Blockwise Joint Conformal Prediction for Simultaneous Multi-Component Condition Monitoring of Hydraulic Systems

औद्योगिक मशीनरी की छिपी हुई दुनिया में, एक हाइड्रोलिक सिस्टम पंपों, वाल्वों और तरल रेखाओं का एक जटिल नेटवर्क है जो भारी उपकरणों को चलाने के लिए मिलकर काम करते हैं। मानव शरीर की तरह, इसमें कई अंग होते हैं जो एक साथ विफल हो सकते हैं, और एक एकल खराबी कारखाने को रोक सकती है या सुरक्षा संबंधी खतरा पैदा कर सकती है। इसे रोकने के लिए, इंजीनियर स्वचालित प्रणालियों का उपयोग करते हैं जो लगातार मशीन के सेंसरों को सुनते रहते हैं, ताकि आपदा बनने से पहले ही समस्या का पता लगाया जा सके। वर्षों से, ये प्रणालियाँ व्यक्तिगत भागों के स्वास्थ्य की भविष्यवाणी करने के लिए मशीन लर्निंग पर निर्भर रही हैं। हालाँकि, इस बात में एक महत्वपूर्ण कमी बनी हुई है कि इन भविष्यवाणियों पर भरोसा कैसे किया जाए। जब एक कंप्यूटर कहता है कि वह एक विशिष्ट वाल्व के स्वस्थ होने के बारे में 95 प्रतिशत आश्वस्त है, और एक पंप के स्वस्थ होने के बारे में 95 प्रतिशत आश्वस्त है, तो इसका मतलब यह नहीं है कि पूरा सिस्टम 95 प्रतिशत सुरक्षित है। एक साथ कई हिस्सों के विफल होने या समय के एक क्रम में एक हिस्से के विफल होने के जोखिम, उन तरीकों से कई गुना बढ़ जाते हैं जिन्हें साधारण प्रतिशत नहीं पकड़ सकते। इंजीनियरों को न केवल यह जानने की आवश्यकता है कि क्या कोई एकल भाग टूटने की संभावना है, बल्कि यह भी कि क्या एक विशिष्ट समय अंतराल के लिए संपूर्ण निदान कार्रवाई करने के लिए पर्याप्त विश्वसनीय है।

विश्वसनीयता का यह प्रश्न हनोई यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के एक शोधकर्ता बुई थान लैम के एक नए अध्ययन का केंद्र है। यह अध्ययन इस मौलिक दोष को संबोधित करता है कि स्वचालित नैदानिक प्रणालियाँ अपने आत्मविश्वास को कैसे रिपोर्ट करती हैं। कई औद्योगिक सेटिंग्स में, एक मशीन संचालन के बार-बार दोहराए जाने वाले चक्रों से गुजरती है। रखरखाव का निर्णय शायद ही कभी किसी एकल स्नैपशॉट पर लिया जाता है; इसके बजाय, यह समय के एक ब्लॉक, शायद दस लगातार चक्रों के दौरान कई घटकों की स्थिति पर आधारित होता है। शोधकर्ता ने यह परीक्षण करने के लिए प्रयास किया कि क्या अनिश्चितता की गणना करने के मानक तरीके इस जटिलता को संभाल सकते हैं। मानक दृष्टिकोण प्रत्येक घटक को अलग से मानता है, वाल्व के लिए एक आत्मविश्वास स्कोर देता है, पंप के लिए दूसरा, और इसी तरह। अध्ययन दर्शाता है कि जब इसे पूरे सिस्टम पर लागू किया जाता है, तो यह तरीका विफल हो जाता है। यदि आपके पास चार घटक हैं और आप प्रत्येक के बारे में व्यक्तिगत रूप से 95 प्रतिशत आश्वस्त हैं, तो इस बात की संभावना कि आप उन चारों के बारे में एक ही समय में सही हैं, काफी गिरकर लगभग 82 प्रतिशत हो जाती है। यदि आप उस आवश्यकता को दस चक्रों तक बढ़ाते हैं, तो संपूर्ण निदान की विश्वसनीयता गिरकर 50 प्रतिशत से भी कम हो जाती है।

