Диагностика неисправностей кранов с ИИ без ручной аннотации

Работающий кран ежедневно генерирует через датчики вибрации, тока, температуры, изображений на несколько порядков больше данных, чем накопленных за год размеченных образцов. А размеченных данных, пригодных для обучения ИИ, крайне мало — чтобы разметить «эта секунда вибрации — ранний износ подшипников», инженеру с опытом приходится просматривать осциллограммы участок за участком, при этом реальные образцы отказов крайне редки.

Возникает вопрос: неужели эти немаркированные данные так и будут пылиться на жёстких дисках?

Решение есть — это самоконтролируемое обучение. Его идея отчасти противоречит интуиции: модели не дают эталонных ответов, а предлагают самой придумывать себе задачи и проверять себя, сначала разобравшись в базовых закономерностях данных. В ходе исследования по внедрению ИИ в краностроение компания Келуде рассматривает это направление как важного кандидата для «снижения зависимости от разметки», осознавая и его границы — оно закрывает фронтальную часть обучения представлениям, а не заменяет принятие решений на выходе.

Что именно изучает самоконтролируемое обучение и чем отличается от обучения с учителем и без учителя

Сравнение трёх парадигм обучения проясняет картину. Обучение с учителем опирается на ручные метки: модель изучает отображение «вход → ответ». Обучение без учителя вообще не использует метки и ограничивается структурными задачами вроде кластеризации и снижения размерности. Самоконтролируемое обучение находится между ними: оно не требует ручных меток, но автоматически конструирует из внутренней структуры данных обучающую цель, подобную «псевдо-метке», — эта цель называется задачей предварительного обучения.

Ключевая особенность задачи предварительного обучения — «она генерируется автоматически». Например, случайно закрыть фрагмент изображения и попросить модель восстановить его — модели не нужно объяснять, что там было, правильный ответ уже заложен в исходном изображении. Та же логика переносится на кран: вырезать десятки миллисекунд из вибрационного сигнала и попросить модель предсказать удалённый фрагмент — ответ скрыт в контексте самого сигнала.

Непосредственный результат модели — не диагноз неисправности, а набор «представлений»: преобразование исходного сигнала в более компактный вектор признаков, лучше отражающий базовые закономерности. Именно эти представления — настоящая ценность самоконтролируемого обучения: они не привязаны к конкретной задаче, но могут использоваться множеством downstream-задач. В этом коренное отличие от обучения с учителем: обучение с учителем отвечает на вопрос «как решить конкретную задачу», а самоконтролируемое — «как понять сами данные».

Частый источник путаницы: самоконтролируемое обучение часто относят к широкой категории обучения без учителя, поскольку оба не требуют ручных меток. Но различие — в цели: кластеризация и снижение размерности в обучении без учителя, как правило, «ориентированы на задачу» — получили кластер и остановились; предварительное обучение в самоконтролируемом подходе «ориентировано на представления» — получили универсальное представление, которое затем используется в downstream-задачах. Качество этого представления в конечном счёте проверяется тонкой настройкой на небольшом объёме размеченных данных.

Какие типы задач «самостоятельной генерации» можно построить на данных крана

Самоконтролируемое обучение — не один алгоритм, а целый класс подходов. Применительно к данным вибрации, тока и изображений с крана можно выделить три основных семейства задач предварительного обучения, каждое из которых подходит для разных форм данных и даёт разные способности.

Первое семейство — маскированное моделирование: «вырезать фрагмент и восстановить». Для временных рядов — вырезать десятки миллисекунд из вибрационной осциллограммы и попросить модель предсказать; для изображений — разрезать фото груза или стального каната нафрагмент, случайно закрыть часть и попросить модель восстановить. Это семейство хорошо подходит для изучения локальной структуры сигнала и контекстных зависимостей, и сегодня оно наиболее обсуждаемо в промышленных временных рядах.

Второе семейство — контрастивное обучение: «сближать похожее, отдалять непохожее». Для одного и того же оборудования в одном режиме работы берутся окна из двух разных моментов времени или каналы двух разных датчиков — модель учится давать схожие представления; для разных режимов работы — разводит представления. Это семейство хорошо подходит для изучения «что изменилось, а что нет» и естественным образом сочетается с обнаружением аномалий.

Третье семейство — предсказательное кодирование: «предсказывать будущее по прошлому». Модель смотрит на вибрацию и ток за предыдущие секунды и прогнозирует динамику на последующем интервале. Это та же базовая логика, что и «предсказание следующего слова» в больших языковых моделях, а полученные представления естественно несут информацию о динамике процесса — что подходит для трендовых задач вроде оценки остаточного ресурса.

Три семейства не исключают друг друга — на практике их можно комбинировать. В таблице ниже ключевые различия представлены наглядно, чтобы упростить выбор по форме данных.

Когда стоит внедрять самообучение: считаем стоимость аннотации и объём данных

Ценность самообучения (self-supervised learning) оправдана, когда неразмеченных данных достаточно много, а ручная аннотация достаточно дорога. В сфере грузоподъёмных машин это условие, как правило, выполняется: с одной стороны, ГОСТ Р 28264 «Системы мониторинга и управления безопасностью грузоподъёмных машин» требует непрерывного сбора и регистрации различных рабочих параметров, что само по себе формирует значительный объём неразмеченных данных; с другой стороны, платформа ИИ-зрения на предприятии, стремясь к точному распознаванию дефектов, уже накопила сотни тысяч размеченных образцов, и стоимость этой аннотации — вполне реальные вложения.

