Использование нейросети для автотранспортных предприятий

Использование нейросети для автотранспортных предприятий

Вводная

Рассмотрим пример применения нейронной сети для автотранспортных предприятий. В качестве примера используем автопарк организации, где используется как колесная так и гусеничная техника. Так как это крупная организация автопарки расположены в разных климатических зонах и регионах.

В рамках блока «Планирования» предусмотрено:

  • Планирование мероприятий технического обслуживания
  • Планирование мероприятий ремонтов;
  • Планирование закупки запчастей, для ремонтов и ТО, с поддержанием минимальных остатков ТМЦ для не запланированных ремонтов;
  • Планирование мероприятий по эксплуатации и обучения персонала.

В рамках обязанностей механика выпускающего на рейс и контроля выезда транспорта предусмотрено отдельное рабочее место, в котором отражены плановые мероприятия эксплуатации и состояние техники на текущий момент.

Так мы имеем свое ремонтное подразделение то для них используем отельный блок «ТОиР».

Для складского учета и контроля закупок блок «Склад».

Но нас будет интересовать данный пример в других статьях о использовании нейронных сетей в управлении персоналом, планировании, складского учета и обнаружение несанкционированных действий персонала, возможные потери от этих действий.

Теории

Небольшое погружение в теорию надежности и теоретические основы при построении нейронных сетей

Теория надежности и что нам необходимо для понимания планирования профилактических и капитальных ремонтов

Надежность — свойство объекта сохранять в заданном отрезке времени значение всех параметров необходимых для выполнения функций в заданных условиях и режимах. Так в случае колесной или гусеничной техники параметры и режимы, заданы в конструкторской и нормативно — технической документации.

Полное описание ГОСТ 27.002-2015

Так основные свойства надежности:

  • Безотказность;
  • Долговечность;
  • Ремонтопригодность;
  • Сохраняемость.

Характеристики отказов:

Конструктивный отказОтказ, возникший по причине, связанной с несовершенством или нарушением установленных правил и (или) норм проектирования и конструирования

Производственный отказ
Отказ, возникший по причине, связанной с несовершенством или нарушением установленного процесса изготовления или ремонта, выполняемого на ремонтном предприятии
Эксплуатационный отказОтказ, возникший по причине, связанной с нарушением установленных правил и (или) условий эксплуатации
Деградационный отказОтказ, обусловленный естественными процессами старения, износа, коррозии и усталости при соблюдении всех установленных правил и (или) норм проектирования, изготовления и эксплуатации
Постепенный отказОтказ, возникающий в результате постепенного изменения значений одного или нескольких параметров объекта
Внезапный отказОтказ, характеризующийся скачкообразным переходом объекта в неработоспособное состояние
Ресурсный отказОтказ, в результате которого объект достигает предельного состояния
Систематический отказОтказ, однозначно вызванный определенной причиной, которая может быть устранена только модификацией проекта или производственного процесса, правил эксплуатации и документации
Сбой
Самоустранившийся отказ или однократный отказ, устраняемый незначительным вмешательством оператора
Перемежающийся отказМногократно возникающий самоустранившийся отказ одного и того же характера
Таблица 1

Для расчета параметров надежности мы используем случайные величины, а значения параметров зависят от множества факторов. В основе всех расчетов надежности лежит теория вероятностей. Множественность факторов и их разность, приводит к разбросу величин наработок,ресурсов, сроков службы, моментов наступления отказов однотипных изделий.

Необходимо обратить внимание, что отказы могут быть:

Зависимый отказОтказ, обусловленный другими отказами
Независимый отказОтказ, не обусловленный другими отказами

А возникновение отказов может быть совместным.

Критерии надежности восстанавливаемых изделий:

  • параметр потока отказов;
  • наработка на отказ;
  • коэффициент готовности;
  • коэффициент вынужденного простоя.

Основные формулы используемые для надежности и модели отказов отражены в ГОСТ 27.004-2009

Теория построения нейронных сетей

Интернет изобилует ссылками на различные ресурсы, так вот некоторые из них:

Классификация объектов в режиме реального времени

Нейронки за 5 минут

Краткий курс машинного обучения или как создать нейронную сеть для решения скоринг задачи

Основное, что нужно понимать что «нейронная сеть» это математическая модель, очень упрощенно описывающую общий алгоритм работы человеческой нервной системы.

Наши рецепторы воспринимают некие сигналы, которые обрабатывает наш мозг, после обработки мозг выдает некие реакции. Реакции могут быть основаны на предыдущем опыте.

