लेख

एक जटिल प्रणाली मा दुर्घटना रोकथाम मा भविष्यवाणी विश्लेषण

भविष्यवाणी गर्ने विश्लेषणले जोखिम व्यवस्थापनलाई मद्दत गर्न सक्छ जहाँ असफलताहरू हुन सक्ने सम्भावना छ र तिनीहरूलाई रोक्न के गर्न सकिन्छ।

सामग्रीको तालिका

अनुमानित पढ्ने समय: 6 मिनुटी

प्रस्ग

कम्पनीहरूले व्यापार अपरेसनहरूसँग सम्बन्धित डाटाको बढ्दो मात्रामा उत्पन्न गर्दैछन्, जसले भविष्यवाणी गर्ने विश्लेषणहरूमा नयाँ चासो निम्त्याउँछ, एउटा क्षेत्र जसले ढाँचाहरू पहिचान गर्न, परिणामहरूको भविष्यवाणी गर्न र निर्णय लिने मार्गनिर्देशन गर्न ठूलो डेटा सेटहरूको विश्लेषण गर्दछ। कम्पनीहरूले पनि जटिल र सँधै विस्तार हुने परिचालन जोखिमहरूको सामना गर्छन् जसलाई सक्रिय रूपमा पहिचान र न्यूनीकरण गर्न आवश्यक छ। धेरै कम्पनीहरूले मार्केटिङ/बिक्री अवसरहरू पहिचान गर्न भविष्यवाणी गर्ने विश्लेषणहरू प्रयोग गर्न थालेका छन्, सुरक्षा सहित जोखिम व्यवस्थापनमा समान रणनीतिहरू कम सामान्य छन्।

वर्गीकरण एल्गोरिदमहरू, भविष्यवाणी गर्ने विश्लेषणको सामान्य वर्ग, सुरक्षा-सम्बन्धित निरीक्षण र मर्मत डेटा, अनिवार्य रूपमा प्रमुख सूचकहरूमा आधारित सुरक्षा घटनाहरूको समय र स्थानको भविष्यवाणी गरेर परिष्कृत र पेट्रोकेमिकल उद्योगहरूको लागि विशेष रूपमा उपयोगी हुन सक्छ। यस विधिसँग सम्बन्धित दुई मुख्य चुनौतिहरू छन्: (१) मापन गरिएका प्रमुख सूचकहरू वास्तवमा क्र्यासको भविष्यवाणी गर्ने र (२) अग्रगामी सूचकहरूलाई पर्याप्त मात्रामा भविष्यवाणी गर्ने मूल्य भएको सुनिश्चित गर्ने।

मेटोडोलिया

नियमित रूपमा अद्यावधिक गरिएको निरीक्षण डेटा प्रयोग गरेर, एउटा लजिस्टिक रिग्रेसन प्रयोग गरेर मोडेल सिर्जना गर्न सकिन्छ। यस तरिकाले तपाईले एउटा मोडेल सिर्जना गर्न सक्नुहुन्छ, उदाहरणका लागि, ट्र्याकको प्रत्येक माइलको लागि रेल विफलताको सम्भावना भविष्यवाणी गर्न। सम्भाव्यताहरू अद्यावधिक हुन सक्छ किनकि थप डाटा सङ्कलन गरिन्छ।

रेल विफलताको अनुमानित सम्भाव्यताहरूको अतिरिक्त, एउटै मोडेलको साथ हामी अधिक भविष्यवाणी वैधताका साथ चरहरू पहिचान गर्न सक्छौं (जसले रेल विफलतामा महत्त्वपूर्ण योगदान दिन्छ)। मोडेल नतिजाहरू प्रयोग गरेर, तपाईं मर्मत, निरीक्षण र पूंजी सुधार स्रोतहरू र यी गतिविधिहरूको समयमा सम्बोधन गर्ने कारकहरू कहाँ केन्द्रित गर्ने भनेर ठ्याक्कै पहिचान गर्न सक्षम हुनुहुनेछ।

एउटै विधि प्रशोधन र पेट्रोकेमिकल उद्योगहरूमा दुर्घटनाहरूको भविष्यवाणी र रोकथाम गरेर जोखिमहरू व्यवस्थापन गर्न प्रयोग गर्न सकिन्छ, प्रदान गरिएको संगठनहरू:

भविष्यवाणी वैधता संग प्रमुख संकेतकहरू पहिचान;
तिनीहरू नियमित रूपमा प्रमुख संकेतकहरू (निरीक्षण, मर्मत र उपकरण डेटा) मापन गर्छन्;
तिनीहरूले मापन संकेतकहरूमा आधारित मोडेल भविष्यवाणी प्रणाली सिर्जना गर्छन्;
डाटा सङ्कलन भएपछि मोडेल अपडेट गर्नुहोस्;
मर्मत, निरीक्षण र पूँजी सुधार परियोजनाहरूलाई प्राथमिकता दिन र परिचालन प्रक्रिया/अभ्यासहरूको समीक्षा गर्न निष्कर्षहरू प्रयोग गर्नुहोस्;

भविष्यवाणी विश्लेषण

भविष्यवाणी विश्लेषण एक फराकिलो क्षेत्र हो जसले मेसिन लर्निंग सहित विभिन्न विषयहरूका पक्षहरूलाई समेट्छ,कृत्रिम बुद्धिमत्ता, तथ्याङ्क र डाटा खनन। भविष्यवाणी गर्ने विश्लेषणले ठूला डेटा सेटहरूमा ढाँचाहरू र प्रवृत्तिहरू उजागर गर्दछ। एक प्रकारको भविष्यवाणी विश्लेषण, वर्गीकरण एल्गोरिदम, विशेष गरी परिष्कृत र पेट्रोकेमिकल उद्योगहरूको लागि लाभदायक हुन सक्छ।

