Prediktivno vzdrževanje ni nov koncept. Tehnologija za implementacijo je na voljo že leta. Prednosti so dobro znane, zlasti glede na visoke stroške ob izpadih v večini panog. Kljub tem točkam je adaptacija zaostajala, zlasti pri končnih uporabnikih. Ni šlo zgolj za vprašanje kapitalskih izdatkov – zajem podatkov in zmogljivosti beleženja/prenosa so že vgrajene v številne komponente, na primer pogone z zmožnostjo spremljanja toka in temperature ali HMI, ki delujejo tudi kot zbiralniki podatkov. Če pomislimo na varnost, je sporno vprašanje pogosto pomanjkanje znanj za pretvorbo podatkov uporabne informacije, ter stroški in čas, povezani z vnosom tehnologije v podjetje ali uporabo zunanjih storitev. Umetna inteligenca in zlasti strojno učenje zagotavljata učinkovita orodja za izvajanje prediktivnega vzdrževanja in velike prihranke.
Eden glavnih izzivov prediktivnega vzdrževanja je pridobivanje velikih količin podatkov in filtriranje samo pomembnih in uporabnih informacij. Zlasti zaradi hitre rasti industrijskega interneta stvari (IIoT) se lahko organizacije znajdejo bogate s podatki, vendar pomanjkljivimi. Strojno učenje je organizirana metodologija za pridobivanje podatkov, ki jih je mogoče uporabiti za odkrivanje napak v razvoju preden nastanejo velike težave, določitev preostale uporabne dobe enako problematičnih sredstev, omogočanje načrtovanja popravil v minimalno motečih časovnih okvirjih in izvajanje korenskih analiz vzrokov za preprečitev podobnih napak v prihodnosti.
Osnove umetne inteligence
Nekatere vrste modeliranja prediktivnega vzdrževanja je mogoče zlahka rešiti s precej preprostimi, celo ročnimi izračuni. Resnična vrednost strojnega učenja je sposobnost, da v okviru kompleksne dinamike strojev in delovanja v realnem svetu upošteva velike količine in različne vrste podatkov, da bi bolje razumeli delovanje in stanje sredstev.
Strojno učenje je del razreda aplikacij, znanih kot ozka UI. To se nanaša na funkcije, ki so napisane in usposobljene za opravljanje posebnih nalog. Strojno učenje tako prenaša podatke senzorjev skozi statistični model za odkrivanje pogojev, ki ustrezajo razvijajoči se napaki.
Rešitve strojnega učenja so že v široki uporabi v primerih uporabe, kot so opozorila o goljufijah in prediktivno vzdrževanje. Nasprotno pa je splošna UI, ki zajema vrste čutečih strojev, ki so nosilci pop kulture, izjemno zapletena in bo najverjetneje še nekaj časa ostala le laboratorijska zanimivost.
Pri strojnem učenju eden ali več algoritmov deluje na nizu vhodnih podatkov, namenjenih opisu dejavnikov, kot so stanje in zmogljivost sredstev, okvare, vzdrževalni procesi, okolje, zapisi o napakah ali vzdrževanju itd. Algoritem s temi podatki ustvari matematični model, ki opisuje zapleten sistem in njegove interakcije. Podatki so organizirani tako, da je predvidena odvisna “ciljna” spremenljivka, v tem primeru za opis stanja premoženja, preostale življenjske dobe itd. Cilj je, da model, ko se v model vnesejo sveži podatki, vrne stanje, napovedi itd.
Začnite s poslovnim modelom
Ena največjih napak pri strojnem učenju in prediktivnem vzdrževanju je preskok neposredno v zbiranje podatkov in oblikovanje modelov. Za uspeh se morajo projekti začeti s poslovnim razumevanjem. Kakšni so stroški in vpliv na poslovanje? Kakšno je trenutno stanje in kako bi strojno učenje pomagalo izboljšati procese? Kakšni so cilji, na primer zmanjšanje nenačrtovanih izpadov, optimizacija kakovosti izdelkov, povečanje prepustnosti itd.? Jasna zastavljenost cilja je prvi korak k njegovemu doseganju.
