Обратное обучение обнаруживает скрытый износ оборудования до того, как произойдет катастрофический отказ промышленного оборудования
Обнаружение неисправностей оборудования (MFD) по-прежнему в значительной степени зависит от контролируемого обучения, которое борется с нехваткой меток неисправностей в реальных условиях. В то время как обучение с подкреплением (RL) предлагает основу для моделирования последовательного характера деградации, современные методы MFD, «основанные на RL», сводят проблему к формулировке статического контекстного бандита (CB): игнорируя переходы состояний и отбрасывая временной коэффициент дисконтирования, они сводятся к стандартной контролируемой классификации. Мы предлагаем структуру состязательного обратного обучения с подкреплением (AIRL), которая рассматривает MFD как автономную проблему IRL. В отличие от подходов, основанных на реконструкции, которые полагаются на статические пределы ошибок, или CB, которые игнорируют динамику, наш метод восстанавливает внутреннюю награду за «здоровье» непосредственно из переходов состояний наблюдения, не требуя ни ручного проектирования вознаграждений, ни меток ошибок. В трех тестах запуска до отказа (HUMS2023, IMS, XJTU-SY) AIRL является единственным методом, обеспечивающим ненасыщенную согласованность после обнаружения во всех наборах данных, в то время как базовые тесты CB не могут обнаружить постепенную деградацию, и модели реконструкции схлопываются в всегда аномальные состояния. Код и данные: https://github.com/dhirajneupane/AIRL-MFD-DN.
## В чем суть открытия Система без маркировки обнаруживает поломки промышленного оборудования на ранней стадии, изучая, как оборудование естественным образом деградирует с течением времени, минуя дорогостоящее ручное аннотирование данных. ## Как это устроено: принцип работы Вместо того, чтобы полагаться на статические границы ошибок или ручные метки ошибок, система использует автономное состязательное обучение с обратным подкреплением при переходах состояний наблюдения. Он восстанавливает внутреннюю функцию вознаграждения, представляющую состояние машины непосредственно из временных последовательностей датчиков, без ручного проектирования вознаграждения. Такое последовательное моделирование позволяет отслеживать незначительные механические разрушения с течением времени. ## Что это меняет на практике Позволяет фабрикам и электростанциям немедленно развертывать автоматическое прогнозирование наработки до отказа, не дожидаясь месяцев для сбора редких, помеченных наборов данных о поломках. ## Границы метода и риски Требует непрерывных траекторий датчиков на протяжении полных циклов работы до отказа и требует более высоких вычислительных затрат во время восстановления вознаграждения в автономном режиме, чем простые модели реконструкции. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Post-detection consistency across HUMS2023, IMS, XJTU-SY datasets - **Размер выборки / валидация:** N = 3 run-to-failure benchmark datasets (HUMS2023, IMS, XJTU-SY) - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)