Какво представлява изкуственият интелект в поддръжката на производството? Ръководство на достъпен език

Какво всъщност означава изкуственият интелект за поддръжката в производството

Терминът „изкуствен интелект“ се прилага към технологии за поддръжка в производството толкова широко, че в маркетинга на доставчиците почти губи смисъл.

Всяка платформа с алгоритъм твърди, че има възможности за изкуствен интелект.

Не всеки алгоритъм е ИИ в какъвто и да е смислен смисъл.

Полезно определение за целите на поддръжката в производството е следното.

Изкуствен интелект в поддръжката на производството се отнася до модели машинно обучение и свързани техники, които изучават закономерности от исторически данни за поддръжка и производство и използват тези научени закономерности, за да генерират резултати, които подобряват решенията за поддръжка, прогнозират повреди на оборудване или автоматизират работни потоци за поддръжка.

Ключовата дума е „учат“.

Прагова аларма, която сработва, когато амплитудата на вибрацията надвиши конфигурирана стойност, не е ИИ.

Това е правило.

Модел, който научава специфичните модели на вибрационен подпис, които предшестват повреди на лагерите на конкретен модел мотор при експлоатационните условия на дадено съоръжение, и прогнозира, че лагерът на този мотор ще се повреди в рамките на 14 до 21 дни въз основа на текущата тенденция, е ИИ.

Разликата има значение, защото изискванията за данни, сложността на внедряване и характеристиките на представянето на мониторинга, базиран на правила, и прогнозите, базирани на ИИ, са фундаментално различни.

Четирите приложения на ИИ за поддръжка

Приложение 1: Прогнозиране на повреди

Прогнозирането на повреди е приложението на ИИ, което най-често се описва в маркетинга за поддръжка в производството.

Модел за машинно обучение се обучава върху исторически данни от конкретен актив или клас активи, включително показания от сензори, тенденции в OEE, записи за работни поръчки за поддръжка и документирани събития на повреди.

Моделът изучава закономерностите в тези исторически данни, които предшестват събитията на повреда.

Приложен към текущите оперативни данни, моделът оценява кога е вероятно да настъпи следващата повреда и с каква вероятност.

Изходът е оценка за остатъчен полезен живот или вероятност за повреда в рамките на дефинирано времево прозорче.

Този резултат дава възможност на екипа по поддръжка да планира интервенция в оптималния момент: достатъчно късно, за да извлече пълната стойност от текущия експлоатационен живот на компонента, но достатъчно рано, за да се изпълни интервенцията преди да настъпи функционална повреда.

Изискванията за данни за прогнозиране на повреди са най-строгите от четирите приложения.

Моделът се нуждае от документирани събития на повреди с данните за състоянието, които им предшестват.

Мотор, който е повредил два пъти в своята експлоатационна история, не може да поддържа надежден модел за прогнозиране на повреди.

Мотор, който е имал 20 повреди с чисто свързани данни за състоянието от всяка повреда, предоставя тренировъчна основа, от която надеждната прогноза се нуждае.

Приложение 2: Класификация на неизправности

Класификацията на неизправности използва машинно обучение за автоматично категоризиране на събития на повреда от сурови данни от сензори, машинни сигнали или описания на работни поръчки.

Когато машина спре, нейният PLC генерира код за стоп.

Този код за стоп може да е достатъчно специфичен, за да указва директно режим на повреда, или да е общ код за неизправност, който изисква диагностика от техник за тълкуване.

Моделите за класификация на причини с ИИ се учат да разграничават между режими на повреда от суровите подписи на данни, свързани с всеки режим, автоматично присвоявайки специфични класификации на неизправности на събитията за спиране без да изискват ръчна диагностика от техник.

Това приложение е ценно, защото намалява времето за диагностика, подобрява постоянството на кодовете за неизправности между техниците и смените и генерира специфично класифицирана история на поддръжката, която моделите за прогнозиране на повреди и анализът на най-проблемните активи изискват.

Модулът за компютърно виждане на Fabrico включва възможност за класификация на причините с ИИ, която в момента е в разработка и е в продуктовата пътна карта за това конкретно приложение.

