लेख

जटिल प्रणालीमध्ये अपघात प्रतिबंधक विश्लेषण

भविष्यसूचक विश्लेषणे कोठे अपयश येण्याची शक्यता आहे आणि ते टाळण्यासाठी काय केले जाऊ शकते हे ओळखून जोखीम व्यवस्थापनास समर्थन देऊ शकते.

सामग्री सारणी

अंदाजे वाचन वेळ: 6 मिनुती

संदर्भ

कंपन्या व्यवसाय ऑपरेशन्सशी निगडीत डेटाच्या सतत वाढत्या प्रमाणात निर्माण करत आहेत, ज्यामुळे भविष्यसूचक विश्लेषणामध्ये नवीन रूची निर्माण होते, हे क्षेत्र जे पॅटर्न ओळखण्यासाठी, परिणामांचा अंदाज लावण्यासाठी आणि निर्णय घेण्याचे मार्गदर्शन करण्यासाठी मोठ्या डेटा सेटचे विश्लेषण करते. कंपन्यांना ऑपरेशनल जोखमींच्या जटिल आणि सतत विस्तारणाऱ्या श्रेणीचा देखील सामना करावा लागतो ज्यांना सक्रियपणे ओळखणे आणि कमी करणे आवश्यक आहे. अनेक कंपन्यांनी विपणन/विक्रीच्या संधी ओळखण्यासाठी भविष्यसूचक विश्लेषणे वापरण्यास सुरुवात केली असताना, सुरक्षिततेसह जोखीम व्यवस्थापनामध्ये समान धोरणे कमी सामान्य आहेत.

वर्गीकरण अल्गोरिदम, भविष्यसूचक विश्लेषणाचा एक सामान्य वर्ग, विशेषत: परिष्कृत आणि पेट्रोकेमिकल उद्योगांसाठी सुरक्षितता-संबंधित तपासणी आणि देखभाल डेटाच्या आधारावर सुरक्षितता घटनांच्या वेळेचा आणि स्थानाचा अंदाज घेऊन उपयुक्त ठरू शकतो, मूलत: अग्रगण्य निर्देशक. या पद्धतीशी संबंधित दोन मुख्य आव्हाने आहेत: (1) मोजलेले अग्रगण्य निर्देशक प्रत्यक्षात क्रॅशचा अंदाज लावणारे आहेत याची खात्री करणे आणि (2) अग्रगण्य निर्देशकांचे वारंवार मोजमाप करणे पुरेसे आहे.

कार्यपद्धती

नियमितपणे अद्यतनित केलेल्या तपासणी डेटाचा वापर करून, लॉजिस्टिक प्रतिगमन वापरून मॉडेल तयार केले जाऊ शकते. अशा प्रकारे तुम्ही एक मॉडेल तयार करू शकता, उदाहरणार्थ, ट्रॅकच्या प्रत्येक मैलासाठी रेल्वे अपयशाच्या संभाव्यतेचा अंदाज लावण्यासाठी. अतिरिक्त डेटा संकलित केल्यामुळे संभाव्यता अद्यतनित केली जाऊ शकते.

रेल्वेच्या बिघाडाच्या अंदाजित संभाव्यतेव्यतिरिक्त, त्याच मॉडेलसह आम्ही अधिक अंदाज वैधतेसह चल ओळखू शकतो (जे रेल्वे अपयशास महत्त्वपूर्ण योगदान देतात). मॉडेलच्या परिणामांचा वापर करून, तुम्ही देखभाल, तपासणी आणि भांडवली सुधारणा संसाधनांवर लक्ष केंद्रित केले पाहिजे आणि या क्रियाकलापांदरम्यान कोणत्या घटकांवर लक्ष केंद्रित करावे हे ओळखण्यास सक्षम असाल.

हीच पद्धत रिफायनिंग आणि पेट्रोकेमिकल उद्योगांमध्ये अपघातांचा अंदाज बांधून आणि प्रतिबंधित करून जोखीम व्यवस्थापित करण्यासाठी वापरली जाऊ शकते, जर संस्था:

भविष्यसूचक वैधतेसह अग्रगण्य निर्देशक ओळखा;
ते नियमितपणे अग्रगण्य निर्देशक (तपासणी, देखभाल आणि उपकरणे डेटा) मोजतात;
ते मोजलेल्या निर्देशकांवर आधारित मॉडेल अंदाज प्रणाली तयार करतात;
डेटा संकलित केल्यावर मॉडेल अद्यतनित करा;
देखभाल, तपासणी आणि भांडवली सुधारणा प्रकल्पांना प्राधान्य देण्यासाठी निष्कर्षांचा वापर करा आणि ऑपरेशनल प्रक्रिया/पद्धतींचे पुनरावलोकन करा;

अंदाज विश्लेषण

प्रेडिक्टिव ॲनालिटिक्स हे एक विस्तृत क्षेत्र आहे ज्यामध्ये मशीन लर्निंगसह विविध विषयांच्या पैलूंचा समावेश आहे.कृत्रिम बुद्धिमत्ता, आकडेवारी आणि डेटा खाण. भविष्यसूचक विश्लेषणे मोठ्या डेटा सेटमधील नमुने आणि ट्रेंड उघड करतात. एक प्रकारचे भविष्यसूचक विश्लेषण, वर्गीकरण अल्गोरिदम, विशेषत: शुद्धीकरण आणि पेट्रोकेमिकल उद्योगांसाठी फायदेशीर ठरू शकतात.

