Bayes-verkon käyttäminen ajoneuvon vikaantumisen tutkimisessa

Abstract

Tämän työn tarkoituksena on tutkia bayes-verkkoa. Työn tavoitteena on vastata seuraaviin tutkimuskysymyksiin: (1) Millaisiin sovelluksiin bayes-verkkoa voidaan käyttää luotettavuustekniikassa? (2) Mitä hyötyjä bayes-verkosta on vianmäärityksessä verrattuna flow-kaavioon? (3) Mitä haasteita bayes-verkon soveltamisesta on? (4) Toimiiko bayes-verkko ajoneuvojen vianmäärityksessä? Työn alussa tutustutaan bayes-verkkoon ja käydään läpi käsitteitä, jotka liittyvät bayesverkkoon ja sen toimintaan. Näiden jälkeen tutkitaan, toimiiko bayes-verkko ajoneuvojen vianmäärityksessä. Bayes-verkko on tilastollinen graafinen todennäköisyysmalli, jota käytetään muun muassa koneoppimisessa, puheentunnistuksessa, signaalin prosessoinnissa, vikaantumisanalyysissä ja säätilojen ennustamisessa. Luotettavuustekniikassa bayes-verkkoa pystytään soveltamaan tilanteessa, jossa jonkin järjestelmän vikaantumisaika on tiedossa. Bayes-verkolla voidaan tällöin selvittää, mitkä komponentit aiheuttavat milläkin todennäköisyydellä kyseisen vian. Suurimman todennäköisyyden komponentit voidaan täten huoltaa tai vaihtaa vika-ajan lähestyessä ja vika mahdollisesti välttää kokonaan. Bayes-verkon soveltaminen on haastavaa, jos dataa ei ole ollenkaan tai sitä on liian vähän. Tällaisessa tilanteessa bayes-verkko ei anna luotettavia tuloksia, eikä sen käyttö ole järkevää. Mikäli dataa ei ole saatavissa tosielämän sovelluksista, mutta käytössä on luotettava simulointimalli, dataa voidaan kerätä tätä kautta bayes-verkkoon sovellettavaksi. Ajoneuvojen vianmäärityksessa käytetään usein flow-kaaviota, joka kertoo täsmälleen mitä vianmäärityksessä tehdään. Tämä perustuu siihen, että jokaisessa flow-kaavion kohdassa käyttäjä tekee päätöksen siitä, toimiiko jokin komponentti vai ei. Tämä ei ole kuitenkaan tehokas tapa, sillä tällä tavalla pystytään määrittämään ja korjaamaan vain yksi vika kerrallaan. Tapa ei myöskään salli käyttäjän tehdä päätelmiä kokemuksensa tai tietojensa pohjalta, ja vaihtoehdot ovat flow-kaaviossa rajatut. Aluksi työssä tutkitaan tilannetta, jossa vikana on se, että ääni ei kuulu. Tilanteesta muodostetaan bayes-verkko ja selvennetään, mitä kukin solmu verkossa tarkoittaa ja mitkä ovat niiden todennäköisyydet. Tämän jälkeen aloitetaan vianmääritysprosessi priorisoimalla solmut ja seuraavaksi korjataan ja tarkastetaan solmukohdista korkeimman prioriteetin solmusta. Jokaisen solmun tarkastamisen jälkeen malli päivitetään ja todennäköisyydet lasketaan uudestaan. Tätä jatketaan niin pitkään, että vika on korjattu. Tämän jälkeen työssä sovelletaan bayes-verkkoa tilanteeseen, jossa vikoja on useampi. Tilanteessa käytetään objektisuuntautunutta bayes-verkko mallia, joka koostuu yhdestä päämallista, jolla on useampi alamalli. Jokaisella alamallilla on yksi oma vikatapaus, kuten se, ettei esimerkin kaiuttimesta kuulu ääntä. Alamallit voivat jakaa solmuja, vaikka kaikilla onkin oma vikansa. Tällä tavalla laskenta ei monimutkaistu yhden vian tapaukseen verrattuna. Lisäksi tällä tavalla pystytään tekemään vianmääritystä usealle vialle samanaikaisesti. Bayes-verkko toimii ajoneuvojen vianmäärityksessä, koska ajoneuvojen vikaantumisista on hyvin paljon dataa. Lisäksi, usein ajoneuvon ollessa korjattavana, siinä on useampi vika yhtä aikaa. Tästä syystä bayes-verkon avulla voidaan toteuttaa vianmääritys ja vikojen korjaus tehokkaasti. Bayes-verkolla siis saadaan korjattua ongelmat, jotka liittyvät flow kaavion käyttöön.