Приложение 3: Откриване на аномалии

Откриването на аномалии използва машинно обучение, за да идентифицира кога поведението на дадена машина се отклонява от нейния научен нормален модел по начини, които показват развиваща се неизправност.

За разлика от мониторинга на състоянието, базиран на прагове, който сработва, когато конкретен параметър надвиши конфигурирана стойност, откриването на аномалии изучава многовариантния нормален експлоатационен модел на всяка конкретна машина и идентифицира отклонения от този модел, които нито един отделен праг не би могъл да улови.

Мотор, който едновременно показва 3% увеличение на консумацията на ток, 2% повишение на температурата на лагера и 1,5% намаление на скоростта на вала, може да не задейства нито една индивидуална прагово базирана аларма.

Модел за откриване на аномалии, който е научил нормалния многовариантен оперативен подпис на този мотор, разпознава комбинирания модел като аномален и генерира аларма.

Стойността на откриването на аномалии е в чувствителността му към фини многовариантни модели, които мониторингът, базиран на правила, пропуска, и в способността му да открива нови режими на повреда, които преди това не са били категоризирани в праговата конфигурация.

Приложение 4: Оптимизация на работни потоци за поддръжка

Четвъртото приложение на ИИ за поддръжка е по-малко видимо от прогнозиране на повреди, но е широко приложимо още на по-ранен етап от зрелостта на данните.

Оптимизацията на работни потоци за поддръжка използва машинно обучение за подобряване на ефективността на графици за поддръжка, управление на резервни части и калибриране на интервалите за планова профилактика (PM).

Моделите за оптимизация на графиците изучават закономерностите в историческата натовареност на поддръжката, наличността на техници, ограниченията на производствените графици и резултатите от спазването на PM, които предсказват кои конфигурации на графиците дават най-добро спазване на PM и най-ниско съотношение планирани към реактивни работи.

Моделите за оптимизация на резервните части изучават моделите на потребление от записите за части в работните поръчки, за да подобрят минималните нива на наличности и да намалят както липсите на склад, така и излишните запаси едновременно.

Моделите за оптимизация на интервалите за PM се учат от записите за открития при PM кои интервали водят до значими интервенции по поддръжката и кои генерират ненужни интервенции на активи, които още не приближават прага за поддръжка.

Това приложение изисква по-малко историческа дълбочина от прогнозиране на повреди и доставя стойност по-рано в процеса на натрупване на данни.

Фундаментът от данни: защо не може да се пропусне

Всяко приложение на ИИ за поддръжка изисква основа от данни.

Основата има три компонента.

Свързаност. Данни, свързани от машините чрез интеграция с PLC, IoT сензори или хардуер за мониторинг на състоянието. Моделите за ИИ не могат да се обучават върху данни, които никога не са били улавяни. Данните за OEE, подавани от оператори, и ръчно записаните работни поръчки са недостатъчни като основен източник на тренировъчни данни за модели на ИИ, защото са непълни, записвани са непоследователно и нямат времевото разделяне, което изисква машинното обучение.

Пълнота. Исторически данни, които покриват пълния диапазон от експлоатационни условия, режими на повреда и интервенции по поддръжката, от които моделът трябва да се учи. Набор от данни, в който липсват 40% от събитията на повреда, защото не са били регистрирани в CMMS, ще произведе модел със систематични сляпни петна, които се проявяват в прогнозите като пропуснати повреди за режимите, които са били недопредставени при обучението.

Последователност. Данни, етикетирани последователно във времето и между различни техници. Код за повреда, който означава едно за един техник и нещо различно за друг, създава тренировъчен набор с шум в класовите етикети, който влошава представянето на модела. Последователното прилагане на кодове за повреди, записване на потреблението на части и практики за приключване на работни поръчки са предпоставки за качество на тренировъчните данни.

Правилото за 12 месеца отразява и трите изисквания.

12 месеца свързани, пълни и последователно етикетирани данни предоставят достатъчно примери за нормални експлоатационни модели, сезонни вариации и събития на повреди, за да се обучат модели, които обобщават надеждно към нови ситуации.

