Czym jest sztuczna inteligencja w utrzymaniu ruchu w przemyśle? Prosty przewodnik

Co naprawdę oznacza AI w utrzymaniu ruchu w przemyśle

Termin „AI” jest stosowany w odniesieniu do technologii utrzymania ruchu w przemyśle tak szeroko, że stał się niemal bez znaczenia w komunikacji marketingowej dostawców.

Każda platforma posiadająca jakiś algorytm deklaruje zdolność AI.

Nie każdy algorytm jest AI w jakimkolwiek istotnym sensie.

Przydatna definicja w kontekście utrzymania ruchu wygląda następująco.

AI w utrzymaniu ruchu odnosi się do modeli uczenia maszynowego i powiązanych technik, które uczą się wzorców z historycznych danych dotyczących utrzymania i produkcji i wykorzystują te wyuczone wzorce do generowania wyników poprawiających decyzje konserwacyjne, przewidujących awarie sprzętu lub automatyzujących procesy utrzymania.

Kluczowe słowo to „uczyć się”.

Alert progowy wyzwalany, gdy amplituda drgań przekroczy skonfigurowaną wartość, nie jest AI.

To jest reguła.

Model, który uczy się specyficznych wzorców sygnatur drgań poprzedzających uszkodzenia łożysk w określonym modelu silnika w warunkach eksploatacyjnych konkretnego zakładu i przewiduje, że łożysko tego silnika ulegnie awarii w ciągu 14–21 dni na podstawie bieżącego trendu, jest AI.

To rozróżnienie ma znaczenie, ponieważ wymagania dotyczące danych, złożoność wdrożenia oraz charakterystyki wydajności monitoringu opartego na regułach i predykcji opartej na AI są zasadniczo różne.

Cztery zastosowania AI w utrzymaniu ruchu

Zastosowanie 1: Predykcja awarii

Predykcja awarii to zastosowanie AI najczęściej opisywane w marketingu dotyczącym utrzymania ruchu w przemyśle.

Model uczenia maszynowego jest trenowany na historycznych danych z konkretnego zasobu lub klasy zasobów, obejmujących odczyty czujników, trendy wydajności OEE, zapisy zleceń roboczych konserwacji oraz udokumentowane zdarzenia awaryjne.

Model uczy się wzorców w tych danych historycznych, które poprzedzają zdarzenia awaryjne.

Zastosowany do bieżących danych eksploatacyjnych, model ocenia, kiedy najprawdopodobniej wystąpi następna awaria i z jakim prawdopodobieństwem.

Wynikiem jest estymacja pozostałego okresu użytkowania (RUL) lub prawdopodobieństwo awarii w określonym oknie czasowym.

Ten wynik umożliwia zespołowi utrzymania ruchu zaplanowanie interwencji w optymalnym momencie: wystarczająco późno, aby w pełni wykorzystać okres eksploatacji obecnego komponentu, i wystarczająco wcześnie, by wykonać interwencję przed wystąpieniem awarii funkcjonalnej.

Wymagania dotyczące danych dla predykcji awarii są najbardziej rygorystyczne spośród tych czterech zastosowań.

Model potrzebuje udokumentowanych zdarzeń awaryjnych wraz z danymi dotyczącymi stanu, które poprzedzały każde zdarzenie.

Silnik, który zawiódł tylko dwukrotnie w swojej historii eksploatacji, nie zapewni podstaw do stworzenia wiarygodnego modelu predykcji awarii.

Silnik, który uległ awarii 20 razy, przy czym każda awaria ma czyste, połączone dane kondycyjne, zapewnia fundament treningowy niezbędny do wiarygodnej predykcji.

Zastosowanie 2: Klasyfikacja usterek

Klasyfikacja usterek wykorzystuje uczenie maszynowe do automatycznego kategoryzowania zdarzeń uszkodzeń z surowych danych z czujników, sygnałów maszynowych lub opisów zleceń roboczych.