Нейрон -объект который может иметь несколько входов и один выход

У каждого входа есть свой «вес»

Нейроны, не используют функции активации, называются линейными нейронами, а сети, где они используются линейными нейронными сетями. Если же присутствуют какие либо функции активации, то мы имеем дело с нелинейным нейроном, а также нелинейной нейронной сетью.

Здесь мы берем простое описание нейрона, без погружения и рассуждений его составляющих.

Бывают структуры однослойные и многослойные где выходы одних нейронов поступают на вход других.

Модель и практическое применение

Используем для реализации нашей задачи платформу 1с, так как существует множество учетных систем на базе 1С и наш механизм легко встраивается в любую из них.

Для нашей модели мы используем уже готовые объекты из БСП (Прим. — библиотеки стандартных подсистем).

На этом техническое описание окончим, это тема не рассматривается в рамках данного обзора.

Модель нейронной сети

В ходе жизненного цикла мы должны накапливать сведения по эксплуатации и отказам. На основе полученных данных возможно прогнозирование отказов и планирования мероприятий направленных на предотвращение отказов.

Предположим, нужно провести пред рейсовый осмотр автомобиля. Подходим, начинаем осматривать, заполняем чек-лист. Крыша есть – ставим галочку, добавляем баллы. Стекла есть, двери есть, щетки-дворники есть, четыре колеса есть – все это плюс баллы. При достижении заданного количества баллов считаем, что перед нами автомобиль соответствующий всем требованиям безопасной эксплуатации.

Если будет сильный положительный выходной сигнал на первом слое, то это значит, что техника очень подходит для выполнения работы с введенным на входе мероприятием эксплуатации, а если будет сильный отрицательный выходной сигнал, то значит, что эта техника не может быть использована в данном техническом состоянии для выполняемой задачи. Так же на первом слое мы можем получить факторы внешней среды воздействующие на технику.

Второй слой отвечает за данные от первого входного слоя нейронов, т.е. сигнал каждого нейрона первого слоя пойдет на каждый нейрон второго слоя, таким образом, будет организована нейронная связь. Сигналы входных нейронов будут умножены на веса соответствующих входов, полученные значения просуммируются, и мы получим выходной сигнал нейрона, который соответствует определенному мероприятию эксплуатации.

В рамках осмотра на нейроне второго уровня будут получены характеристики техники, определены факторы внешней среды и также определяется уровень сигнала от веса этих сигналов.

Таким образом модель может оценить и выдать решение по возможности эксплуатации техники.

Для определения весов и коррекции первоначальных введенных данных в систему перед началом эксплуатации мы используем автоматический принцип обучения нашей нейронной сети.

Практическое применение

Мы уже затронули вопрос пред рейсового осмотра, начнем с него.

  1. Пред рейсовый осмотр:
  • Система может получить видео изображение техники и провести внешний осмотр;
  • В результате выдачи сигналов на табло водителю, для проверки световых приборов может быть получены также косвенные данные по реакции водителя;
  • Проведя звуковой анализ система может выявить скрытые отказы в агрегатах техники;
  • Система может определять тормозной путь в соответствии с факторами внешней среды.

В результате за короткое время время по полученным данным система может выдать механику рекомендации о возможности эксплуатации техники с учетом накопленных данных.

2. Прогнозное планирование

В результате накопления данных о пробеге и наработке, а также факторах внешней среды воздействующие на технику и уменьшающие сроки эксплуатации производится планирование мероприятий. Нейронная сеть может выявить аномалии при эксплуатации, спрогнозировать отказы узлов и агрегатов.

На основе данных прогноза система планирует:

  • Мероприятия технического обслуживания;
  • Закупки;
  • Мероприятия обучения персонала;
  • Формирует значения минимальных остатков необходимых для ремонтов из расчета прогнозных отказов и ремонтов.

3. Диагностика

Полученные данные визуального осмотра, данные с бортового компьютера или введенные вручную могут анализироваться системой используя уже накопленные данные по марке техники и конкретному экземпляру.

С учетом этого сокращается время на поиск зависимых отказов, предлагаются более оптимальные методики диагностирования.

Приведем практический пример воздействия внешних факторов как основание для проведения диагностики гидравлических узлов. В результате изменения климата возможно после подготовки техники для использования в летний период, наступление неблагоприятных погодных условий и снижение температуры окружающей среды. В результате чего изменяться вязкость масла и возрастает температура механических узлов, как следствие возможен выход из строя сальников, резиновых прокладок и.т.д.