По-късите набори от данни може да съдържат достатъчно примери за обучение на модел, но моделът ще срещне експлоатационни условия при внедряване, които не е виждал по време на обучение и ще произвежда ненадеждни изходи.

Правилото за 12 месеца е насока, а не гаранция.

Активите с висока честота на повреди може да натрупат достатъчно тренировъчни данни по-бързо.

Активите с много ниска честота на повреди може да изискват по-дълги периоди на натрупване на данни преди моделите за прогнозиране на повреди да са надеждни.

Какво не е ИИ в поддръжката

Предвид широкия обхват на претенциите за ИИ в маркетинга за поддръжка в производството, заслужава да бъдем директни относно това, което ИИ в поддръжката не е.

ИИ не е прагова аларма.

Конфигурирането на праг за амплитуда на вибрацията и генерирането на аларма, когато той е превишен, е мониторинг на състоянието, базиран на правила.

Това е ценно. Това не е ИИ.

ИИ не е табло с графики на тенденции.

Информационно табло, което показва тенденции в OEE, тенденции в разходите за поддръжка и тенденции в спазването на PM, е бизнес интелигентност.

Това е ценно. Това не е ИИ.

ИИ не е постижим без основата от данни.

Всеки доставчик, който твърди, че тяхната платформа с ИИ ще генерира надеждни прогнози за повреди от първия ден на внедряване в съоръжение без исторически свързани данни, или описва откриване на аномалии с много ниска надеждност, или подвежда относно възможностите на своите модели.

Изкуственият интелект в поддръжката изисква основата от данни преди да предостави надеждни изходи.

Доставчиците, които твърдят друго, следва да бъдат помолени да демонстрират точността на прогнозите върху исторически данни от своите съществуващи клиенти, преди да им се гласува доверие относно надеждността на тяхната ИИ възможност.

ИИ не е заместител на инженерството на поддръжката.

Моделите с ИИ извеждат закономерности и прогнози, върху които инженерите по поддръжка действат.

Те не заменят инженерното суждение, необходимо за оценка дали прогнозираната повреда налага незабавен отговор, планирана поддръжка или допълнително разследване преди ангажиране на интервенция.

Инженерът по поддръжка, който разбира режимите на повреда, P-F интервалите и специфичния оперативен контекст на всеки актив, остава лицето, което взема решенията.

ИИ е инструментът, който предоставя на този инженер по-добра информация по-бързо, отколкото ръчният анализ.

Пътната карта за ИИ на Fabrico

Текущите възможности на Fabrico за ИИ и пътната му карта отразяват реалистичното последователно изпълнение, което отговорното внедряване на ИИ в поддръжката изисква.

Настоящата платформа осигурява машинната свързаност и мониторинга на OEE, които генерират чистите, свързани и последователно структурирани данни, от които моделите за ИИ се нуждаят като тренировъчна основа.

Класификацията на причините с ИИ в модула за компютърно виждане в момента е в разработка и е включена в продуктовата пътна карта, като е насочена към описаното по-горе приложение за класификация на неизправности.

Fabrico Agent, помощник за работни потоци на поддръжката с ИИ, в момента е в разработка и е в продуктовата пътна карта, насочен към приложението за оптимизация на работни потоци за поддръжка.

Модули за прогнозна поддръжка с ИИ в момента са в разработка и са в продуктовата пътна карта, насочени към приложението за прогнозиране на повреди, докато основата от данни узрее сред клиентската база.

Тази последователност е умишлена и честна.

Първо изграждането на основата от данни генерира тренировъчните данни, от които моделите за ИИ се нуждаят.

Внедряването на модели за ИИ върху зрял, чист и свързан набор от данни генерира надеждни изходи.

Внедряването на модели за ИИ преди установяването на основата от данни произвежда уверено изглеждащи изходи, които не са надеждни, и това уврежда доверието в технологията и в програмата за поддръжка, която разчита на нея.

Реалистичната пътна карта за ИИ в поддръжката за повечето производители

Повечето производители, които питат за ИИ в поддръжката, са на различни етапи от предварителното пътуване.

Етап 1: Установяване на машинна свързаност и чисто събиране на данни.

