Поскольку Индустрия 4.0 продолжает привлекать внимание средств массовой информации, многие компании борются с реалиями внедрения ИИ. В самом деле, преимущества прогнозного обслуживания, такие как помощь в определении состояния оборудования и прогнозирование времени проведения технического обслуживания, имеют исключительно важное значение. Излишне говорить, что внедрение решений на основе машинного обучения может привести к значительной экономии средств, большей предсказуемости и доступности систем.
После различных проектов машинного обучения я хотел написать эту статью, чтобы поделиться своим опытом и, возможно, помочь некоторым из вас интегрировать машинное обучение с профилактическим обслуживанием.
Что такое профилактическое обслуживание. В сценариях профилактического обслуживания данные собираются с течением времени для отслеживания состояния оборудования. Цель состоит в том, чтобы найти шаблоны, которые могут помочь предсказать и в конечном итоге предотвратить сбои.
Некоторые из проблем, которые вы можете решить:
Я работал над этими проблемами, но есть и другие ...
Зачем использовать машинное обучение для профилактического обслуживания
Откровенно говоря, для профилактического обслуживания не требуется ничего, кроме неформальных математических вычислений, когда состояние машины находится в состоянии необходимого ремонта или даже замены, так что техническое обслуживание может быть выполнено точно, когда и как наиболее эффективно.
Однако машинное обучение устраняет большую часть догадок и помогает руководителям предприятий сосредоточиться на других задачах… Машинное обучение позволяет:
В то время как некоторые менеджеры объектов действительно выполняют профилактическое обслуживание, это традиционно выполнялось с использованием систем SCADA, настроенных с использованием заданных человеком пороговых значений, правил предупреждений и конфигураций.
SCADA: компьютерная система для сбора и анализа данных в реальном времени. Системы SCADA используются для мониторинга и управления установкой или оборудованием в таких отраслях, как телекоммуникации, водоснабжение и управление отходами, энергетика, переработка и транспортировка нефти и газа.
Этот полуавтоматический подход не учитывает более сложные динамические модели поведения оборудования или контекстные данные, относящиеся к производственному процессу в целом.
Напротив, алгоритмы машинного обучения получают данные ОТ (с производственного цеха: датчики, ПЛК, архиваторы, SCADA), ИТ-данные (контекстные данные: ERP, качество, MES и т. Д.) И информацию о производственном процессе, описывающую синхронность между машинами. , и скорость производственного потока.
В промышленном ИИ процесс, известный как «обучение», позволяет алгоритмам машинного обучения обнаруживать аномалии и тестировать корреляции при поиске закономерностей в различных потоках данных.
Стратегическое решение
Чтобы понять важность технического обслуживания, давайте рассмотрим автобусную компанию. Если двигатель автобуса выходит из строя, компании необходимо разобраться с недовольными покупателями и отправить замену. Стоимость отказа намного превышает его кажущуюся стоимость.
В настоящее время большинство компаний решают эту проблему, проявляя пессимизм и применяя точные программы обслуживания для замены неисправных компонентов до выхода из строя. Хотя регулярное техническое обслуживание лучше, чем сбои, мы часто в конечном итоге проводим техническое обслуживание до того, как оно понадобится. Следовательно, это не оптимальное решение с точки зрения затрат.
Профилактическое обслуживание позволяет максимально эффективно использовать ресурсы. Профилактическое обслуживание обнаружит аномалии и схемы отказов и предоставит ранние предупреждения.
Исходя из моего опыта, успех моделей профилактического обслуживания зависит от трех основных компонентов:
Сбор данных
Как и в большинстве проектов машинного обучения, нам нужно достаточно исторических данных, чтобы понять предыдущие неудачи. Более того, общие «статические» характеристики системы также могут предоставить ценную информацию, такую как механические свойства, среднее использование и условия эксплуатации. Однако больше данных не всегда лучше.
