הכירו: האלגוריתם שחוזה תקלות במנועי הצוללות והספינות בחיל הים

"בעזרת פרויקט לימוד מכונה ומדע נתונים שעשינו, הצלחנו לשפר את יכולת החיזוי לתקלות במנועים של צוללות וספינות בחיל", כך אמרה רב-סרן ויקי, ראש מדור פיתוח צוללות, מפת"ח, זרוע הים.

רס"ן ויקי דיברה ביומה השני של ועידת יערות הכרמל 2020, שערכה בינת תקשורת ומחשבים. הוועידה, בהפקת אנשים ומחשבים, דנה באתגרי התקשוב במגזר הביטחוני והתקיימה בשבוע שעבר, בהשתתפות מאות מלקוחות בינת ושותפיה העסקיים. את הכנס, הנערך זו השנה השמינית, הנחה עיתונאי חדשות 12 דני קושמרו.

"עמית שלי בעבודה שהה על ספינה והוטרד מהרעש שהיה במנוע שלה", אמרה, "והחלטתי להיכנס לתחום אחזקת מנועים, הדומה לעולם אחזקת המכוניות. יש כמה סוגי אחזקה. האחד – אחזקה מונעת, שבו מבוצע טיפול עונתי במכונית מדי 10-20 אלף ק"מ. אחזקה מונעת לא מונעת את כל התקלות. הסוג השני הוא אחזקת שבר – שבה, כשלא הצלחנו למנוע תקלה, יש לטפל בה כשהיא אירעה. אלא שבעולם הספינות זה מעט יותר בעייתי. הספינה התקולה מושבתת, והמשימות שהוטלו עליה עוברות לספינות אחרות. הטיפול עלול להיות ארוך אם מחכים לחלף מחו"ל ויש לשחררו מהמכס. חיפשתי פתרון קסם בין שני סוגי האחזקות הללו, לחיזוי התקלות".

אחזקה חזויה, סיפרה רס"ן ויקי, "החלה בנאס"א בשנות ה-90', כשהם הבינו שמפסידים כסף. אחד המהנדסים לקח מאה מנועי חלליות, אסף נתונים ומצא כי מתוך המאה רק ארבעה מנועים נדרשו לטיפול אחזקה מונעת, השאר היו 'בריאים'. הם החלו לחקור את התחום, בנו מודלים פיזיקליים ושיפרו את היקף גילוי התקלות".

בשל הצורך במהנדס מכונות המתמחה ברעידות, ובהיעדר מישהו שכזה שיהיה פנוי, אמרה, "החלטתי לבחור בדרך אחרת, שאינה מודל פיזיקלי. בניתי מודל חיזוי תקלות מבוסס לימוד מכונה ומדע נתונים. בחרתי בלימוד מכונה כדי שאכתוב את החוקים בהתחלה עם מהנדסי מכונות, מומחים בתחומים ספציפיים, וגם כי הנתונים עשויים לספק תובנות טובות יותר מהמהנדס. לאחר מכן יכולתי להמשיך לכתוב את החוקים לבד, בהתבסס על נתונים. הנתונים הם אלה ש'קבעו' את החוקים וזה הקל עלי. בחרתי בשתי שיטות לימוד מכונה, אחת מהן היא Unsupervised learning, המסייעת למצוא דפוסי התנהגות לא ידועים מראש, בלא להתוות תוויות ותבניות מראש. בדרך זו יש זיהוי של אנומליות, שנותן יכולת התראה בטרם תקלה. הכנסתי המון נתונים עם זיהוי, כי ככל שיש יותר זיהוי – המכונה לומדת יותר, והאלגוריתם הופך למדויק יותר".

"בפרויקט מדע נתונים", אמרה רס"ן ויקי, "נדרש לעשות שלושה דברים. האחד, חיישנים. בניגוד לפרויקטי מדע נתונים אחרים, שבהם ניתן לאסוף עוד נתונים מהרשת, אצלי יש נתונים המגיעים רק מחיישנים. דבר שני שנדרש הוא מערך נתונים, Dataset. למזלי, נאס"א אספו נתונים על מנועים 30 שנים לאחור. הדבר השלישי הוא מה רוצים למצוא בסוף. השאלה שעליה יש לענות היא 'עוד כמה זמן המנוע הולך להתקלקל?'. לכן חשוב שיהיה Remaining useful life) RUL), כדי לקבוע מהי הבעיה בטרם ניגשים לפתרון. עוד נדרש לעשות הנדסת רכיבים, להביט על מערך הנתונים, ולבחור את הרכיבים שלהם יכולת חיזוי גבוהה, על מנת להגדיל את הדיוק. עוד יש לערוך מיטוב של היפר-פרמטרים. נדרש גם לאזן את הסיווגים. יש בעיה: יש הרבה נתונים על המנועים התקינים, כיוון שהם עברו טיפול, ומעט נתונים על המנועים המקולקלים. לכן בפרויקטים של אחזקה חזויה צריך לעשות איזון סיווגים. למשל, לרווח את טיפולי האחזקה ואז להרוויח נתונים בחינם".

היא ציינה, כי "בין שני מושגים – דיוק וריקול (החזרה), יש סתירה. לכן בהגדרת עולם הבעיה, מגדירים על מה אפשר להתפשר. במקרה של הפרויקט שלי, עדיף מצב שבו יש יותר התראות שווא על פני תקלה במנוע של ספינה בלב ים".

"פרויקט מדע נתונים יכול להימשך לנצח, עד שאחוז הדיוק יהיה מספק", סיכמה רס"ן ויקי, "שימו לב שיש לצאת לעולם האמיתי כמה שיותר מהר, כי אז תגלו תקלות שלא הכרתם. כמות הנתונים היא קריטית: ככל שיהיו נתונים איכותיים, כך יגדל אחוז הדיוק. חפשו מנועים תקולים, או נתונים על מנועים לא תקינים. לימוד מכונה עדיף במקרה זה על מודלים פיזיקליים: הוא לא מגיע עם הנחות מוקדמות, אלא מביט על הנתונים ולא מניח איך המנוע צריך לפעול. בשל היות הארגון ספקני – נדרש לרתום את המשתמשים העתידיים. אחזקה חזויה מבוססת לימוד מכונה זה לא משהו עתידי – זה כבר כאן ועכשיו".