Gdy maszyna zatrzymuje się, jej sterownik PLC generuje kod zatrzymania.

Kod zatrzymania może być na tyle specyficzny, że wskazuje bezpośrednio tryb awarii, albo może być kodem ogólnym, który wymaga diagnozy technika, by go zinterpretować.

Modele AI do klasyfikacji usterek uczą się rozróżniać tryby awarii na podstawie surowych sygnatur danych związanych z każdym trybem, automatycznie przypisując konkretne klasyfikacje usterek zdarzeniom zatrzymania bez potrzeby manualnej diagnozy technika.

To zastosowanie jest wartościowe, ponieważ skraca czas diagnozy, poprawia spójność kodów usterek między technikami i zmianami oraz generuje konkretnie sklasyfikowaną historię konserwacji, której potrzebują modele predykcji awarii i analiza najbardziej problematycznych urządzeń.

Moduł widzenia komputerowego Fabrico obejmuje funkcję klasyfikacji przyczyn opartą na AI, która jest obecnie w fazie rozwoju i znajduje się w planie rozwoju produktu dla tego konkretnego zastosowania.

Zastosowanie 3: Wykrywanie anomalii

Wykrywanie anomalii wykorzystuje uczenie maszynowe do identyfikacji, kiedy zachowanie operacyjne maszyny odbiega od wyuczonego wzorca normalnej pracy w sposób wskazujący na rozwijającą się usterkę.

W przeciwieństwie do monitoringu warunków opartego na progach, który uruchamia alarm, gdy konkretny parametr przekroczy skonfigurowaną wartość, wykrywanie anomalii uczy się wielowymiarowego wzorca normalnej pracy każdej konkretnej maszyny i identyfikuje odchylenia od tego wzorca, których nie uchwyciłby żaden pojedynczy próg.

Silnik, który jednocześnie wykazuje 3% wzrost poboru prądu, 2% wzrost temperatury łożyska i 1,5% spadek prędkości wału, może nie wyzwolić żadnego indywidualnego alarmu progowego.

Model wykrywania anomalii, który nauczył się normalnej wielowymiarowej sygnatury pracy tego silnika, rozpoznaje taki złożony wzorzec jako anomalię i generuje alarm.

Wartość wykrywania anomalii polega na jego czułości na subtelne wielowymiarowe wzorce, które umykają monitorowaniu opartemu na regułach, oraz na zdolności wykrywania nowych trybów awarii, które nie zostały wcześniej skategoryzowane w konfiguracji progów.

Zastosowanie 4: Optymalizacja procesów utrzymania

Czwarte zastosowanie AI w utrzymaniu ruchu jest mniej widoczne niż predykcja awarii, ale ma szerokie zastosowanie już na wcześniejszym etapie dojrzałości danych.

Optymalizacja procesów utrzymania wykorzystuje uczenie maszynowe do poprawy efektywności planowania prac konserwacyjnych, zarządzania częściami zamiennymi oraz kalibracji odstępów między przeglądami okresowymi (PM).

Modele optymalizacji harmonogramów uczą się wzorców z historycznego obciążenia pracami konserwacyjnymi, dostępności techników, ograniczeń harmonogramu produkcji oraz wyników zgodności z PM, które pozwalają przewidzieć, które konfiguracje harmonogramów przynoszą najlepszą skuteczność realizacji PM i najniższy współczynnik prac zaplanowanych do reaktywnych.

Modele optymalizacji części zamiennych uczą się wzorców zużycia na podstawie zapisów części w zleceniach roboczych, aby poprawić ustawienia minimalnych ilości i jednocześnie zredukować zarówno braki w magazynie, jak i nadmierne zapasy.

Modele optymalizacji odstępów PM uczą się na podstawie zapisów ustaleń z PM, które odstępy generują istotne interwencje konserwacyjne, a które powodują niepotrzebne interwencje na zasobach, które jeszcze nie zbliżają się do progów konserwacyjnych.