К сожалению для компаний без культуры данных, срок службы машин обычно составляет несколько лет, а это означает, что данные должны собираться в течение длительного периода времени, чтобы наблюдать за системой на протяжении всего процесса ее деградации.
В идеале мы хотим, чтобы в процесс сбора данных были вовлечены как специалисты по данным, так и эксперты в предметной области, чтобы убедиться, что собранные данные подходят для построения модели.
В зависимости от характеристик системы / машины и имеющихся данных становится возможным ответить на эти ключевые вопросы:
Например, с помощью профилактического обслуживания мы сосредоточены на сбоях. Следовательно, имеет смысл начать со сбора исторических данных о производительности машин и записей о техническом обслуживании, чтобы сформировать прогнозы будущих отказов. Данные истории использования - важный индикатор состояния оборудования. Нам также нужна информация об обслуживании и истории обслуживания.
Поскольку срок эксплуатации производственных машин обычно составляет несколько лет, исторические данные должны быть достаточно глубокими, чтобы правильно отражать процессы износа машин.
Кроме того, полезна и другая статическая информация о машине / системе, такая как данные о характеристиках машины, ее механических свойствах, типичном использовании и условиях окружающей среды.
На приведенные выше вопросы должны ответить как специалисты в предметной области, так и специалисты по данным.
Когда у нас есть вся эта информация, становится возможным решить, какая стратегия моделирования лучше всего соответствует имеющимся данным и желаемому результату. Существует несколько стратегий моделирования для профилактического обслуживания, и мы опишем две из них (над которыми я работал больше всего), касающиеся вопроса, на который они стремятся ответить, и того, какие данные им требуются:
- Модели регрессии для прогнозирования оставшегося полезного срока службы (RUL)
- Классификационные модели для прогнозирования отказа в заданном временном окне
Ваши данные чистые?
Наличие достаточного количества данных - это хорошо, но это всего лишь первый шаг в серии шагов по разработке алгоритма профилактического обслуживания. Вы должны сохранить данные, очистить их, интегрировать с другими данными, а затем проанализировать их для получения содержательной информации.
Если у вас нет качественных данных, вводимых в вашу модель машинного обучения, полученные прогнозы будут бесполезны. Предварительная обработка данных необходима для очистки данных и преобразования их в форму, из которой можно извлекать индикаторы состояния. Часто это сложный и трудоемкий процесс.
Регрессионные модели для прогнозирования оставшегося полезного срока службы (RUL)
Для этого сценария нам нужны статические и исторические данные, и чтобы каждое событие было помечено. Более того, несколько событий каждого типа отказа должны быть частью набора данных. В идеале мы предпочитаем строить такие модели, когда процесс деградации является линейным.
Более того, мы обычно моделируем только один тип «пути к отказу»: если возможны многие типы отказов и поведение системы, предшествующее каждому из них, различается, для каждого из них должна быть создана отдельная модель.
В производстве регрессию можно использовать для расчета оставшегося полезного срока службы (RUL) актива.
Для регрессии наиболее часто используемым алгоритмом машинного обучения является Линейная регрессия, который довольно быстро и просто реализовать, а выходные данные легко интерпретировать. Примером линейной регрессии может быть система, которая прогнозирует температуру, поскольку температура является непрерывным значением с оценкой, которую было бы легко обучить.
Регрессия используется, когда данные существуют в определенном диапазоне (например, температура, вес), что часто имеет место при работе с данными, собранными с датчиков.
Прогнозировать сбой в заданном временном окне
Этот сценарий может быть очень сложным. На практике, однако, обычно нет необходимости очень точно предсказывать время жизни в далеком будущем. Часто бригаде технического обслуживания достаточно знать, выйдет ли машина из строя «в ближайшее время». Таким образом, наша задача состоит в том, чтобы определить, выйдет ли машина из строя в следующие X дней / циклов?
Еще раз, нам нужны статические и исторические данные, и чтобы каждое событие / случаи были помечены для обучения и оценки нашей модели.
