Виявлення несправностей у станціях зарядки електромобілів до того, як вони виходять з ладу

Вартість автономної станції зарядки

Кожна станція зарядки передає потік телеметрії: напругу, струм, внутрішню температуру та прапорець статусу, який змінюється між доступним, заряджанням, помилкою та вимкненою. Більшість систем виявлення несправностей реагують лише тоді, коли прапорець статусу переходить у режим «помилка», що означає, що несправність вже сталася, і водія, ймовірно, відмовлено. Набагато кориснішою є можливість виявляти закономірності невеликих відхилень напруги, струму та температури, які передують несправності, щоб технік було призначено до того, як обладнання фактично вийде з ладу. Це проблема прогностичного обслуговування, яка природним чином формулюється як виявлення аномалій, оскільки справжні несправності зустрічаються рідко порівняно з величезним обсягом нормальних сеансів зарядки, які генерує мережа, що унеможливлює використання стандартного контрольованого класифікатора, навченого на збалансованих прикладах «пошкодженої» та «здорової» поведінки.

Чому виявлення аномалій замість класифікації

Супроводження класифікації несправностей потребує великого набору достовірно позначених прикладів для кожного режиму відмови, що рідко зустрічається в фізичній інфраструктурі: відмови трапляються рідко, мають різноманітні причини (зношений з’єднувач, погіршення охолодження вентилятором, помилка прошивки, перевантажений ланцюг) і часто не фіксуються достатньою кількістю деталей для створення чистого набору навчальних міток. Виявлення аномалій обходить це, вивчаючи, що таке «нормальне» функціонування з великої кількості здорових даних і позначаючи все, що суттєво відрізняється від цього навченого нормального стану — без необхідності знати заздалегідь усі можливі режими відмов. Це також робить підхід більш стійким до справді нових типів відмов, які не були помічені під час навчання, що часто зустрічається з фізичним обладнанням, яке поступово погіршується несподіваними способами.

Isolation Forest: виділення викидів на основі того, наскільки їх легко відокремити

Isolation Forest — це метод на основі дерев, побудований на простому, але ефективному ідеї: аномалії майже за визначенням легше відокремлюються від решти даних, ніж звичайні точки. Алгоритм будує багато випадкових дерев рішень, які повторно розділяють дані на випадково обраних ознаках та порогових значеннях; точка, яка є незвичною (наприклад, вимірювання температури в поєднанні з електричним імпульсом, який рідко зустрічається), схильна до того, що вона відокремлюється від решти набору даних у значно меншій кількості розділів, ніж це робить звичайна точка. Усереднення цієї «довжини шляху» в багатьох деревах дає оцінку аномалії, де короткі середні шляхи позначають ймовірні аномалії. Застосовуючи до телеметрії станцій зарядки, це означає введення ознак, таких як напруга, струм, температура та тривалість сеансу, для кожного вимірювання, і дозволити лісі виявити сесії або часові проміжки, які виділяються. Точність у 85% є реалістичною метою для цього типу моделі, якщо її налаштовують за допомогою валідаційного набору відомих інцидентів, що означає, що більшість того, що вона позначає, відповідає справжній аномальній поведінці, а не шуму.

Автокодувальники: навчання до реконструкції нормальних даних, невдача на аномальних

Автокодувальник приймає інший шлях до досягнення мети. Це нейронна мережа, навчена стискати дані телеметрії до невеликого вузького каналу представлення та потім відновлювати оригінальний вхід з цієї стиснутої форми, з метою навчання мінімізувати помилку реконструкції на нормальних даних. Оскільки мережа бачить лише здорові сесії під час навчання, вона стає дуже хорошою у реконструкції цього типу закономірностей і порівняно поганою у реконструкції закономірностей, якими вона не стикалася — таких як сигнатура датчика несправного компонента. Під час висновування новий запис подається через навчену мережу та вимірюється помилка реконструкції: велика помилка свідчить про те, що вхід не схожий на будь-що, чого модель навчилася як нормально, і тому позначається як аномалія. Цей підхід може захоплювати більш тонкі, багатовимірні зв’язки між датчиками (наприклад, підвищення температури, яке є аномальним лише в комбінації з певним струмом) більше, ніж деревоподібний метод, але за рахунок потреби у більшій кількості даних і більш ретельного налаштування порогів. F1-оцінки близько 0,82 є розумним стандартом для виявлення несправностей на основі автокодувальників після калібрування порогу помилки реконструкції на валідаційному наборі з відомими подіями несправностей.

Перетворення показників аномалій у дії з обслуговування

Окремий показник аномалії не є корисним сам по собі; його потрібно перетворити на операційне рішення. У практиці це означає встановлення порогу (зазвичай обраного для балансування вартості хибної тривоги — відправки техніків нічого – проти вартості пропущеної несправності, яка може призвести до повного вимкнення станції), а потім маршрутизацію станцій із позначеними показниками в чергу обслуговування замість автоматичного вимкнення. Оскільки Isolation Forest і автокодувальники генерують безперервний бал замість твердої позначки «так/ні», цей бал також можна відстежувати з часом для кожної станції: станція, чий показник аномалії стабільно зростає, навіть якщо вона не перетнула поріг тривоги, є корисною ранньою сигналом того, що її технічний стан погіршується і повинна бути пріоритетною для огляду перед тим, як це спричинить жорстку несправність.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.