques. Une solution technologique est nécessaire pour que les installations puissent adopter et faire évoluer l'IOT industriel prédictif dans toute une installation. Presenso Auto-MDL est une solution standard pour les installations industrielles qui passent à l'Industrie 4.0 en utilisant un niveau similaire de ressources et de capacités lorsqu'elles fonctionnent dans un environnement plus ancien.

Laisser un commentaire