В этом случае мы обычно используем классификационную модель:
- Классификационные модели могут иметь дело с несколькими типами отказов, если они сформулированы как мультиклассовая проблема.
- Поскольку мы определяем отказ во временном окне, а не в точном времени, требования, связанные с процессом деградации, другие.
В общем, модели регрессии и классификации моделируют взаимосвязь между функциями и путем деградации системы.
Эти два подхода преследуют одну и ту же цель: отобразить взаимосвязь между входными данными (из производственного процесса) и выходными данными (известные возможные результаты, такие как отказ детали, перегрев и т. Д.).
При профилактическом обслуживании используется мультиклассовая классификация, поскольку существует несколько возможных причин отказа машины или компонента. Это возможные результаты, которые классифицируются как потенциальные проблемы с оборудованием и рассчитываются с использованием нескольких переменных, включая состояние машины, уровни риска и возможные причины неисправности.
Методы многоклассовой классификации можно использовать для двух сценариев:
- Предскажите два будущих результата. Первый результат - это интервал времени до отказа для актива. Актив присваивается одному из нескольких возможных периодов. Второй результат - это вероятность сбоя в будущем из-за одной из нескольких основных причин. Этот прогноз позволяет обслуживающей бригаде отслеживать симптомы и планировать графики технического обслуживания.
- Предскажите наиболее вероятную первопричину данного сбоя. Этот результат рекомендует правильный набор действий по обслуживанию для устранения сбоя. Ранжированный список основных причин и рекомендуемых ремонтов может помочь техническим специалистам расставить приоритеты в действиях по ремонту после сбоя.
Добавление датчиков
Я рекомендую компаниям использовать датчики для мониторинга состояния. Это очень помогает в сборе дополнительных данных для ваших прогнозных моделей, а также предоставляет постоянно обновляемую информацию о том, были ли достигнуты пороги отказов. Интегрированная CMMS может быть очень полезной и помогает автоматически уведомлять вашу группу технического обслуживания о работе, которую необходимо выполнить.
CMMS: компьютерное программное обеспечение, упрощающее управление техническим обслуживанием. CMMS означает компьютеризированную систему управления техническим обслуживанием (или программное обеспечение) и иногда называется программным обеспечением для управления активами предприятия (EAM).
Некоторые современные фабрики / машины уже оснащены датчиками. ИИ может добавить мощности к данным профилактического обслуживания двумя способами:
Путем добавления в модели нескольких типов данных: изображения, аудио или видео поверх существующих данных датчиков для расширенного набора данных, который обеспечивает комплексную прогнозирующую модель.
Например, аудиоданные, в частности, являются мощным источником данных для моделей прогнозного обслуживания. Датчики могут улавливать звук и вибрацию и использоваться в моделях машинного обучения с глубоким обучением.
Данные включают в себя метку времени, набор показаний датчиков, собранных одновременно с метками времени, и идентификаторы устройств. С помощью датчиков наша цель обычно состоит в том, чтобы предсказать в момент «t», используя данные до этого времени, выйдет ли оборудование из строя в ближайшее время.
Если вы хотите / можете использовать глубокое обучение, использование сетей с долгосрочной краткосрочной памятью (LSTM) особенно привлекательно для профилактического обслуживания. Сети LSTM хорошо учатся на последовательностях. Данные временных рядов можно использовать для анализа более длительных периодов с целью выявления закономерностей отказов.
Чтобы начать путешествие по профилактическому обслуживанию, сначала определите вариант использования. Затем убедитесь, что у вас уже есть или вы можете создать набор данных, соответствующий вашему варианту использования. Чтобы проверить, соответствует ли ваш набор данных шаблону для построения вашей модели, вы должны использовать простые методы исследования данных, чтобы определить, содержат ли ваши данные шаблоны деградации или отказов. Как только вы получите свидетельство закономерности, вы готовы к построению моделей машинного обучения.
