ИИ может лежать в основе профилактического обслуживания Индустрии 4.0, но самого по себе этого недостаточно.

«Невозможное - слово, которое можно найти только в словаре дураков» - Наполеон.

«Тем не менее, одни вещи более возможны, чем другие» - VIE Technologies

Искусственный интеллект

Искусственный интеллект (ИИ) занимает наибольшую пропускную способность среди всех современных технологических разговоров. Блестящие маркетологи поместили его прямо на крутой восходящий участок кривой ажиотажа, настолько, что стало неловко спрашивать - что на самом деле такое ИИ? И как это применимо к миру профилактического обслуживания (PdM)?

Помимо шумихи, ИИ - это просто область исследования, которая связывает принятие решений с нечеловеческим восприятием, то есть собранными или измеренными данными. У доктора Джона Маккарти, одного из основателей этой области, есть следующий ответ:

«Интеллект - это вычислительная часть способности достигать целей в мире. Разные типы и степени интеллекта встречаются у людей, многих животных и некоторых машин ».

Искусственный интеллект «это наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ».

Машинное обучение для людей: Майни, Сабри (2017)

Промышленность, профилактическое обслуживание и машинное обучение

С промышленной точки зрения подавляющее большинство коммерческих решений ИИ сегодня попадают в категорию контролируемого обучения. Самым большим недостатком контролируемого обучения является то, что оно требует большого количества обучающих данных, и эти данные должны быть правильно помечены. По аналогии, миллионы изображений необходимо передать алгоритму, прежде чем он сможет идентифицировать собаку на изображении. Эти изображения должны быть помечены как изображения собак и не собак. Применительно к PdM, к обширным хранилищам данных датчиков (например, вибрации) должны быть добавлены метки, описывающие основную истину рабочего состояния актива, когда данные были собраны (например, нормальная работа, несоосность вала, износ подшипников, проблема внутреннего кольца, и т.д). Проблем много, в том числе и то, что часто нет точных записей о точном состоянии машины, с помощью которых можно было бы создавать этикетки.

Дело в том, что в большинстве организаций есть немаркированные данные, которые нельзя использовать для обучения алгоритмов контролируемого обучения. Таким образом, чтобы использовать контролируемое обучение, организация должна потратить 6 месяцев или даже больше на создание набора данных для обучения, при этом тратя время и деньги без возврата.

Часто организации нанимают группу аналитиков и специалистов по обработке данных, чтобы попытаться найти ценность в немаркированных наборах данных, используя методы неконтролируемого обучения, такие как кластеризация. Этот подход дал определенный успех в контролируемых и академических условиях. Однако в суровых промышленных условиях, которые включают в себя эффекты шума датчиков, механических помех и широкий спектр условий эксплуатации, надежность этих подходов оказывается недостаточной.

Промышленность в целом избегает длительных экспериментов и ищет надежные решения. Здесь, в VIE, мы применяем другой подход к использованию ИИ для профилактического обслуживания, который позволяет обойтись без больших помеченных наборов обучающих данных, но обеспечивает высокий уровень надежности, необходимый промышленным операторам.

Научно обоснованный ИИ

Сотни лет науки вложены в создание современной промышленности. Хотя никакие математические уравнения не могут правильно определить собаку - отсюда и необходимость в обучающих изображениях - у нас есть четкий набор моделей для определения трехфазного двигателя, вакуумного насоса и вообще любого вращающегося оборудования. Кроме того, промышленность обладает обширным объемом знаний в предметной области, в основе которого лежит инженерия надежности и наука. Среди нас прагматики быстро осознают глупость отказа от существующей мудрости. Этот прагматизм породил новый подход к решению проблем использования ИИ для решения задач профилактического обслуживания: гибридное решение, в котором уровень машинного обучения построен рядом с уровнем знаний предметной области. Подход, который мы называем искусственным интеллектом, основанным на науке, позволяет в процессе обучения отказаться от использования обучающих данных и обеспечивает стабильное решение для отрасли, приносящее, по сути, мгновенное удовлетворение.

Научный ИИ - это просто союз теоретического и практического. Теоретическое ограничивает пространство гипотез заданным ограниченным набором результатов, в то время как на практике рассматриваются вариации и несоответствия в реальных приложениях. Пурист закричит - это не машинное обучение или искусственный интеллект. Прагматик скажет - кого это волнует?

OPA: ИИ на основе науки о вибрации для вращающегося оборудования

Теперь, когда мы объяснили нашу философию и подход, давайте перейдем к практическим решениям и преимуществам для отрасли. Мы разработали научно обоснованное решение искусственного интеллекта для вращающегося оборудования на основе вибрации. В частности, в нашем решении, которое мы называем «OPA», используются высокоточные трехосные датчики вибрации с широкой полосой пропускания для сбора обширных данных о вибрации от промышленных объектов, таких как двигатели, насосы, вентиляторы, генераторы и компрессоры. Система предварительно запрограммирована для понимания ключевых характеристик работы оборудования, сценариев деградации и отказов в широком диапазоне условий, общих практически для всех вращающихся машин: износ (подшипник, внутреннее кольцо, внешнее кольцо), несоосность, дисбаланс, неплотность, трение, кавитация. и т. д. Это часть нашего решения, относящаяся к науке о вибрации, или «доменный слой», как описано ранее.

Но поскольку каждая машина уникальна, мы должны дополнительно проанализировать данные о вибрации, чтобы понять, что является нормальным и подходящим для конкретной машины по сравнению с состоянием деградации, которое может привести к неэффективности или потенциальному отказу в будущем. Это уровень машинного обучения, который используется вместе с уровнем предметной области для обеспечения постоянного прогноза состояния машины и рекомендаций по возможному обслуживанию и ремонту. При правильной разработке и реализации этот прогноз может кардинально изменить индивидуальный подход к обслуживанию активов. Вместо того, чтобы доводить активы до отказа (незапланированные простои) или поддерживать активы в соответствии с консервативным (т. Е. Дорогим) плановым планом технического обслуживания, теперь активы можно обслуживать и ремонтировать по мере необходимости, когда это необходимо. Персонализированное обслуживание активов не только сокращает незапланированные простои, но и снижает затраты на обслуживание и ремонт.

Вывод

Промышленные приложения требуют прагматичного подхода, который сразу дает стабильные результаты. Большинство отраслевых организаций не имеют доступных маркированных данных для обучения коммерчески доступных алгоритмов на основе контролируемого обучения. Кроме того, у большинства компаний нет ни бюджета, ни собственного опыта, чтобы разобраться в немаркированных данных. В целом, использование существующей науки и знаний в предметной области является наиболее подходящим методом для внедрения решений искусственного интеллекта в отрасли, подход, используемый VIE Technologies и решением OPA.