Artikel

Analisis prediktif ing pencegahan kacilakan ing sistem kompleks

Analitik prediktif bisa ndhukung manajemen risiko kanthi ngenali ing ngendi kegagalan bisa kedadeyan lan apa sing bisa ditindakake kanggo nyegah.

Daftar Isi

Perkiraan wektu maca: 6 menit

Konteks

Perusahaan ngasilake jumlah data sing saya tambah akeh sing ana gandhengane karo operasi bisnis, nyebabake minat anyar ing analytics prediktif, lapangan sing nganalisa set data gedhe kanggo ngenali pola, prédhiksi asil lan nuntun keputusan. Perusahaan uga ngadhepi macem-macem risiko operasional sing rumit lan terus berkembang sing kudu diidentifikasi lan dikurangi kanthi proaktif. Nalika akeh perusahaan wiwit nggunakake analytics prediktif kanggo ngenali kesempatan marketing / sales, strategi sing padha kurang umum ing manajemen risiko, kalebu keamanan.

Algoritma klasifikasi, kelas umum analitik prediktif, bisa migunani utamane kanggo industri panyulingan lan petrokimia kanthi prédhiksi wektu lan lokasi kedadeyan safety adhedhasar data inspeksi lan pangopènan sing gegandhengan karo safety, minangka indikator utama. Ana rong tantangan utama sing digandhengake karo metode iki: (1) mesthekake yen indikator utama sing diukur bener-bener prediksi kacilakan lan (2) ngukur indikator utama cukup kerep kanggo duwe nilai prediktif.

Metodologi

Nggunakake data inspeksi sing dianyari kanthi rutin, model bisa digawe nggunakake regresi logistik. Kanthi cara iki sampeyan bisa nggawe model, contone, kanggo prédhiksi kemungkinan gagal rel kanggo saben mil trek. Kemungkinan bisa dianyari minangka data tambahan diklumpukake.

Saliyane kemungkinan prediksi kegagalan rel, kanthi model sing padha, kita bisa ngenali variabel kanthi validitas prediktif sing luwih gedhe (sing nyumbang banget kanggo kegagalan rel). Nggunakake asil model, sampeyan bakal bisa ngenali persis ing ngendi fokus pangopènan, pengawasan lan sumber daya dandan modal lan faktor apa sing kudu ditangani sajrone kegiatan kasebut.

Metodologi sing padha bisa digunakake ing industri pemurnian lan petrokimia kanggo ngatur risiko kanthi prédhiksi lan nyegah kacilakan, yen organisasi:

Ngenali indikator utama kanthi validitas prediktif;
Dheweke kanthi rutin ngukur indikator utama (data inspeksi, pangopènan lan peralatan);
Padha nggawe sistem prediksi model adhedhasar indikator sing diukur;
Nganyari model nalika data dikumpulake;
Gunakake temuan kanggo prioritas pangopènan, inspeksi lan proyek dandan modal lan mriksa proses / praktik operasional;

Analisis Prediktif

Analitik prediktif minangka lapangan jembar sing nyakup aspek saka macem-macem disiplin, kalebu sinau mesin,intelijen buatan, statistik lan data mining. Analitik prediktif nemokake pola lan tren ing set data gedhe. Salah sawijining jinis analytics prediktif, algoritma klasifikasi, bisa uga migunani kanggo industri pemurnian lan petrokimia.

Algoritma klasifikasi bisa diklasifikasikake minangka pembelajaran mesin sing diawasi. Kanthi sinau sing diawasi, pangguna duwe set data sing kalebu pangukuran variabel prediktif sing bisa disambungake karo asil sing dikenal. Ing model sing dibahas ing bagean studi kasus artikel iki, macem-macem pangukuran trek (contone, lengkungan, nyebrang) dijupuk sajrone wektu kanggo saben mil trek. Asil sing dikawruhi, ing kasus iki, yaiku apa ana kegagalan trek ing saben mil rel sajrone rong taun kasebut.

Algoritma Pemodelan

Algoritma pemodelan sing cocok banjur dipilih lan digunakake kanggo nganalisa data lan ngenali hubungan antarane ukuran variabel lan asil kanggo nggawe aturan prediktif (model). Sawise digawe, model diwenehi dataset anyar sing ngemot pangukuran variabel prediktor lan asil sing ora dingerteni lan banjur bakal ngetung kemungkinan asil adhedhasar aturan model kasebut. Iki dibandhingake karo jinis pembelajaran sing ora diawasi, ing ngendi algoritma ndeteksi pola lan tren ing dataset tanpa arah tartamtu saka pangguna, kajaba algoritma sing digunakake.

Algoritma klasifikasi umum kalebu regresi linier, regresi logistik, wit keputusan, jaringan saraf, dhukungan vektor / mesin diskriminan fleksibel, klasifikasi Bayes naif, lan liya-liyane. Regresi linier nyedhiyakake conto prasaja babagan cara kerja algoritma klasifikasi. Ing regresi linier, garis paling pas diwilang adhedhasar titik data sing ana, menehi persamaan garis ay = mx + b. Ngetik variabel sing dikenal (x) menehi prediksi kanggo variabel sing ora dingerteni (y).

Sebagéyan gedhé hubungan antara variabel ing donya nyata ora linier, nanging wanguné rumit lan ora teratur. Mulane, regresi linear asring ora migunani. Algoritma klasifikasi liyane bisa nggawe model hubungan sing luwih rumit, kayata hubungan curvilinear utawa logaritmik. Contone, algoritma regresi logistik bisa nggawe model hubungan sing kompleks, bisa nggabungake variabel non-numerik (umpamane, kategori), lan asring bisa nggawe model sing nyata lan valid kanthi statistik. Output khas model regresi logistik yaiku kemungkinan prediksi saka asil / acara sing kedadeyan. Algoritma klasifikasi liyane nyedhiyakake output sing padha karo regresi logistik, nanging input sing dibutuhake beda ing antarane algoritma.

Manajemen risiko

Modeling sesambetan komplèks utamané migunani ing manajemen risiko, ing ngendi risiko biasane diprioritasake adhedhasar kemungkinan lan keruwetan potensial saka asil tartamtu. Modeling faktor risiko sing nyumbang kanggo asil kasebut ngasilake perkiraan sing tepat lan valid kanthi statistik babagan kemungkinan asil kasebut. Ing kontras, akeh taksiran risiko ngukur "kemungkinan" ing skala kategoris (sapisan dasawarsa, sapisan taun, kaping pirang-pirang taun), kang kurang tepat, liyane subyektif, lan ndadekake iku ora bisa kanggo mbedakake antarane risiko ana ing resiko. kategori amba padha. Ana Techniques liyane kanggo quantifiably netepke potensial keruwetan ing Assessment resiko, nanging iki ngluwihi orane katrangan saka artikel iki.