В результате диагностики которую предложит наша нейронная сеть могут выявлены скрытые эксплуатационные отказы.

4. Техническое обслуживание и ремонты

Здесь и как ранее прогнозные отказы, необходимость замены узлов и агрегатов на основе проведения аналитики по условиям эксплуатации, имеющимся индексам надежности агрегатов и узлов.

5. Складской учет

Главные потери на предприятиях такого типа несут в себе учет ГСМ и топлива. Фактически есть изменения потребления топлива согласно норм, но как правило предприятия используют средний показатель.

Нейронная сеть может обработать и за короткое время выдать при наличии, отклонения по каждой эксплуатируемому экземпляру техники.

Практическая модель

Марка техники

Во всех блоках, мы сталкиваемся с вопросом определения марки техники.

Возможно возложить определение марки на оператора, но рассмотрим возможность определения марки на нейросеть.

Мы имеем некоторые точки в которых возможно появление транспорта, такие как:

  • Площадки пред рейсового осмотра;
  • Площадки для технического осмотра;
  • Площадки для ремонта;
  • Площадки для хранения.

и.т.д

Таким образом появление или нахождение техники дает возможность системе получить изображения и определение марки. Появление техники или сигнал самой системы для определенных мест нахождения техники активирует систему для получения изображения и его распознавания.

Прочитать каким образом происходит распознавание полученного изображения можно в данной статье:

Применение нейросетей в распознавании изображений

В нашем случае нам необходимо получить 3-х мерное изображение.

Далее нейроны отвечающие за свою координату, смогут сравнить с введенными базу изображениями, а полученные сигналы будут суммированы, для получения данных о изображении. Таким образом в процессе обучения системы можно выделить отдельные области и при условии когда определена марка, мы можем контролировать определенные области, так выделив фары и задав сценарий определения интенсивности света, мы можем определить их работоспособность. Здесь немного в деталях.

Для обработки изображения техники независимо от фона, мы используем процесс свертки.

  1. Для этого наше изображение разбивается на перекрывающие изображения
  2. Для обработки отдельных участков мы будем использовать нейроны с одинаковым весом
  3. Полученные предварительные результаты обнаружения объекта, собираем в массив.
  4. Снижаем размерность (пулинг)
  5. Определяем есть ли изображение в системе

Так это выглядит в научных статьях

Возможно использования полученных изображений для определения внешних повреждений. Сценариев применения множество.

Здесь есть некоторые проблемы которые придется решать в ходе обучения нейронной сети, так очевидно что внешние условия — дождь или снег, влияют на качество изображения, так же возможно, что будет использован транспорт для перевозки инженерной техники -2 вида техники.

Чтобы получить эффективность вычислений, уменьшить время обработки, необходимо создать классификатор с изображениями техники. Таким образом имея такой классификатор с вычислениями справится любой смартфон.

Определение неисправностей

Небольшое отступление в наблюдения. Так во многих случаях автослесари прислушиваются к издаваемым звукам техникой во время движения или на холостом ходу.

Применим спектральный анализ звуков и дадим определить нашей нейронной сети найти отклонения.

Для обработки данных преобразуем аналоговый сигнал в цифровой и полученные данные обработаем с помощью нейронной сети. Нам лишь необходимо выявить отклонения в различных частотных диапазонах.

Далее звук при каждом виде неисправности связанного с узлами агрегатов можно записывать и использовать для анализа. Так можно указать узел/агрегат и вид неисправности в течении пары минут.

Используем классификатор составных частей, чтоб связать агрегаты/узлы с классификатором видов неисправностей. Так как для многих видов техники названия составных частей одинакова, то мы будем использовать характеристики в которых будем указывать принадлежность к марке техники и другие индивидуальные характеристики зависящие от марки техники. Все это позволит сократить объемы базы и время поиска.

Выводы из практического применения

  1. Сокращения времени проведения мероприятий технического осмотра и ремонта;
  2. Снижение влияния человеческого фактора при принятии решений;
  3. При объединении единую сеть нескольких филиалов возможна ротация техники, снижение времени простоя при соблюдении норм эксплуатации. Здесь не потребуется отдельный аналитический отдел — система на основе мероприятий предложит проведение мероприятий обслуживания на основе внешних факторов региона куда перемещается техника, а также произведет анализ и корректировку остатков на складах;
  4. На основе расчетов надежности узлов и агрегатов ведется рекламационная деятельность с поставщиками техники, запасных частей;
  5. Все выше перечисленное влияет на эффективность работы предприятия, как следствие сокращения расходов.
Обсуждение закрыто.