To zastosowanie wymaga mniejszej głębokości danych historycznych niż predykcja awarii i przynosi wartość wcześniej w procesie gromadzenia danych.

Fundament danych: dlaczego nie można go pominąć

Każde zastosowanie AI w utrzymaniu ruchu wymaga fundamentu danych.

Fundament składa się z trzech elementów.

Łączność. Dane pochodzące z maszyn przez integrację z PLC, czujniki IoT lub sprzęt monitorowania stanu. Modele AI nie mogą być trenowane na danych, które nigdy nie zostały zarejestrowane.

Dane OEE zgłaszane przez operatorów i ręczne zapisy zleceń roboczych są niewystarczające jako podstawowe źródło danych treningowych dla modeli AI, ponieważ są niekompletne, zapisywane niespójnie i nie mają rozdzielczości czasowej wymaganej przez uczenie maszynowe.

Kompletność. Dane historyczne obejmujące pełen zakres warunków eksploatacyjnych, trybów awarii i interwencji konserwacyjnych, z których model musi się uczyć. Zestaw danych, w którym brakuje 40% zdarzeń awaryjnych, ponieważ nie zostały one zalogowane w CMMS, wygeneruje model z systematycznymi lukami, które pojawią się w jego predykcjach jako pominięte awarie w trybach niedostatecznie reprezentowanych w treningu.

Spójność. Dane oznaczone konsekwentnie w czasie i między różnymi technikami. Kod awarii, który dla jednego technika oznacza jedno, a dla innego coś innego, tworzy zbiór treningowy z szumem etykiet klas, co obniża wydajność modelu.

Konsekwentne stosowanie kodów awarii, rejestrowanie zużycia części i praktyki zamykania zleceń roboczych są warunkiem wstępnym jakości danych treningowych.

Zasada 12 miesięcy odzwierciedla wszystkie trzy wymagania.

12 miesięcy połączonych, kompletnych i konsekwentnie oznaczonych danych dostarcza wystarczająco dużo przykładów normalnych wzorców pracy, zmienności sezonowej i zdarzeń awaryjnych, aby trenować modele, które uogólniają wiarygodnie na nowe sytuacje.

Krótsze zbiory danych mogą zawierać wystarczającą liczbę przykładów do przeszkolenia modelu, ale model napotka w eksploatacji warunki operacyjne, których nie widział w treningu, i wygeneruje niewiarygodne wyniki.

Zasada 12 miesięcy jest wskazówką, a nie gwarancją.

Zasoby o wysokiej częstotliwości awarii mogą szybciej zgromadzić wystarczające dane treningowe.

Zasoby o bardzo niskiej częstotliwości awarii mogą wymagać dłuższego okresu gromadzenia danych, zanim modele predykcji awarii będą wiarygodne.

Czym AI w utrzymaniu ruchu nie jest

Wobec szerokich roszczeń dotyczących AI w marketingu utrzymania ruchu warto być wprost i powiedzieć, czym AI w utrzymaniu ruchu nie jest.

AI to nie jest alert progowy.

Skonfigurowanie progu amplitudy drgań i wygenerowanie alertu po jego przekroczeniu to monitoring stanu oparty na regułach.

To jest wartościowe. To nie jest AI.

AI to nie jest dashboard z liniami trendów.

Panel przedstawiający trendy OEE, trendy kosztów utrzymania i trendy zgodności PM to business intelligence.

To jest wartościowe. To nie jest AI.

AI nie jest osiągalne bez fundamentu danych.

Każdy dostawca twierdzący, że jego platforma AI dostarczy wiarygodne predykcje awarii od pierwszego dnia wdrożenia w zakładzie bez historycznych, połączonych danych, albo opisuje wykrywanie anomalii o bardzo niskiej niezawodności, albo wprowadza w błąd co do możliwości swoich modeli.

AI w utrzymaniu ruchu wymaga fundamentu danych, zanim zacznie dostarczać wiarygodne wyniki.