वर्गीकरण अल्गोरिदम पर्यवेक्षित मशीन लर्निंग म्हणून वर्गीकृत केले जाऊ शकतात. पर्यवेक्षी शिक्षणासह, वापरकर्त्याकडे एक डेटासेट आहे ज्यामध्ये भविष्यसूचक व्हेरिएबल्सची मोजमाप समाविष्ट आहे जी ज्ञात परिणामांशी जोडली जाऊ शकते. या लेखाच्या केस स्टडी विभागात चर्चा केलेल्या मॉडेलमध्ये, ट्रॅकच्या प्रत्येक मैलाच्या कालावधीत विविध ट्रॅक मोजमाप (उदा. वक्रता, क्रॉसिंग) घेण्यात आले. ज्ञात परिणाम, या प्रकरणात, त्या दोन वर्षांच्या कालावधीत प्रत्येक रेल्वे मैलावर ट्रॅक बिघाड झाला की नाही.

मॉडेलिंग अल्गोरिदम

नंतर एक योग्य मॉडेलिंग अल्गोरिदम निवडला जातो आणि डेटाचे विश्लेषण करण्यासाठी आणि भविष्यसूचक नियम (मॉडेल) तयार करण्यासाठी चल मोजमाप आणि परिणाम यांच्यातील संबंध ओळखण्यासाठी वापरला जातो. एकदा तयार केल्यावर, मॉडेलला एक नवीन डेटासेट दिला जातो ज्यामध्ये अज्ञात प्रेडिक्टर व्हेरिएबल्स आणि परिणामांची मोजमाप होते आणि त्यानंतर मॉडेलच्या नियमांच्या आधारे परिणामाच्या संभाव्यतेची गणना केली जाते. याची तुलना पर्यवेक्षण न केलेल्या शिक्षणाच्या प्रकारांशी केली जाते, जेथे अल्गोरिदम वापरलेल्या अल्गोरिदम व्यतिरिक्त, वापरकर्त्याकडून कोणत्याही विशिष्ट दिशानिर्देशाशिवाय डेटासेटमधील नमुने आणि ट्रेंड शोधतात.

सामान्य वर्गीकरण अल्गोरिदममध्ये रेखीय प्रतिगमन, लॉजिस्टिक रीग्रेशन, निर्णय वृक्ष, न्यूरल नेटवर्क, सपोर्ट वेक्टर/लवचिक भेदभाव मशीन, भोळे बायेस क्लासिफायर आणि इतर अनेक समाविष्ट आहेत. रेखीय प्रतिगमन वर्गीकरण अल्गोरिदम कसे कार्य करते याचे एक साधे उदाहरण देतात. रेषीय प्रतिगमनामध्ये, विद्यमान डेटा बिंदूंच्या आधारे सर्वोत्तम फिट रेषेची गणना केली जाते, रेषा समीकरण ay = mx + b देऊन. ज्ञात व्हेरिएबल (x) एंटर केल्याने अज्ञात व्हेरिएबल (y) साठी अंदाज येतो.

वास्तविक जगातील व्हेरिएबल्समधील बहुतेक संबंध रेषीय नसतात, परंतु जटिल आणि अनियमित आकाराचे असतात. म्हणून, रेखीय प्रतिगमन सहसा उपयुक्त नसते. इतर वर्गीकरण अल्गोरिदम अधिक जटिल संबंधांचे मॉडेलिंग करण्यास सक्षम आहेत, जसे की वक्र किंवा लॉगरिदमिक संबंध. उदाहरणार्थ, लॉजिस्टिक रीग्रेशन अल्गोरिदम जटिल नातेसंबंधांचे मॉडेल बनवू शकते, नॉन-न्यूमेरिक व्हेरिएबल्स (उदा. श्रेणी) समाविष्ट करू शकते आणि अनेकदा वास्तववादी आणि सांख्यिकीयदृष्ट्या वैध मॉडेल तयार करू शकते. लॉजिस्टिक रीग्रेशन मॉडेलचे ठराविक आउटपुट म्हणजे परिणाम/घटना घडण्याची अंदाजित संभाव्यता. इतर वर्गीकरण अल्गोरिदम लॉजिस्टिक रीग्रेशनसाठी समान आउटपुट प्रदान करतात, परंतु आवश्यक इनपुट अल्गोरिदममध्ये भिन्न असतात.

जोखीम व्यवस्थापन

जटिल संबंधांचे मॉडेलिंग विशेषतः जोखीम व्यवस्थापनात उपयुक्त आहे, जेथे विशिष्ट परिणामाची संभाव्यता आणि संभाव्य तीव्रतेवर आधारित जोखीम विशेषत: प्राधान्य दिले जाते. त्या परिणामामध्ये योगदान देणाऱ्या जोखीम घटकांचे मॉडेलिंग केल्याने परिणामाच्या संभाव्यतेचा अचूक आणि सांख्यिकीयदृष्ट्या वैध अंदाज येतो. याउलट, अनेक जोखीम मूल्यमापन स्पष्ट प्रमाणात "संभाव्यता" मोजतात (दशकातून एकदा, वर्षातून एकदा, वर्षातून अनेक वेळा), जे कमी अचूक, अधिक व्यक्तिनिष्ठ असते आणि जोखमीमध्ये असलेल्या जोखमींमध्ये फरक करणे अशक्य करते. समान विस्तृत श्रेणी. जोखीम मूल्यांकनामध्ये संभाव्य तीव्रतेचे परिमाणवाचकपणे मूल्यांकन करण्यासाठी इतर तंत्रे आहेत, परंतु हे या लेखाच्या व्याप्तीच्या पलीकडे आहे.