Jak przygotować dane pod Predictive Maintenance? Feature engineering dla sygnałów przemysłowych w duchu RCM i CBM

Predictive Maintenance zaczyna się od uporządkowania tematu niezawodności, a dopiero później przechodzi do modeli machine learning. RCM (Reliability-Centered Maintenance) porządkuje funkcje urządzeń, krytyczne tryby uszkodzeń i symptomy, które da się mierzyć. CBM (Condition-Based Maintenance) nadaje temu rytm operacyjny: obserwacja stanu, progi, trendy, decyzje o inspekcji, planowaniu postoju lub natychmiastowej interwencji. W takim układzie „feature engineering” to po prostu tłumaczenie symptomów i logiki CBM na zestaw liczbowych wskaźników wyliczanych w czasie z danych OT.

Sygnały sensorowe (sensor signals) z przemysłu rzadko są wygodne: różne próbkowanie, braki danych, resety, artefakty z automatyki, zmiany trybów pracy. Dlatego przygotowanie danych i cech ma w praktyce jeden cel: dać stabilną odpowiedź na pytanie, czy urządzenie zachowuje się normalnie w danych warunkach pracy, a jeśli odchyla się od normy, to jak szybko narasta ryzyko.

RCM jako mapa: funkcja → tryb uszkodzenia → symptom → decyzja

RCM daje świetny szkielet do pracy z danymi. Najpierw jest funkcja i wymagany poziom działania, na przykład pompa ma utrzymać przepływ i ciśnienie w określonym zakresie obciążenia, sprężarka ma utrzymać parametry sieci sprężonego powietrza, wymiennik ma przenosić ciepło z oczekiwaną sprawnością. Najpierw jest funkcja i wymagany poziom działania, na przykład pompa ma utrzymać przepływ i ciśnienie w określonym zakresie obciążenia, sprężarka ma utrzymać parametry sieci sprężonego powietrza, wymiennik ma przenosić ciepło z oczekiwaną sprawnością, a silnik lub przekładnia muszą pracować w akceptowalnych zakresach wibracji i temperatury. W praktyce RCM są one zwykle dokumentowane przez FMEA (Failure Mode and Effect Analysis), która mapuje każdy tryb na konsekwencje i metody detekcji.

Każdy tryb uszkodzenia ma symptomy. One są kluczem dla danych. Zużycie łożysk często ujawnia się wzrostem energii drgań i temperatury Zużycie łożysk często ujawnia się wzrostem energii drgań i temperatury – wykrywalnym przez analizę drgań (vibration analysis) i termografię, kawitacja zmiennością ciśnienia i przepływu przy określonych warunkach ssania, fouling spadkiem ΔT w relacji do przepływu i temperatur wejściowych, zapchanie filtra wzrostem ΔP. Ta sekwencja – od funkcji przez tryb uszkodzenia do symptomu i decyzji – odzwierciedla logikę krzywej P-F (P-F curve), gdzie celem jest wykrycie degradacji w interwale P-F zanim nastąpi awaria funkcjonalna.

Jeżeli symptomy są zdefiniowane w tym języku, wybór cech staje się prosty: cechy mają mierzyć dokładnie te zjawiska.

CBM jako rytm: stan, trend, epizody i okna czasowe

CBM działa w oknach czasu, które są sensowne dla decyzji UR. CBM działa w oknach czasu, które są sensowne dla decyzji UR – a te okna definiują rozdzielczość czasową feature extraction. Dla części urządzeń liczy się reakcja w minutach, dla innych w godzinach lub w skali zmiany. Okno czasowe warto dobrać do dynamiki degradacji i do tego, jak wygląda praktyka interwencji. W danych oznacza to, że cechy liczy się w oknach, a nie na pojedynczych próbkach: kwadrans, pół godziny, godzina, zmiana – zależnie od procesu.

CBM opiera się też na stanach: normalny, pogorszony, krytyczny. Te stany wynikają z poziomu sygnału, jego zmienności, trendu oraz czasu spędzanego poza akceptowalnym zakresem. CBM opiera się też na stanach: normalny, pogorszony, krytyczny. Te stany wynikają z poziomu sygnału sensorowego, jego zmienności, trendu oraz czasu spędzanego poza akceptowalnym zakresem – co w terminologii machine learning stanowi problem klasyfikacji. Dokładnie te elementy powinny znaleźć się w cechach.

Najważniejszy krok techniczny: segmentacja trybów pracy

W sygnałach przemysłowych to, co wygląda jak anomalia, bardzo często jest po prostu zmianą trybu pracy. Rozruch, postój, przezbrojenie, stabilna produkcja i praca w różnych zakresach obciążenia mają inne charakterystyki prądów, temperatur, ciśnień i drgań. Bez segmentacji model „uczy się” trybów pracy, a degradacja ginie w tle.

Segmentację robi się na podstawie statusów PLC, sygnałów RUN/STOP, poziomów obciążenia z systemów SCADA lub czujników IoT, a czasem identyfikacji receptury lub rodzaju produktu. W praktyce wycina się fragmenty stabilnej pracy, a rozruchy i postoje traktuje jako osobne kategorie zdarzeń. Taki podział ma też sens dla UR: symptomy ocenia się w porównywalnych warunkach.