Dostawcy, którzy twierdzą inaczej, powinni zostać poproszeni o wykazanie dokładności predykcji na danych historycznych pochodzących od ich obecnych klientów, zanim zostanie im zaufane w kwestii niezawodności ich zdolności AI.

AI to nie jest zastępstwo dla inżynierii utrzymania ruchu.

Modele AI uwidaczniają wzorce i prognozy, na które reagują inżynierowie utrzymania ruchu.

Nie zastępują osądu inżynierskiego potrzebnego do oceny, czy przewidywana awaria uzasadnia natychmiastową reakcję, zaplanowane prace konserwacyjne czy dodatkowe dochodzenie przed podjęciem interwencji.

Inżynier utrzymania ruchu, który rozumie tryby awarii, interwały P‑F i specyficzny kontekst operacyjny każdego zasobu, pozostaje decydentem.

AI jest narzędziem, które dostarcza temu inżynierowi lepsze informacje szybciej niż analiza ręczna.

Mapa drogowa AI Fabrico

Obecne możliwości AI firmy Fabrico i jej mapa drogowa odzwierciedlają realistyczną kolejność działań, jaką wymaga odpowiedzialne wdrożenie AI w utrzymaniu ruchu przemysłowym.

Obecna platforma zapewnia łączność z maszynami i monitorowanie OEE, które generują czyste, połączone i konsekwentnie sformatowane dane, stanowiące fundament treningowy wymagany przez modele AI.

Klasyfikacja przyczyn oparta na AI w module widzenia komputerowego jest obecnie w fazie rozwoju i znajduje się w mapie drogowej produktu, ukierunkowana na wcześniej opisane zastosowanie klasyfikacji usterek.

Fabrico Agent, asystent procesów utrzymania zasilany AI, jest obecnie w fazie rozwoju i figuruje w mapie drogowej produktu, ukierunkowany na zastosowanie optymalizacji procesów utrzymania.

Moduły AI do predykcyjnego utrzymania są obecnie w fazie rozwoju i znajdują się w mapie drogowej produktu, ukierunkowane na zastosowanie predykcji awarii wraz z dojrzewaniem fundamentu danych w bazie klientów.

Takie sekwencjonowanie jest zamierzone i uczciwe.

Zbudowanie najpierw fundamentu danych zapewnia dane treningowe, których wymagają modele AI.

Wdrożenie modeli AI na dojrzałym, czystym i połączonym zbiorze danych daje wiarygodne wyniki.

Wdrożenie modeli AI przed ustanowieniem fundamentu danych generuje efekty wyglądające na pewne, ale nieniezawodne, co podważa zaufanie do technologii i programu utrzymania ruchu, który się na niej opiera.

Realistyczna mapa drogowa AI dla większości producentów

Większość producentów pytających o AI w utrzymaniu ruchu znajduje się na różnych etapach podróży wstępnych wymagań.

Etap 1: Zapewnienie łączności z maszynami i rzetelne gromadzenie danych.

Bez połączonych danych AI w utrzymaniu ruchu nie jest osiągalne. Ten etap jest warunkiem wstępnym dla wszystkiego, co następuje dalej.

Etap 2: Zgromadzenie 12 miesięcy połączonej, konsekwentnie oznaczonej historii konserwacji.

Jakość danych zleceń roboczych, specyficzność kodów awarii i ewidencja zużycia części to dyscypliny jakości danych, które sprawiają, że ta historia jest użyteczna jako dane treningowe dla AI.

Etap 3: Wdrożenie wykrywania anomalii na zasobach Tier 1.

Wykrywanie anomalii wymaga mniejszej głębokości danych historycznych niż predykcja awarii i przynosi wartość wcześniej. Jest to odpowiednie pierwsze zastosowanie AI w utrzymaniu dla większości producentów.

Etap 4: Wdrożenie optymalizacji procesów utrzymania.

