חריגות בבנייה הן נזקים במבנים וביסודות שנגרמו כתוצאה מבנייה לקויה. ניתן לסווג אותם לפי התהליכים הפתולוגיים שלהם. להלן שלושה חלקים של תהליכים פתולוגיים שבהם אתה יכול להשתמש במקרה של חריגה בבנייה. ניתן לסווג אותם גם לפי מצבי הכשל שלהם. אתה יכול להשתמש בשלושת החלקים האלה בסדר הפוך:
ניתוח מערכי נתונים ערכות
נתונים בממדים גבוהים (HDD) הן ערכות עם משתנים, רכיבים או תכונות בלתי תלויים רבים. ככל שיש יותר ממדים במערך נתונים, כך זה יותר מסובך לנתח, וככל הנראה הוא יפיק יותר תוצאות שגויות. תופעה זו נקראת "קללת הממדיות", והיא מתרחשת בנתונים בעלי מימד גבוה.
המטרות העיקריות של מחקר זה הן להעריך את צפיפות הנתונים באזורים שונים של מערך נתונים בעל מימד גבוה ולזהות חריגות באזורים אלו. המטרה השנייה של מחקר זה היא להקטין את גודל מערך הנתונים על ידי ניתוח המבנה שלו. ניתוח זה הוא צעד חשוב לקראת זיהוי חריגות בנייה.
חריגות מתרחשות כאשר נקודה במערך נתונים נמצאת מחוץ למצבה הרגיל. זה יכול להתרחש עקב מגוון רחב של גורמים. דוגמה אחת היא כאשר חולה מחלה או חולה סרטן מפתח גידול. גידולים אלה יוצרים יותר תאים ממה שהם צריכים. דוגמאות אחרות כוללות נתונים הקשורים לבנייה וסביבתיים.
איתור חריגות
איתור חריגות בניה כרוך בגישה חדשה לניטור מבנים במהלך הבניה. ניתן לבנות מודלים של נתונים של התנהגויות נורמליות של מבנים ולהשתמש בהם כדי לזהות חריגות. הוצעו מספר רב של אלגוריתמים של למידת מכונה, אך רק מעטים נבדקו על נתוני מדידה מהעולם האמיתי.
זיהוי חריגות ביד אינו אידיאלי. גישה ידנית יוצרת מערכת שאינה יכולה להסתגל לתנאים חדשים. גישה טובה יותר היא להשתמש בלמידת מכונה כדי לבצע תהליך זה. זה יכול להוזיל את העלות ב-40% עד 90% בשנה. עם זאת, חשוב להבין שאלגוריתמים של למידת מכונה אינם חסינים בפני תקלות.
בבניין חכם טיפוסי יש מאות חיישנים שמייצרים נתונים כל כמה דקות. נפח הנתונים הרב הזה עולה בהרבה על העין האנושית ודורש שיטות אוטומטיות לעיבוד הנתונים. ניתן לזהות חריגות בזרמי נתונים או ברצפים שלמים. לאחר זיהוי, ניתן לבדוק ולנתח את החריגות.
היכולת לאסוף ולנתח נתוני סדרות זמן בזמן אמת היא המפתח לזיהוי אנומליות מוצלח. נתוני סדרת זמן הם רצף של ערכים עם חותמת זמן הקשורה לכל נקודה. הוא מכיל מידע הדרוש לניחושים מושכלים לגבי העתיד. מערכות זיהוי משתמשות במידע זה כדי לבנות אותות שניתן לפעול. הם יכולים להתריע בפני משתמשים על אירועים קריטיים או חריגים ב–KPI מפתח.
בעוד שנקודה בודדת יכולה להיחשב לאנומליה בפני עצמה, ההקשר שלה קובע אם היא חריגה. במילים אחרות, אם טמפרטורה גבוהה באופן חריג לדצמבר, זו תופעה חריגה. באופן דומה, רצף של נקודות נתונים יכול להיחשב כאנומליה אם הן מקובצות יחד או אינן מתאימות להקשר מוגדר מראש.
יישומי למידת מכונה נמצאים בשימוש יותר ויותר לאיתור חריגות. הם יכולים להתמודד עם מערכי נתונים גדולים ולשלב אלגוריתמים שונים כדי להפיק את התוצאות הטובות ביותר. יישומים אלה מפשטים את התהליך ומספקים ניתוח נתונים בזמן אמת.
מצבי
כשל מצבי כשל הם שיטה המשמשת לניתוח הגורמים וההשפעות העיקריות של חריגות בנייה. מטרת מצבי הכשל היא לגלות אילו מנגנונים אחראים להתדרדרות של מעטפת. הם יכולים להיות ישירים ועקיפים ומסייעים בחקירת בעיה. הם עוזרים לקבוע את דרך הפעולה הטובה ביותר.
מצבי כשל הם בדרך כלל תוצאה של שילוב של מספר גורמים. באופן כללי, ניתן לקבץ גורמים אלה בקטגוריות הבאות: ייצור, יישום, מורפולוגיה והרכב החומר. באמצעות גורמים אלו ניתן לזהות אתרי כשל פוטנציאליים בפרויקט בנייה. הממצאים המתקבלים צריכים לספק נתונים מספיקים לניתוח סיבת השורש.
FMEA היא גישה מובנית לגילוי כשלים שעוזרת לזהות את הסיבה, לתעדף ולהגביל כשלים. למרות ש–FMEA אינו תחליף להנדסה טובה, זה יכול לעזור לפרויקט להימנע או למזער את הסיכון לכישלון. זהו תהליך המנצל את הידע של צוות תפקודי כדי לקבוע את הסיכונים והפתרונות המתאימים.
מצבי כשל בחריגות בנייה הם כלי חשוב בחקירת ליקויי בנייה. ניתוח מצבי כשל נעשה לרוב על ידי שימוש בשילוב של תצפיות פנימיות וחיצוניות כדי לבודד ולחקור את מקור הכשל. לדוגמה, בדיקת TI תזהה את הסיבה לכשל חסימתי, אך ייתכן שהיא לא תספק את מנגנון הכשל שהוביל לכשל. לעתים קרובות, מצב כשל לא יופיע מיד עד לאחר בדיקה חוזרת.
כשל מבני מתרחש כאשר רכיב עובר כמות גדולה של לחץ. לחץ זה יכול לגרום לחומר להכניע או להתפורר. זה קורה לרוב כאשר חלק מחוזק יתר על המידה. עם זאת, ניתן להפחית את הסיכון לכשל מסוג זה על ידי תכנון קטעים מחוזקים.