Cechy, które dobrze odpowiadają na symptomy z RCM

Pierwsza grupa cech opisuje zachowanie sygnału w oknie – to, co bywa nazywane statistical feature extraction: średnia i mediana, min/max, rozstęp, odchylenie standardowe, RMS. W wielu przypadkach degradacja zaczyna się od wzrostu zmienności i „nerwowości” sygnału, zanim zmieni się jego średni poziom. Dlatego odchylenie standardowe i percentyle bywają cenniejsze niż sama średnia.

Druga grupa dotyczy trendu i tempa zmian. Nachylenie trendu w oknie, średnia wartość bezwzględnej zmiany między próbkami, liczba gwałtownych skoków czy czas narastania do określonego poziomu. UR często rozpoznaje problemy właśnie po tym, że coś „zaczęło rosnąć szybciej” albo „częściej dobija do granicy”.

Trzecia grupa to cechy epizodów i przekroczeń: ile czasu sygnał spędza powyżej progu, ile razy przekracza próg, jaka jest długość najdłuższego epizodu, ile czasu minęło od ostatniego przekroczenia. To jest bezpośrednie przełożenie praktyki CBM na dane: progi i czas poza zakresem są podstawą wielu decyzji.

Czwarta grupa daje największy zwrot w przemysłowych danych: relacje między sygnałami i odchylenie od normalnego zachowania przy tych samych warunkach. Wiele usterek objawia się zmianą sprawności, a nie zmianą pojedynczego parametru. W pompach typowym wzorcem jest wzrost poboru mocy przy spadku przepływu lub zmianie ΔP. W wymiennikach pojawia się spadek ΔT w relacji do przepływu. W sprężarkach rośnie energia na jednostkę wydajności. Takie zależności najlepiej opisują cechy typu przepływ/moc, ΔP/przepływ, ΔT/przepływ, korelacje w oknie i opóźnienia między sygnałami.

Szczególnie praktyczne są tzw. residual features. Buduje się prosty model „normalnej pracy” – na przykład z użyciem regresji lub lekkiej sieci neuronowej – który przewiduje oczekiwany przepływ jako funkcję mocy i ΔP dla stabilnych okresów, a potem liczy błąd od tego modelu. W bardziej zaawansowanych konfiguracjach podobną rolę pełnią autoencodery – uczą się skompresowanej reprezentacji normalnego zachowania i flagują błędy rekonstrukcji jako anomalie.

Jakość danych jako element niezawodności: spójne okna i jawne zasady

RCM i CBM zakładają powtarzalność i możliwość wyjaśnienia decyzji. W danych przekłada się to na spójną oś czasu i kontrolę jakości. Sygnały mają różne częstotliwości próbkowania, zdarzają się braki komunikacji i resety. Dane trzeba sprowadzić do wspólnego rytmu: resampling (z odpowiednią normalizacją) do jednej siatki albo agregacja do okien, a każde okno powinno mieć informację o jakości (np. procent braków, liczba podejrzanych punktów). Okna o słabej jakości warto oznaczać i w uczeniu traktować ostrożnie, zamiast „naprawiać” je na siłę.

Etykiety awarii w zgodzie z RCM: co przewidywać i kiedy

Predykcja ma sens, gdy cel jest jasno zdefiniowany. RCM naturalnie kieruje uwagę na moment, w którym urządzenie zaczyna tracić zdolność do pełnienia funkcji, zanim nastąpi awaria funkcjonalna. W praktyce sprawdzają się dwa podejścia startowe: estymacja remaining useful life (RUL) w horyzoncie czasu (np. 7/14/30 dni) oraz klasyfikacja stanu pogorszonego na podstawie progów CBM i historii interwencji. Etykiety pochodzą z CMMS, historii przestojów i notatek UR, a potem mapuje się je na oś czasu. Ta dyscyplina podziału train-test – zapobieganie data leakage na granicy temporalnej – jest tym, co odróżnia wiarygodne modele od tych, które dobrze wypadają w backtestach, ale zawodzą w produkcji.

Jak to wdrażać w Smart RDM praktycznie

W Smart RDM proces zwykle zaczyna się od uporządkowania obiektów i sygnałów w modelu, zdefiniowania trybów pracy i warunków porównywalnych, a następnie uruchomienia liczenia cech w oknach czasowych. Na tym fundamencie buduje się scoring ryzyka oraz mechanizmy wspierające CBM: alarmy, priorytety, checklisty i pętlę uczenia poprzez feedback z UR. Z czasem model „normalnego zachowania” jest doprecyzowywany – adaptując się do model drift i zmieniających się warunków procesowych – a cechy residual i relacyjne stają się centralnym elementem diagnostyki.

Podsumowanie

RCM i CBM upraszczają feature engineering, bo narzucają logikę: krytyczne tryby uszkodzeń, mierzalne symptomy, porównywalne tryby pracy i decyzje operacyjne. Największą wartość w danych przemysłowych dają cechy oparte o zmienność, trend, epizody przekroczeń oraz relacje między sygnałami, a szczególnie odchylenie od normalnego zachowania w tych samych warunkach. Taki zestaw cech daje modele machine learning, które są stabilniejsze, łatwiejsze do wyjaśnienia i bliższe temu, jak utrzymanie ruchu faktycznie diagnozuje problemy.