Optymalizacja harmonogramów, optymalizacja części zamiennych i kalibracja odstępów PM z wykorzystaniem uczenia maszynowego mogą zostać wdrożone, gdy dane CMMS i połączone dane produkcyjne osiągną dojrzałość.

Etap 5: Wdrożenie predykcji awarii na zasobach z wystarczającą historią awarii.

Predykcja awarii dla konkretnych zasobów, których historyczny zbiór danych zawiera wystarczającą liczbę udokumentowanych zdarzeń awaryjnych do treningu wiarygodnych modeli, jest ostatnim etapem podróży AI w utrzymaniu ruchu.

Ten etap następuje w różnym czasie dla różnych zasobów, w zależności od częstotliwości awarii i jakości danych.

Najczęściej zadawane pytania

Czy do wdrożenia AI w utrzymaniu ruchu w przemyśle potrzebny jest data scientist?

Nie dla komercyjnie dostępnych platform AI do utrzymania ruchu, które dostarczają gotowe modele wytrenowane na dużych zbiorach danych przemysłowych.

Gotowe modele z ugruntowanych platform można zastosować do danych zakładu z pomocą zespołu wdrożeniowego platformy, zamiast wymagać wewnętrznych kompetencji data science.

Do tworzenia modeli niestandardowych trenowanych specyficznie na danych o awariach z danego zakładu potrzebne są kompetencje data science — wewnętrzne lub w ramach współpracy ze specjalistycznymi partnerami.

Jak dokładne są praktycznie modele predykcji awarii oparte na AI?

Dokładność znacznie różni się w zależności od typu zasobu, trybu awarii, jakości danych i dojrzałości modelu.

Dobrze wdrożone modele predykcji awarii dla zasobów z bogatą historyczną bazą zdarzeń awaryjnych zazwyczaj osiągają precyzję na poziomie 70–90% dla predykcji w zadeklarowanym horyzoncie czasowym.

Oznacza to, że 10–30% predykcji to fałszywe alarmy, generujące niepotrzebne działania konserwacyjne.

Alternatywne porównanie nie dotyczy predykcji doskonałej wobec predykcji niedoskonałej.

Chodzi o niedoskonałą wczesną predykcję versus brak predykcji, gdzie skutkiem są nieplanowane awarie.

Nawet przy 80% precyzji predykcja awarii oparta na AI eliminuje 80% nieplanowanych awarii, które miała zapobiec, co stanowi istotną poprawę w porównaniu z monitoringiem warunków bez modeli predykcyjnych.

Jaka jest różnica między predykcyjnym utrzymaniem opartym na AI a utrzymaniem opartym na stanie?

Utrzymanie oparte na stanie wyzwala interwencje konserwacyjne, gdy monitorowany parametr stanu przekroczy skonfigurowany próg.

Predykcyjne utrzymanie oparte na AI wykorzystuje uczenie maszynowe do oszacowania, kiedy wystąpi awaria, na podstawie wzorców w danych historycznych, dostarczając estymacje pozostałego czasu użytkowania zamiast alertów z przekroczenia progu.

Utrzymanie oparte na stanie jest warunkiem wstępnym dla predykcyjnego utrzymania AI i samo w sobie dostarcza znaczącej wartości.

Predykcyjne utrzymanie AI dodaje zdolność przewidywania terminu awarii zamiast jedynie wykrywania aktualnej degradacji, umożliwiając precyzyjniejsze planowanie prac konserwacyjnych w określonym przewidywanym oknie czasowym.

AI w utrzymaniu ruchu w przemyśle nie jest skrótem technologicznym. Jest naturalnym kolejnym krokiem dla programów utrzymania ruchu, które zbudowały fundament danych, którego wymagają ich modele.

Producenci, którzy czerpią największe korzyści z utrzymania opartego na AI, nie są tymi, którzy wdrożyli je najwcześniej. Są to ci, którzy wypracowali dyscyplinę jakości danych, która sprawia, że wyniki AI są wystarczająco wiarygodne, by im zaufać.