Рекомендации по использованию элементов ML-моделей

Развернуть все | Свернуть все

Этот раздел содержит рекомендации по использованию следующих элементов ML-моделей:

• Элементов ML-модели на основе эллиптического конверта.
• Предиктивных элементов: элементов ML-модели на основе линейной регрессии и нейросетевых элементов.

Рекомендации по использованию элементов ML-модели на основе эллиптического конверта

Элемент ML-модели на основе эллиптического конверта рекомендуется использовать, когда технологический процесс работает в стабильном режиме без резких изменений параметров, и требуется выявление корреляционных аномалий между тегами, когда поведение одного или нескольких тегов стало отличаться от остальных.

При добавлении элемента рекомендуется выбрать теги, которые в штатном режиме работы оборудования должны изменяться синхронно, при этом у каждого тега есть некоторое центральное значение, вокруг которого он колеблется. Центральные значения разных тегов могут отличаться. Визуально, если такие теги отобразить на одном графике, получится волнистая полоса, состоящая из нескольких линий.

Часто в эллиптический конверт отбирают теги, измеряющие один и тот же параметр у смежных компонент одного агрегата, например, температуры разных цилиндров одного компрессора или температуры подшипников с разных сторон вала.

Преимущества и ограничения элементов ML-модели на основе эллиптического конверта

Рекомендации по использованию элементов ML-модели на основе линейной регрессии

Линейная регрессия является простейшим предиктивным элементом. Она применяется для выявления аномалий в поведении тегов, если есть обоснованное предположение о линейной зависимости между тегами. Линейная зависимость может проявляться в тот же момент времени или с задержкой. Предполагается, что каждый из выходных тегов в выходном окне линейно зависит от совокупности входных тегов во входном окне.

При добавлении элемента рекомендуется задать параметры следующим образом:

• Укажите значение 1 для параметров Входное окно (шаги) и Выходное окно (шаги).
• Для выявления одновременной зависимости между тегами укажите значение 0 для параметра Смещение выходного окна и выберите разные входные и выходные теги.
• Для выявления зависимости между тегами с задержкой укажите ненулевое значение для параметра Смещение выходного окна и выберите входные и выходные теги, при этом теги могут пересекаться.

Преимущества и ограничения элементов ML-модели на основе линейной регрессии

Рекомендации по использованию нейросетевых элементов

Все нейросетевые элементы могут выявлять сложные взаимосвязи между тегами, поэтому их рекомендуется использовать, когда логика взаимного влияния параметров системы неочевидна и/или наблюдается динамика процесса во времени (изменения в поведении одних тегов влияют на поведение других с задержкой). Отличия между архитектурами нейросетевых элементов проявляются, в основном, в их способности выучивать динамику во времени, а также в их требованиях к ресурсам и в скорости обучения или инференса.

Все нейросетевые элементы принимают на вход окно из последовательности точек во времени и преобразуют ее на выходе в другое окно из последовательности точек во времени. Выходное окно может быть смещено вперед относительно входного окна. В таком случае выходное окно дает прогноз на будущее относительно текущего входного окна. Длину окна рекомендуется выбирать в диапазоне от 5 до 200 узлов РИВС, при этом окно должно охватывать как минимум половину характерного событийного интервала. Например, если период РИВС равен одной минуте, а существенное изменение в процессе развивается за 10 минут (характерный событийный интервал), то рекомендуется начать с 10 или 20 шагов для длины входного окна (параметр Входное окно (шаги)).

На основе архитектур Dense, CNN и Transformer вы можете создать также и автоэнкодерные элементы, для которых длина входного окна равна длине выходного окна, и выходное окно не смещено относительно входного окна. В этом случае нейросетевой элемент выучивает внутренние закономерности тегов во времени, в зависимости друг от друга сжимает входную информацию в выученный сетью внутренний узкий слой, а потом пытается восстановить ту же информацию. Восстановление информации нейросетевому элементу хорошо удается, если выученное поведение соответствует наблюдаемому, иначе восстановление информации происходит с ошибками, при этом вы можете увидеть, где ожидание сети отличалось от реальных наблюдений.

Автоэнкодерные элементы хорошо подходят на начальном этапе подбора архитектуры. В таком случае рекомендуется попробовать создать автоэнкодерный элемент с архитектурой Dense или CNN и выбрать в качестве входных и выходных одни и те же теги.

Если же причинная логика влияния тегов друг на друга понятна, то рекомендуется добавлять элементы согласно описаниям поддерживаемых архитектур, приведенным в таблице ниже. При этом в качестве входных рекомендуется выбирать те теги, которые являются причиной, а в качестве выходных – теги, которые являются следствием. При этом вы можете выбрать теги, которые являются следствием, в качестве входных и выходных, что может помочь выявить более длительные корреляции тегов.

Рекомендуемое общее количество тегов в одном элементе – до 200. При подготовке данных необходимо убедиться, что на каждый характерный событийный интервал приходится минимум 10 наблюдений по каждому тегу, участвующему в модели.

Общие сведения о поддерживаемых нейросетевых архитектурах