वर्गीकरण एल्गोरिदमलाई पर्यवेक्षित मेसिन लर्निङको रूपमा वर्गीकृत गर्न सकिन्छ। पर्यवेक्षित सिकाइको साथ, प्रयोगकर्तासँग एक डेटासेट छ जसमा भविष्यवाणी गर्ने चरहरूको मापन समावेश छ जुन ज्ञात परिणामहरूसँग लिङ्क गर्न सकिन्छ। यस लेखको केस स्टडी सेक्सनमा छलफल गरिएको मोडेलमा, ट्र्याकको प्रत्येक माइलको अवधिमा विभिन्न ट्र्याक मापनहरू (जस्तै वक्रता, क्रसिङहरू) लिइयो। ज्ञात नतिजा, यस अवस्थामा, त्यो दुई-वर्षको अवधिमा प्रत्येक रेल माइलमा ट्र्याक विफलता भयो।

मोडलिङ एल्गोरिथ्म

उपयुक्त मोडलिङ एल्गोरिथ्म त्यसपछि चयन गरिन्छ र डेटा विश्लेषण गर्न र चर मापन र परिणामहरू बीचको सम्बन्ध पहिचान गर्न भविष्यवाणी गर्ने नियमहरू (एक मोडेल) सिर्जना गर्न प्रयोग गरिन्छ। एक पटक सिर्जना गरिसकेपछि, मोडेललाई अज्ञात भविष्यवाणी चर र नतिजाहरूको मापन भएको नयाँ डेटासेट दिइन्छ र त्यसपछि मोडेलको नियमहरूमा आधारित परिणामको सम्भावनाको गणना गर्नेछ। यसलाई असुरक्षित सिकाइका प्रकारहरूसँग तुलना गरिन्छ, जहाँ एल्गोरिदमले प्रयोग गरिएको एल्गोरिदम बाहेक प्रयोगकर्ताबाट कुनै विशेष निर्देशन बिना डेटासेटमा ढाँचा र प्रवृत्तिहरू पत्ता लगाउँदछ।

सामान्य वर्गीकरण एल्गोरिदमहरूमा रैखिक प्रतिगमन, लजिस्टिक रिग्रेसन, निर्णय रूख, न्यूरल नेटवर्क, समर्थन भेक्टर/लचिलो भेदभाव मेसिन, भोली बेज वर्गीकरणकर्ता, र अन्य धेरै समावेश छन्। रैखिक प्रतिगमनले वर्गीकरण एल्गोरिथ्मले कसरी काम गर्छ भन्ने सरल उदाहरण प्रदान गर्दछ। रैखिक प्रतिगमनमा, अवस्थित डेटा बिन्दुहरूको आधारमा उत्तम फिट लाइन गणना गरिन्छ, रेखा समीकरण ay = mx + b दिएर। ज्ञात चर (x) प्रविष्ट गर्दा अज्ञात चर (y) को लागि भविष्यवाणी प्रदान गर्दछ।

वास्तविक संसारमा चरहरू बीच धेरै सम्बन्धहरू रैखिक छैनन्, तर जटिल र अनियमित आकारको। त्यसैले, रैखिक प्रतिगमन अक्सर उपयोगी छैन। अन्य वर्गीकरण एल्गोरिदमहरू अधिक जटिल सम्बन्धहरू मोडेल गर्न सक्षम छन्, जस्तै वक्र वा लगरिथमिक सम्बन्धहरू। उदाहरणका लागि, एक लजिस्टिक रिग्रेसन एल्गोरिदमले जटिल सम्बन्धहरू मोडेल गर्न सक्छ, गैर-संख्यात्मक चरहरू (जस्तै, कोटीहरू) समावेश गर्न सक्छ, र प्रायः यथार्थपरक र सांख्यिकीय रूपमा मान्य मोडेलहरू सिर्जना गर्न सक्छ। लजिस्टिक रिग्रेसन मोडेलको सामान्य आउटपुट परिणाम/घटना हुने अनुमानित सम्भाव्यता हो। अन्य वर्गीकरण एल्गोरिदमहरूले लजिस्टिक रिग्रेसनमा समान आउटपुट प्रदान गर्दछ, तर आवश्यक इनपुटहरू एल्गोरिदमहरू बीच फरक हुन्छन्।

जोखिम व्यवस्थापन

जटिल सम्बन्धहरूको मोडलिङ जोखिम व्यवस्थापनमा विशेष रूपमा उपयोगी हुन्छ, जहाँ जोखिमलाई विशेष परिणामको सम्भावना र सम्भावित गम्भीरताको आधारमा प्राथमिकता दिइन्छ। त्यस नतिजामा योगदान गर्ने जोखिम कारकहरूको मोडलिङ गर्दा परिणामको सम्भाव्यताको सटीक र सांख्यिकीय रूपमा मान्य अनुमान हुन्छ। यसको विपरित, धेरै जोखिम मूल्याङ्कनहरूले "सम्भाव्यता" लाई वर्गीय मापन (दशकमा एक पटक, वर्षमा एक पटक, वर्षमा धेरै पटक) मापन गर्दछ, जुन कम सटीक, अधिक व्यक्तिपरक हुन्छ, र जोखिममा रहेका जोखिमहरू बीचको भिन्नता छुट्याउन असम्भव बनाउँछ। समान व्यापक वर्ग। जोखिम मूल्याङ्कनमा सम्भावित गम्भीरतालाई परिमाणात्मक रूपमा मूल्याङ्कन गर्ने अन्य प्रविधिहरू छन्, तर यो यस लेखको दायराभन्दा बाहिर छ।