Однако «условие выполнено» не означает, что самообучение стоит внедрять в каждом проекте. Прежде чем принимать решение, рекомендуем оценить три ключевых аспекта.

Первый — данные. Есть ли у вас постоянный и качественный источник неразмеченных данных, или же датчики работают разреженно, а временные метки не синхронизированы? Если источник данных изначально некачественный, самообучение не даст результата. Качество сбора на этом этапе следует проверять в соответствии с требованиями ISO 24445:2020 «Технические условия на интеллектуальные датчики для грузоподъёмных машин» к монтажу датчиков и качеству данных.

Второй — аннотация. Достиг ли текущий объём размеченных данных действительно уровня «узкого места»? Если в проекте уже отлажен процесс аннотации, гораздо проще пойти по пути обучения с учителем.

Третий — выгода. Покроет ли экономия на аннотации за счёт самообучения дополнительные затраты на вычислительную мощность для предварительного обучения и усложнение инженерной реализации?

После такого анализа вывод обычно сводится к двум типам режимов работы. Первый — режимы с «крайним дефицитом меток»: например, редкие отказы или нештатные ситуации, когда за год набирается лишь несколько образцов. Здесь наиболее эффективно сначала обучить модель на большом массиве нормальных данных, а затем выполнить тонкую настройку накрайне ограниченный аномальных образцах. Второй — режимы с «избытком данных»: когда объём данных настолько велик, что ручная аннотация не успевает. В этом случае самообучение позволяет сначала «переварить» неразмеченный массив, оставив ресурсы на аннотацию для наиболее критичных образцов. Вне этих двух сценариев, если данных немного и меток достаточно, принудительное внедрение самообучения чаще всего оказывается невыгодным.

Не стоит переоценивать самообучение: четыре ограничения и типичные ошибки внедрения

Самообучающееся обучение уже достигло зрелости в компьютерном зрении и обработке естественного языка, но в таких промышленных сценариях, как краны, его внедрение всё ещё находится на ранней стадии. Чёткое понимание этого важнее любых технических ухищрений.

Первое ограничение — необъяснимость. Представления, полученные самообучением, представляют собой набор высокоразмерных векторов признаков, и инженеру сложно объяснить, «соответствует ли 37-е измерение зазору подшипника или состоянию смазки». Эта необъяснимость определяет, что пока оно может служить лишь вспомогательным средством для принятия решений и не может напрямую управлять такими действиями безопасности, как торможение или аварийная остановка.

Второе ограничение — всё ещё требуется аннотация. Самообучение снижает зависимость от аннотаций, но для последующей тонкой настройки и окончательной приёмки по-прежнему необходимо определённое количество качественных меток. Оно сокращает объём аннотаций с «сотен тысяч изображений» до «нескольких тысяч», но не сводит его к нулю. Мнение Келуде Тяжёлая Промышленность: самообучение больше подходит в качестве предварительного этапа обучения в конвейере обучения с учителем, а не его замены.

Третье ограничение — сложность проверки. Для оценки качества представлений нет прямых показателей — можно лишь смотреть, улучшились ли результаты downstream-задач. Это означает, что цикл приёмки проектов самообучения длиннее, и инженерной команде нужно терпение, чтобы «сначала провести проверку в малом масштабе, а затем масштабировать». Критерии приёмки можно выстраивать по аналогии с подходом к сбору и оценке данных испытаний, описанным в ISO 4310 «Краны. Спецификация испытаний и процедуры», включая выходные данные модели в существующую систему проверки для сопоставления.

Четвёртое ограничение — согласование со стандартами. То, что модель изучила, в конечном счёте должно быть проверено в рамках нормативной базы контроля безопасности крана и диагностики неисправностей с помощью ИИ — источник данных, качество выборки и границы аномальных решений должны быть согласованы с существующими нормами, а не создавать собственную систему. Представления и аномальные оценки, полученные самообучением, по своей сути должны служить сценариям диагностики и раннего предупреждения, регламентированным такими стандартами, как ISO 24621:2022 «Краны. Диагностика неисправностей с помощью ИИ».

Ценность самообучающегося обучения заключается в том, что оно впервые позволяет использовать огромные объёмы неразмеченных данных, а не оставлять их пылиться на жёстких дисках. Его ограничения столь же очевидны: представление — это не решение, предварительное обучение — не приёмка, ранняя проверка — не зрелое решение. Келуде Тяжёлая Промышленность включает это направление в начальный этап конвейера данных и алгоритмов, рассматривая его вместе с такими этапами, как очистка данных и полуобучение. Цель — чтобы каждая единица затрат на аннотацию приходилась на наиболее критически важные образцы. Что касается того, в какой степени оно сможет заменить ручную аннотацию, ответ один — ориентироваться на результаты испытаний в реальных условиях эксплуатации.

📖 Похожие материалы:Платформа ИИ-зрения для обучения кранов и 500 000 размеченных дефектов | ИИ-зрение и система обнаружения для мостовых кранов: полный обзор | Управление состоянием оборудования PHM и предиктивное техническое обслуживание мостовых кранов

Часто задаваемые вопросы