Использование машинного обучения для продвинутого мониторинга состояния

Мы много слышим о происходящем в сфере мониторинга состояния в контексте промышленного интернета вещей (IIoT) и других стратегий цифровой трансформации. Обещанные результаты от использования машинного обучения (ML) и искусственного интеллекта (AI) как формы мониторинга состояния вдохновили многие организации в различных отраслях применить науку о данных на практике.

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

Но действительно ли мониторинг состояния так прост?

Ответ — нет.

Представьте, что вы говорите своей организации: вы можете выявить определенный режим отказа, если позволите машине выйти из строя минимум три раза, чтобы научиться на данных и выявить закономерности для этого конкретного режима отказа. Скорее всего, вас бы сопроводили за периметр, а вашу технологию высмеяли. В этом и заключается проблема машинного обучения.

Машинное обучение

Технология искусственного интеллекта для работы с данными, которая повышает способность программного обеспечения предсказывать будущие исходы, такие как предстоящие отказы активов, с минимальным участием человека после первоначальной настройки.
Источник: Reliable Plant

Можно утверждать, что мы не хотим обучать модели распознаванию отдельных уровней режимов отказа, а нам нужно только получать уведомления, когда конкретный актив демонстрирует данные, отклоняющиеся от установленных стандартов. Машинное обучение отлично справляется с этим. Однако то же умеют трендовые данные, которые используются десятилетиями и не требуют дополнительных капитальных вложений.

Ценность машинного обучения в мониторинге состояния

В чем же реальная ценность создания этих моделей машинного обучения?

Невелика, если бы мы закончили историю здесь. Но у нас есть огромное количество данных, которые могут помочь и поддержать нас; таким образом, мы можем обучить модель машинного обучения понимать, как выглядят допустимые условия по сравнению с недопустимыми.

Мы также можем применить мульти-технологические и процессные данные к этой стратегии, и, делая это, мы можем точно определить, какой фрагмент данных или какой конкретный датчик выдает выброс. Это затем становится целевым фокусом команды анализа.

Но какова ценность этого?

Исторические данные показывают, что на большинстве предприятий примерно 80% активов находятся в хорошем состоянии, что означает, что примерно у 20% активов присутствует идентифицируемый дефект. Используя этот процесс, мы можем эффективно исключить почти 80% времени на проверку данных, требуемого аналитиками.

Это освобождает их расписание и позволяет сосредоточиться на данных более высокого уровне и более сложных проблемах, требующих сочетания знаний об оборудовании, процессах и предметной области для решения. Таким образом, они могут увеличить процент исправных оборудований и сократить количество идентифицируемых дефектов.

Машинное обучение для анализа

Большинство инженеров и аналиков не любят перебирать наборы данных в надежде найти проблему. В большинстве случаев их настоящее удовольствие исходит из выяснения причины проблемы. Машинное обучение можно использовать для максимизации времени аналитика, что позволяет усилить усилия по обслуживанию и надежности и расширить программу за счет добавления дополнительных активов или технологий.

Знаете ли вы?

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

Как упоминалось ранее, алгоритмы можно генерировать для выявления аномалий до уровня режима отказа, но они должны сопровождаться надежными знаниями предметной области, охватывающими несколько дисциплин, таких как механическое, электрическое и стационарное оборудование. Специалисты по предметной области должны иметь фундаментальное понимание оборудования и измерительных приборов.

Этот процесс не для слабонервных, и хотя он требует сотрудничества программистов, специалистов по данным и экспертов по мониторингу состояния для построения этих точных моделей, выгоды глубоки.

Преимущества генерации алгоритмов включают:

• Сокращение простоя за счет расширения моделей покрытия обслуживания на основе состояния.
• Сокращение затрат за счет снижения стоимости на один отслеживаемый актив.
• Сокращение затрат за счет устранения планового ППР по времени.
• Повышение производительности.
• Повышение производительности персонала.
• Повышение надежности оборудования.
• Раннее обнаружение неисправностей и отказов за счет уточнения локальных моделей и порогов.
• Улучшение качества жизни для всех заинтересованных сторон.

Когда мы рассматриваем маслоанализ, например, алгоритм должен содержать информацию и знания об отдельных компонентах, деталях и метаданных актива.

Кроме того, отображения исходного материала на конкретные тестовые листы обязательны, а знание правильного порогового значения критично для создания надлежащих моделей машинного обучения для анализа смазки.

Точно так же в вибрационном анализе определение областей интереса и обнаружение закономерностей в волновой форме и быстром преобразовании Фурье (FFT) — это лишь отправная точка для вашей команды. Этот базовый уровень знаний включает понимание метаданных и их уникальных расчетов, которые связаны с конкретными режимами и причинами отказа.

Ваша команда также должна обладать знаниями и фундаментальным пониманием:

• Естественных режимов отказа.
• Какие данные могут идентифицировать естественные режимы отказа.
• Какие датчики наиболее способны и уместны для использования.
• Где режимы отказа идентифицируются в данных.

Этого часто не хватает во большинстве, если не во всех готовых решениях, доступных сегодня. Когда вы отсекаете это фундаментальное знание и полагаетесь исключительно на простую линейную регрессию, количество неточных показаний, включая как ложноположительные, так и ложноотрицательные, растет 엄청но. Это только портит репутацию технологии машинного обучения.

Заключение

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

Эти усилия по созданию и поддержке баз данных будут в сердце каждой программы мониторинга состояния, и точность каждого алгоритма машинного обучения и искусственного интеллекта будет зависеть от мастерства, упорства и знаний аналитика.