Использование машинного обучения для расширенного мониторинга состояния

Мы много слышим о том, что происходит в сфере мониторинга состояния промышленного Интернета вещей (IIoT) и других стратегий цифровой трансформации. Ожидаемые результаты от использования машинного обучения (МО) и искусственного интеллекта (ИИ) в качестве формы мониторинга состояния побудили многие организации в различных отраслях использовать науку о данных.

Таким образом они надеются повысить эффективность своих усилий по техническому обслуживанию и гарантировать постоянное состояние своих критически важных активов. Как и люди, компьютеры могут учиться на прошлом опыте, чтобы создавать обоснованные прогнозы о потенциальных будущих результатах.

Но действительно ли мониторинг состояния так прост?

Ответ — нет. 

Представьте себе, что вы сообщаете своей организации, что вы можете определить конкретный режим отказа, если они допустят сбой машины как минимум три раза, что позволит вам извлечь уроки из данных и выявить закономерности для этого конкретного режима отказа. Это, вероятно, приведет к тому, что вас выпроводят из помещения, а над вашей технологией будут насмехаться. Отсюда и проблема с машинным обучением.

Машинное обучение

Технология обработки данных искусственного интеллекта, которая расширяет возможности программного обеспечения для обработки данных прогнозировать будущие результаты, такие как предстоящие сбои активов, при минимальном вмешательстве человека после этапа начальной настройки.
Источник:Завод Надежный

Можно возразить, что мы не хотим обучать модели распознавать отдельные уровни отказов и что нам нужно получать уведомления только тогда, когда конкретный актив представляет данные, которые отклоняются от установленных стандартов. Машинное обучение может прекрасно с этой задачей справиться. Однако то же самое можно сказать и о трендовых данных, которые используются десятилетиями и не требуют дополнительных капиталовложений.

Значение машинного обучения для мониторинга состояния

Итак, какова реальная ценность создания этих моделей машинного обучения?

Не так уж и много, если бы мы хотели закончить историю на этом. Но у нас есть огромный объем данных, которые могут нам помочь и поддержать; таким образом мы можем обучить модель машинного обучения понимать, как выглядят приемлемые условия по сравнению с неприемлемыми.

Мы также можем применить к этой стратегии мультитехнологии и обработать данные, и при этом мы можем точно определить, какая часть данных или какой конкретный датчик выдает выбросы. Затем это может стать целевым фокусом группы аналитиков.

Но какова польза от этого?

Исторические данные показывают, что на большинстве предприятий примерно 80% активов находятся в хорошем состоянии, а это означает, что примерно 20% активов имеют заметные дефекты. Используя этот процесс, мы можем эффективно сократить почти 80 % времени, затрачиваемого аналитиками на просмотр данных.

Это освобождает их графики и позволяет им сосредоточиться на данных более высокого уровня и более сложных проблемах, для решения которых требуется сочетание оборудования, процессов и знаний предметной области. При этом они могут увеличить процент исправного оборудования и снизить количество выявляемых дефектов.

Машинное обучение для анализа

Большинству инженеров и аналитиков не нравится просматривать наборы данных в надежде найти проблему. В большинстве случаев настоящая радость приходит от выяснения причины проблемы. Машинное обучение можно использовать для максимизации времени аналитика, что позволяет увеличить усилия по обслуживанию и обеспечению надежности, а также позволяет расширять программу за счет добавления дополнительных активов или технологий.

Знаете ли вы?

"Алгоритмы машинного обучения позволяют прогнозировать отказы оборудования с точностью до 92 %, повышая надежность активов и качество продукции".
Источник:ITConvergence

Как упоминалось ранее, могут быть созданы алгоритмы для выявления аномалий вплоть до уровня режима отказа, но они должны сопровождаться надежными знаниями предметной области, охватывающими несколько дисциплин, например тех, которые отдают приоритет механическому, электрическому и стационарному оборудованию. Эксперты в данной области должны иметь фундаментальное представление об оборудовании и измерительных устройствах.

Этот процесс не для слабонервных, и хотя для создания точных моделей он требует сотрудничества инженеров-программистов, специалистов по данным и экспертов в области мониторинга состояния, преимущества огромны.

Преимущества создания алгоритмов включают в себя:

• Сокращение времени простоя за счет расширения моделей обслуживания по состоянию.
• Сокращение расходов за счет снижения стоимости отслеживаемого объекта. 
• Сокращение расходов за счет исключения менеджеров проектов по времени.
• Повышение производительности.
• Повышение производительности сотрудников.
• Повышенная надежность оборудования.
• Раннее обнаружение неисправностей и сбоев путем уточнения локальных моделей и пороговых значений.
• Улучшение качества жизни всех заинтересованных сторон.

Например, когда мы рассматриваем анализ нефти, алгоритм должен содержать информацию и знания об отдельных компонентах, частях и метаданных актива.

Кроме того, необходимо сопоставление исходного материала с конкретными испытательными листами, а знание правильного порогового значения имеет решающее значение для создания правильных моделей машинного обучения для анализа смазки.

Аналогичным образом, при анализе вибрации определение интересующих областей и обнаружение закономерностей в форме сигнала и быстрое преобразование Фурье (БПФ) — это лишь отправная точка для вашей команды. Эти знания базового уровня будут включать понимание метаданных и их уникальных вычислений, которые связаны с конкретными режимами сбоя и причинами сбоя.

Ваша команда также должна обладать знаниями и фундаментальным пониманием:

• Характерные виды отказов.
• Какие данные могут определить характерные виды отказов.
• Какие датчики наиболее эффективны и подходят для использования.
• Когда в данных идентифицируются виды сбоя.

Они часто отсутствуют в большинстве, если не во всех, готовых предложениях, доступных сегодня. Когда вы отбрасываете эти фундаментальные знания и полагаетесь исключительно на простую линейную регрессию, количество неточных показаний, которые включают как ложноположительные, так и отрицательные результаты, значительно возрастает. Это только портит репутацию технологии машинного обучения.

Заключение

Хотя роль аналитика по мониторингу состояния со временем будет развиваться и развиваться, это следует рассматривать как положительный переход; их участие в создании и поддержке этих приложений машинного обучения, а также их усилия по постоянному обновлению моделей будут иметь неоценимое значение для организации.

Эти усилия по созданию и поддержанию базы данных будут лежать в основе каждой программы мониторинга состояния, а точность каждого алгоритма машинного обучения и искусственного интеллекта будет зависеть от навыков, упорства и знаний аналитика.