Достигните производительности без простоев, «проверив кровь машины»

В середине 2000-х система сжатого воздуха на заводе Toyota North America в Джорджтауне, штат Кентукки, выходила из строя в среднем более одного раза в год. Это заставило некоторых на заводе задаться вопросом, могут ли машинное обучение и ИИ решить эту проблему, обеспечивая обнаружение аномалий, идентификацию сбоев и, что наиболее важно, прогнозирование надвигающихся сбоев до их возникновения.

Незапланированный простой системы сжатого воздуха, конечно же, означал, что проблема возникла на всем заводе. В покрасочном цехе для окраски новых автомобилей распылением использовался сжатый воздух. Система вдохнула жизнь в пневматические инструменты, и ничто не сравнится со сжатым воздухом для сдувания шлифовальных и других остатков.

Готовый автомобиль скатывается с одной из трех линий на заводе каждые 25 секунд в течение двух смен, и последствия отказа системы подачи сжатого воздуха могут быть значительными.

«Расходы в случае выхода из строя линии огромны», — сказал Марк Ракер, руководитель проекта и эксперт по электротехнике на заводе. «Таким образом, есть хороший стимул иметь хорошую, надежную и стабильную утилиту».

Многомиллионная система сжатого воздуха состоит из дюжины центробежных воздушных компрессоров Ingersoll Rand, каждый размером с небольшой полуприцеп. Лопасти конечной ступени каждого компрессора вращаются со скоростью 20 000 об/мин на расстоянии доли дюйма от корпуса. Если лезвие работает хоть немного не по спецификации и касается корпуса, оно пропало. Вся машина должна быть восстановлена ​​стоимостью около 100 000 долларов США.

Однако раскачивание лезвия не является причиной аварии; это результат.

Авария — она же всплеск или обратный поток - происходит, когда что-то заставляет нормальный поток воздуха от компрессора к трубе пытаться изменить свое направление, и воздух в трубе выталкивается обратно.

Частота, стоимость и последствия аварий побудили Toyota обратиться за помощью к Джею Ли, директору-основателю Intelligent Maintenance Systems.

Джей Ли опережал кривую Индустрии 4.0

В начале нового тысячелетия, до звонка из Toyota, Ли был профессором инженерии в Университете Цинциннати, который предполагал, что все машины на заводе будут подключены и будут предоставлять данные для интеллектуального обслуживания. Однако в то время еще не существовало многих технологий, необходимых для воплощения мечты Ли в реальность.

"Двадцать лет назад мало кто верил, что это возможно", – сказал Ли, который в настоящее время находится в отпуске и является вице-председателем и членом совета директоров Foxconn Technology Group в Висконсине.

В его промышленном видении машины подобны пациентам, а данные, собранные с датчиков, которые контролируют машины, предоставляют информацию об их здоровье. Эксперты составляют прогнозы, интерпретируя данные, которые они собирают и анализируют.

«Я сказал:«Почему бы не протестировать машинную кровь?» А что такое машинная кровь?» — сказал Ли. "Данные. Вопрос в том, «Какие данные вы хотите получить?» Это зависит от того, что вы хотите анализировать. Нам нужно понять контекст и содержание, а затем сформулировать модель отношений между невидимыми неизвестными».

В данных скрыто значение девиантного поведения машины или процесса. Раскрывая это значение, можно прогнозировать качество, определять стабильность машины или процесса и предотвращать возможные сбои. «Это именно то, о чем сегодня идет речь в Индустрии 4.0», — сказал Ли.

Само собой, термин «Индустрия 4.0» не был популярен примерно до инициативы правительства Германии в 2013 году.

Никаких сбоев с 2006 года

Оказавшись в Toyota, Ли и его команда аналитиков данных присоединились к Рукеру и группе квалифицированных специалистов по техническому обслуживанию и заводских инженеров, чтобы решить проблему с системой сжатого воздуха.

За простотой их вопросов скрывалась сложность предстоящей задачи.

«Можем ли мы предсказать проблему с обратным потоком до того, как она вызовет аварию?» — сказал Рукер. «Можем ли мы увидеть, что что-то развивается вовремя, чтобы что-то с этим сделать?»

Через несколько месяцев проб и ошибок в 2005 году команда собрала и проанализировала высокоточные данные одного из компрессоров и искала аномалии. Иногда команда создавала условия всплеска или приближения к всплеску, чтобы заставить машину начать демонстрировать девиантное поведение и посмотреть, как это выглядит в наборе данных.

В конце концов, работа команды окупилась. Его члены увидели, что лучший предсказатель начинающегося помпажа возникает на второй стадии (из четырех стадий, через которые проходит компрессор, происходит переход от нормального давления к 120 фунтам на квадратный дюйм, или PSI).

«Какая физика стоит за этим, почему это предиктор?» — сказал Рукер. «Не знаю, плевать. Мы только что увидели, что это надежно предсказывает будущий всплеск и предсказывает его с секундным предупреждением».

Следующим шагом было поставить дифференциальный датчик на каждый компрессор и создать алгоритм машинного обучения для центрального блока управления. Тесты подтвердили, что как только вторая ступень начинала «раскачиваться», компрессор начинал сбавлять обороты.

«Каждый раз, когда мы тестировали его, это спасало нас от неприятностей», — сказал он. «У нас не было сбоев с 2006 года».