Razumevanje podatkov
Ko se poslovni model prilagodi, je naslednji korak zbiranje in raziskava razpoložljivih podatkov. Ali je mogoče trenutne podatke uporabiti za odgovor na vprašanja, ugotovljena med analizo poslovanja? Ali obstaja dovolj podrobnosti in konteksta? Tu mora operativnost sodelovati z informativnostjo in strokovnjaki na področju podatkov, da pojasni, kako se podatki preslikajo na fizične pojave, in se prepriča, da se podatki zbirajo iz celotne organizacije. Na primer, nadzor gibanja je bistvenega pomena za kakovost izdelkov pri aditivni proizvodnji. Posledično lahko valovanje in prekinitve, ki se pojavijo med tekom, kažejo na sistematične težave z gibanjem, ki nakazujejo na težave s komponentami, tudi če senzorji neposredno ne razkrivajo potencialnih napak.
Eden od izzivov prediktivnega vzdrževanja v diskretni avtomatizaciji je, da je industrijska oprema zgrajena tako, da traja. To pomeni, da imajo celo starejši stroji omejeno zgodovino napak, medtem ko bodo novi modeli seveda imeli malo ali nič. To je dobro za operativnost, vendar je lahko problematično, če je cilj zajeti velike količine podatkov o obnašanju stroja okoli degradacije in okvare. Zagon opreme do okvare samo zaradi zbiranja podatkov ni praktičen. Na srečo obstajajo alternative, kot npr.: zabeležena zgodovina o vzdrževanju, zbrani podatki tekom razvoja, nadomestno modeliranje (simluacija z uporabo nadomestnega modela), prenosno učenje (zbiranje in prenašanje podatkov med podobnimi operacijami).
Hitrost je pomembna
Poskrbite, da bosta zbiranje in obdelava podatkov dovolj hitra ter tako v koraku z industrijskim procesom in sredstvi, ki jih spremljate. To zahteva oceno podatkov in njihovega odnosa do fizičnih entitet. Če rešitev prediktivnega vzdrževanja ne more zagotoviti dovolj hitrih rezultatov, da bi uporabnik lahko pravočasno ukrepal, potem ni dobrega poslovnega razloga za implementacijo.
Priprava podatkov
Tako kot pri večini vrst računalniškega modeliranja je treba podatke pripraviti, preden jih lahko uporabimo za strojno učenje. To presega preprosto čiščenje in oblikovanje. Glede na celotno količino je treba neobdelane podatke razčleniti na podskupine, ki ustrezajo določenemu poslovnemu vprašanju, ali z njimi manipulirati, da bi pridobili nove informacije. To poteka z uporabo zbirke tehnik, znanih kot “feature engineering”, ki so bistvene za uspeh katerega koli projekta na področju strojnega učenja. Z izbiro in ustvarjanjem funkcij je mogoče ustvariti optimiziran niz podatkovnih grozdov, ki bodo imeli najboljšo možnost identifikacije smiselnih modelov.
Modeliranje
Bistvo strojnega učenja je v uporabi podatkov in algoritmov za razvoj modela, ki opisuje delujoči fizični sistem in ga je mogoče uporabiti s pomočjo novih podatkih za sprotno pridobivanje uporabnih informacij. Ključno je pri tem izhajati iz podatkov, pridobljenih med analizo poslovnega problema in nato ugotoviti, kateri algoritmi najbolje ustrezajo kriterijem.
Zaključek
Strojno učenje je močno orodje za izvajanje programa prediktivnega vzdrževanja v tovarni. Če začnete s poslovnim primerom in si vzamete čas za poglobljeno razumevanje podatkov, boste zagotovili kakovostne rezultate. Na splošno so današnja orodja strojnega učenja za prediktivno vzdrževanje zasnovana za pohitritev procesa pridobivanja informacij iz podatkov za izboljšanje poslovanja.