इसे हल करने के लिए, शोधकर्ता ने इन नैदानिक प्रणालियों को कैलिब्रेट करने का एक नया तरीका विकसित किया। प्रत्येक भाग की आइसोलेशन (अलगाव) में आत्मविश्वास की जाँच करने के बजाय, नई विधि संचालन के पूरे "ब्लॉक" को एक एकल इकाई के रूप में देखती है। कल्पना करें कि एक ब्लॉक मशीन के जीवन का एक पूर्ण दस-सेकंड का स्नैपशॉट है, जिसमें सभी चार घटकों का डेटा शामिल है। यह विधि उस ब्लॉक के भीतर किसी भी घटक से सबसे खराब स्थिति वाली त्रुटि (worst-case error) को लेने और उसका उपयोग पूरे समूह के लिए सुरक्षा सीमा निर्धारित करने के लिए करके काम करती है। इस दृष्टिकोण का परीक्षण एक हाइड्रောက် टेस्ट रिग का उपयोग करके किया गया था, जो क्षेत्र में एक मानक बेंचमार्क है जो विभिन्न दोष स्थितियों का अनुकरण करता है। डेटा में 1,440 स्थिर ऑपरेटिंग चक्र शामिल थे, जिन्हें 144 अलग-अलग ब्लॉकों में व्यवस्थित किया गया था जो घटकों के स्वास्थ्य के विभिन्न संयोजनों का प्रतिनिधित्व करते थे। शोधकर्ता ने इस डेटा को प्रशिक्षण, अंशांकन (कैलिब्रेशन), और परीक्षण समूहों में विभाजित किया, और परिणामों को मजबूत बनाने के लिए प्रयोग को तीस बार चलाया।

परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने पुराने, अलग-अलग-घटक पद्धति का उपयोग किया, तो सिस्टम का 95 प्रतिशत विश्वसनीयता का दावा एक भ्रम था। वास्तव में, सिस्टम ने चक्रों के लगभग 82 प्रतिशत में मशीन की पूरी स्थिति को सही ढंग से पहचाना, और इसने दस-चक्र के पूरे ब्लॉक को कवर करने में लगभग आधे मामलों में विफलता दर्ज की। इस नई ब्लॉक-आधारित विधि को अपनाकर, शोधकर्ताओं ने घोषित विश्वसनीयता को बहाल कर दिया। अब सिस्टम ने एक प्रकार के मॉडल के लिए 99 प्रतिशत चक्रों में मशीन की पूरी स्थिति को सही ढंग से पहचाना और दस-चक्र के पूरे ब्लॉक को 97 प्रतिशत मामलों में कवर किया, और दूसरे मॉडल के लिए 95 प्रतिशत मामलों में। सिस्टम ने आखिरकार अपने 95 प्रतिशत आत्मविश्वास के वादे को पूरा किया, लेकिन केवल इसलिए क्योंकि इसने हिस्सों को अलग-अलग देखने के बजाय पूरे चित्र को देखना शुरू कर दिया।

हालाँकि, इस बढ़ी हुई विश्वसनीयता के साथ एक लागत भी आई, जिसे अध्ययन ने सावधानीपूर्वक मापा। यह गारंटी देने के लिए कि सिस्टम पूरे ब्लॉक के बारे में सही है, कंप्यूटर को ठीक-ठीक यह बताने में कम विशिष्ट होना पड़ा कि मशीन किस स्थिति में है। पुराने तरीके में, सिस्टम केवल कुछ संभावित परिदृश्यों तक सीमित हो सकता था। नए, सुरक्षित तरीके में, सिस्टम को अक्सर यह सुनिश्चित करने के लिए कई अधिक संभावनाओं को सूचीबद्ध करना पड़ा कि वह सत्य को मिस न कर दे। परीक्षण किए गए मॉडलों में से एक के लिए, संभावित सिस्टम अवस्थाओं की सूची एक प्रबंधनीय संख्या से बढ़कर लगभग संपूर्ण ब्रह्मांड की संभावनाओं के करीब पहुँच गई, जो प्रभावी रूप से यह कह रही थी कि "कुछ भी हो सकता है" ताकि सुरक्षित रहा जा सके। दूसरे मॉडल के लिए, सूची बहुत अधिक मध्यम रूप से बढ़ी, जो एक उपयोगी सीमा के भीतर रही। यह एक महत्वपूर्ण ट्रेड-ऑफ (समझौता) को उजागर करता है: आपके पास सुरक्षा की गारंटी हो सकती है, या एक बहुत ही विशिष्ट अनुमान हो सकता है, लेकिन दोनों को प्राप्त करना कठिन है। अध्ययन ने पाया कि अंतर्निहित कंप्यूटर मॉडल का चुनाव बहुत मायने रखता था; एक अधिक जटिल मॉडल ने उच्च सुरक्षा गारंटी बनाए रखते हुए भी अधिक सटीक और उपयोगी संभावनाओं की सूचियाँ प्रदान कीं, जबकि एक सरल मॉडल ने ऐसी व्यापक सूचियाँ बनाईं जो लगभग बेकार थीं।

