Большинство проектов машинного обучения для предиктивного обслуживания так и не сдвинулись с мертвой точки или застряли в Чистилище PoC. Согласно исследованию Cisco, 60% инициатив IoT застопорились на стадии проверки концепции. Ниже представлена первая статья из серии с Эйтаном Весели на тему масштабирования машинного обучения для профилактического обслуживания.
В. Начнем с основ. Как промышленные предприятия определяют приоритеты активов, которые должно охватывать решение PdM?
Мы видим три разных подхода.
Наиболее традиционный подход основан на оценке критичности активов, подлежащих мониторингу, с помощью передовых систем. Например, на электростанции турбина является основным активом. Однако насос для прокачки жидкостей не является основным активом. Поэтому вероятность выбора меньше.
Вторым критерием является среднее время наработки на отказ или MTBF. Если актив часто выходит из строя, этот фактор учитывается при определении приоритетности покрытия.
Я также видел несколько нелогичный подход со стороны промышленных предприятий, которые уже контролируют основные активы. Они применяют профилактическое обслуживание искусственного интеллекта к вспомогательному оборудованию, которое в настоящее время не контролируется.
Предполагается, что мониторинга достаточно для активов, уже находящихся под защитой. Не давая рекомендаций, я заметил, что промышленные предприятия иногда переоценивают эффективность существующих систем мониторинга на основе SCADA при выборе активов, которые будут охвачены Machine Learning PdM.
В. Есть ли механизмы, которые вы не рекомендовали бы отслеживать с помощью решения Machine Learning PdM?
Давайте посмотрим на тип генерируемых данных, а не на сам механизм.
В качестве отправной точки, если генерируется недостаточно данных из-за того, что было установлено недостаточное количество датчиков или низкая частота дискретизации, это оборудование, вероятно, не является хорошим кандидатом для решения PdM с машинным обучением. Вам не нужно решение для больших данных, если вы не генерируете большие данные. В этом случае стандартный вибрационный мониторинг является более подходящим решением.
В некоторых случаях данные датчиков генерируются, но недоступны вне машины, что препятствует анализу. Это не новая проблема, но поиск обходных решений, включая беспроводную передачу данных, становится все более актуальным.
Нельзя недооценивать проблему управления данными. Мы по-прежнему наблюдаем неэффективные организационные иерархии, которые не позволяют бизнес-пользователям получать доступ к данным. В некоторых случаях сторонние поставщики либо блокируют доступ, либо даже взимают плату за доступ. Со временем высшее руководство занялось решением этих вопросов, поскольку признается важность целостности данных и гигиены.
Теперь позвольте мне вернуться к вашему первоначальному вопросу. Машинное обучение для PdM — это только один из компонентов общей стратегии обслуживания, и в некоторых случаях программы профилактического обслуживания подходят больше. В то же время часто не тип активов, а качество данных делает оборудование непригодным для PdM на основе ML.
В. Какие оптимальные данные требуются для машинного обучения для PdM?
В лучшем случае в базе данных Historian есть исторические данные для обучения наших алгоритмов. В любом случае, чтобы мониторинг машинного обучения работал должным образом, он должен иметь доступ к постоянно генерируемым аналоговым данным в реальном времени. Определение «в реальном времени» может варьироваться в зависимости от отрасли. В облачных развертываниях, когда мы говорим о «реальном времени», все еще может быть задержка в несколько минут. В некоторых случаях, таких как ветряные турбины, мы получаем данные каждые 10 минут.
В. Существуют ли конкретные отрасли или производственные процессы, в которых ML PdM более актуален?
Наиболее подходящими для ML PdM являются так называемые перерабатывающие производства, в которых производственные процессы являются непрерывными. Данные датчиков, генерируемые непрерывным производственным процессом, формируют шаблоны, на основе которых мы можем предсказать будущее поведение в случае обнаружения подозрительного шаблона.
В дискретных или периодических производственных процессах оборудование используется для выполнения определенных производственных квот. Каждая партия имеет различные конфигурации, основанные на спецификациях выпускаемой продукции. В таких случаях существуют разные подходы к использованию ML для PdM. Практический результат, дискретное и процессное производство сильно отличаются друг от друга, а также режим работы, поэтому потребуются разные решения ML.
При непрерывном производстве мы можем применять машинное обучение для прогнозирования будущего поведения датчиков на основе прошлого поведения. На высоком уровне аномалии относительно ожидаемого поведения могут указывать на развивающийся отказ актива.
Конечно, я упрощаю очень сложную науку о данных, потому что алгоритмы обучены обнаруживать ложные срабатывания, а единственный пример аномального поведения не обязательно указывает на потенциальный отказ активов.
В. Нужна ли компаниям платформа промышленной аналитики перед развертыванием решения для профилактического обслуживания, основанного на анализе больших данных, генерируемых датчиками?
Это зависит от конкретного приложения PdM. Аналитическая платформа не является обязательным условием для нашего решения по машинному обучению, поскольку мы извлекаем существующие данные SCADA из базы данных архива. Другие аналитические пакеты являются надстройками платформы; в этих случаях требуется базовая платформа.
В. Каковы типичные причины, по которым промышленные предприятия откладывают развертывание решения для прогнозного обслуживания с помощью машинного обучения?
Есть несколько очевидных препятствий, таких как отсутствие доступных данных или подключения. Другой сценарий, который мы видим, — это организационные разногласия. В некоторых случаях ИТ-отдел является де-факто «владельцем» данных, которые генерирует оборудование, и не связан с операционными заинтересованными сторонами.
Я считаю, что при большем спонсорстве со стороны руководства эти проблемы станут менее распространенными.
В. Много беспокойства вызывает тема безопасности. Как Presenso решает эту тему?
Полная история доступна здесь: https://www.presenso.com/How-to-scale-machine-learning-based-predictive-maintenance-solution