В то время как проект помпажа компрессора был успешным, другой, который был сосредоточен на попытке предсказать срок службы подшипников в гигантах сжатого воздуха, потерпел неудачу. По словам Ракера, команде не удалось найти достаточно надежных данных о техническом обслуживании и сопоставить их с эксплуатационными данными машины, чтобы провести какие-либо полезные корреляции.

«Возможно, это правильное сочетание исследований и разработок», — сказал он. «Ты пробуешь что-то и не знаешь, сработает это или нет. И если в половине случаев вы вернете свои деньги, это победа. И время от времени вы находите ту, которая платит за все остальное, например, за контроль перенапряжения».

Гибкость — ключ к успеху

Впоследствии Ли опубликовал статью о проекте Toyota, а в 2013 году помог основать Predictronics вместе с Патриком Брауном, сотрудником Intelligent Maintenance Systems, и двумя его студентами, Дэвидом Сигелом и Эдзелем Лапирой. Коричневый. Lapira и Siegel образуют пакет Predictronics C.

Подобно тому, как Рукер из Toyota обратился к Ли за помощью в области искусственного интеллекта, компании обращаются к Predictronics за помощью в достижении нулевого времени простоя.

«Разные клиенты обычно находятся на разном уровне зрелости, — говорит Лапира, генеральный директор. «У нас есть клиенты, у которых уже есть структура сбора данных:у них есть озеро данных, но они не знают, что делать с данными. У нас также есть клиенты, которым приходится начинать с нуля».

Клиенты с активами 50- или 60-летней давности должны начать с еще более раннего этапа.

Все чаще к Predictronics обращаются клиенты с устаревшими машинами. Лапира и его коллеги посылают их за покупками таких компонентов, как акселерометры и датчики.

«Это разные аналого-цифровые преобразователи, которые нам нужны для вывода этих данных», — сказал он.

С момента своего основания в 2013 году компания Predictronics помогла более чем 70 фабрикам внедрить решения для искусственного интеллекта, многие из которых входят в список 500 компаний из списка Fortune.

Компания Predictronics работала с одним клиентом, производителем полупроводников, над созданием решения для виртуального метрологического прогнозирования, которое позволяло изучать взаимосвязь между датчиком и измеряемыми переменными.

Проект был сложным из-за сотен измеренных сигналов, испускаемых полупроводниковым оборудованием.

Но есть хорошо известные статистические методы для сужения числа возможностей, сказал Сигел.

«Помимо этих методов, за последние несколько лет сообщество машинного обучения разработало методы, включающие алгоритм классификационной регрессии со встроенной частью выбора переменных», — сказал он. «Итак, это сужает его до 10, 20 или 30 основных переменных. Затем вы работаете с клиентом или используете свои собственные знания, чтобы определить, что имеет смысл включить в программное обеспечение и модель анализа».

Применяет ли Predictronics знания, полученные из предыдущего опыта, в своем подходе на основе шаблонов, который помогает снизить затраты, или решение, сформулированное в одном подразделении компании, которое затем можно масштабировать внутри компании, «находя решение, которое непосредственно решает наиболее важные проблемы». проблем, но также достаточно гибок, чтобы его можно было применять к другим проблемам, — сказал Браун.

Проверка искусственного интеллекта

Заводы, которые ищут поставщика решений для искусственного интеллекта, как это сделала Toyota для решения проблемы со сжатым воздухом, должны проявить должную осмотрительность, чтобы найти именно то, что подходит.

По словам экспертов Predictronics, полезно знать, какие вопросы задавать:

Где уже использовались ваши услуги?

Продемонстрировало ли ваше решение явное улучшение бизнес-операций с точки зрения сокращения времени простоя или повышения качества?

Ваше решение использовалось в моей отрасли?

Есть ли у вашей команды знания в области промышленности?

Ваше решение работает с устаревшим оборудованием?

Ваше решение работает с различными датчиками?

Использует ли ваше решение машинное обучение?

Сколько данных требуется для обучения модели?

Нужны ли ему только данные от исправной машины или данные от деградировавшей или неисправной машины также для обучения?

Роботам тоже нужен искусственный интеллект

Хотя станки в магазине работают лучше под влиянием ИИ, нет причин, по которым роботы не могут делать то же самое.

Fanuc America недавно добавила «защиту от ошибок ИИ» в свой контроллер робота и функцию зрения роботов iRVision, которая использует машинное обучение (ML) для проверки деталей.

Благодаря функции защиты от ошибок оператор использует изображения, чтобы обучить машинное обучение проверять две различные ситуации — например, наличие или отсутствие приваренной гайки — и принимать или отклонять деталь.

Поскольку iRVision может поддерживать до 27 камер, функция защиты от ошибок может действовать на любом количестве этапов производственного процесса.

«Вы хотите выявлять брак или ошибки, прежде чем продолжать повышать ценность неисправной детали», — сказал Джош Персон, штатный инженер группы машинного зрения Fanuc.

«Часто вы можете увидеть ошибку на одном этапе, а на следующем этапе ее скроют», — добавил он.

Во время настройки оператор может представить несколько образцов заготовок и разделить их на две категории — хорошие и плохие. Если пример не попадает ни в один из классов, он выведет «неопределенный». Затем можно добавить неопределенные примеры, чтобы улучшить изученную модель.