Без свързани данни ИИ за поддръжка не е постижим. Този етап е предпоставка за всичко, което следва.

Етап 2: Натрупване на 12 месеца свързана, последователно етикетирана история на поддръжката.

Качеството на данните за работните поръчки, специфичността на кодовете за повреди и записването на потреблението на части са дисциплините за качество на данните, които правят тази история използваема като тренировъчни данни за ИИ.

Етап 3: Внедряване на откриване на аномалии върху активи от първо ниво.

Откриването на аномалии изисква по-малко исторически данни от прогнозиране на повреди и доставя стойност по-рано. Това е подходящото първо приложение на ИИ за поддръжка за повечето производители.

Етап 4: Внедряване на оптимизация на работни потоци за поддръжка.

Оптимизацията на графиците, оптимизацията на резервните части и калибрирането на интервалите за PM чрез машинно обучение могат да бъдат внедрени, след като данните в CMMS и свързаните производствени данни узреят.

Етап 5: Внедряване на прогнозиране на повреди върху активи с достатъчна история на повреди.

Прогнозирането на повреди за конкретни активи, за които историческият набор включва достатъчно документирани събития на повреди за обучение на надеждни модели, е последният етап от пътуването към ИИ за поддръжка.

Този етап настъпва в различно време за различните активи в зависимост от честотата на повредите и качеството на данните.

Често задавани въпроси

Нужен ли ми е дaнни учен (data scientist), за да внедря ИИ в поддръжката в производството?

Не за комерсиално наличните платформи за поддръжка с ИИ, които предоставят предварително изградени модели, обучени върху големи индустриални набори от данни.

Предварително изградени модели от утвърдени платформи могат да бъдат приложени към данните на съоръжението с насоките на екипа по внедряване на платформата, вместо да изискват вътрешни способности по дата сайънс.

За разработка на персонализирани модели, обучени специфично върху данни за повреди от дадено съоръжение, възможностите по дата сайънс са необходими или вътрешно, или чрез специализирани партньори.

Колко точни са моделите за прогнозиране на повреди в практиката?

Точността варира значително според типа актив, режим на повреда, качество на данните и зрялост на модела.

Добре внедрени модели за прогнозиране на повреди върху активи с богати исторически данни за повреди обикновено постигат 70 до 90% прецизност при прогнозите за повреди в рамките на заявения им прогностичен хоризонт.

Това означава, че 10 до 30% от прогнозите са фалшиви аларми, които генерират ненужни реакции по поддръжката.

Алтернативното сравнение не е перфектна прогноза срещу неперфектна прогноза.

То е неперфектна ранна прогноза срещу липса на прогноза, при която резултатът са непланирани повреди.

Дори при 80% прецизност, прогнозната поддръжка с ИИ елиминира 80% от непланираните повреди, които е била предназначена да предотврати, което е значително подобрение спрямо мониторинга на състоянието без предиктивни модели.

Каква е разликата между ИИ прогнозна поддръжка и поддръжка, базирана на състоянието?

Поддръжката, базирана на състоянието, задейства интервенции по поддръжката, когато наблюдаван параметър на състоянието пресече конфигуриран праг.

ИИ прогнозната поддръжка използва машинно обучение, за да оцени кога ще настъпи повреда въз основа на закономерности в историческите данни, предоставяйки оценки за остатъчния полезен живот, а не само аларми за пресичане на праг.

Поддръжката, базирана на състоянието, е предпоставка за ИИ прогнозната поддръжка и доставя значителна стойност самостоятелно.

ИИ прогнозната поддръжка добавя възможността за предсказване на времето до повреда, а не само откриване на текущо деградиране, което позволява по-прецизно планиране на поддръжката в рамките на конкретно прогнозирано прозорче за повреда.

Изкуственият интелект в поддръжката в производството не е технологичен кратък път. Той е естествената следваща стъпка за програми по поддръжка, които са изградили основата от данни, от която моделите им се нуждаят. Производителите, които печелят най-много от ИИ за поддръжка, не са тези, които са го внедрили най-рано. Те са тези, които са изградили дисциплината за качество на данните, която прави изходите от ИИ достатъчно надеждни, за да се доверят на тях.