अध्ययन ने अस्थिर डेटा—उन चक्रों को लागू करके जहाँ मशीन अभी तक स्थिर अवस्था में नहीं आई थी—पर इस नई विधि की सीमाओं का भी परीक्षण किया। यह एक सामान्य वास्तविक दुनिया का परिदृश्य है जहाँ मशीन स्टार्ट-अप हो रही होती है या अपनी गति बदल रही होती है। जब शोधकर्ताओं ने स्थिर डेटा से प्राप्त सुरक्षा गारंटी को इन अस्थिर चक्रों पर लागू किया, तो सिस्टम का प्रदर्शन गिर गया। ब्लॉक-आधारित विधि, जो स्थिर डेटा पर पूरी तरह से काम करती थी, बदलते परिवेश के सामने आने पर इसकी विश्वसनीयता काफी कम हो गई। यह निष्कर्ष एक महत्वपूर्ण चेतावनी के रूप में कार्य करता है: एक सुरक्षा गारंटी तभी मान्य होती है जब मशीन उसी तरह काम कर रही हो जैसे वह प्रशिक्षण के समय कर रही थी। यदि मशीन एक नए शासन (regime) में प्रवेश करती है, जैसे कि स्टार्टअप चरण या अचानक लोड परिवर्तन, तो पुराने सुरक्षा नंबर लागू नहीं होते हैं। सिस्टम को यह पहचानना चाहिए कि वह अपने कंफर्ट ज़ोन से बाहर है और आत्मविश्वासी दावे करना बंद कर देना चाहिए।

अंततः, यह शोध स्वचालित रखरखाव में विश्वास के बारे में हमारी सोच को बदल देता है। यह सिद्ध करता है कि आप केवल व्यक्तिगत भागों के आत्मविश्वास को जोड़कर पूरे सिस्टम का आत्मविश्वास प्राप्त नहीं कर सकते। सुरक्षित निर्णय लेने के लिए, इंजीनियरों को ठीक से परिभाषित करना होगा कि वे वास्तव में क्या सुरक्षित करने की कोशिश कर रहे हैं—एक एकल क्षण, समय का एक क्रम, या घटकों का एक विशिष्ट समूह, और अपने सिस्टम को उस परिभाषा के अनुरूप कैलिब्रेट करना होगा। यह अध्ययन एक व्यावहारिक उपकरण, एक "ब्लॉकवाइज" (blockwise) विधि प्रदान करता है, जो इंजीनियरों को आवश्यक विश्वसनीयता प्राप्त करने की अनुमति देता है, बशर्ते वे विवरणों में थोड़ी अधिक अनिश्चितता स्वीकार करने के लिए तैयार हों। यह एक याद दिलाता है कि औद्योगिक स्वचालन की जटिल दुनिया में, बड़े चित्र के बारे में सही होने के लिए छोटे हिस्सों के बारे में सही होने की तुलना में एक अलग प्रकार के गणित की आवश्यकता होती है। सुरक्षित कारखानों का मार्ग व्यक्तिगत गियरों के बारे में बेहतर अनुमान लगाने में नहीं है, बल्कि यह समझने में है कि वे समय के साथ एक साथ कैसे चलते हैं।