Достигните нулевого простоя с предиктивным обслуживанием на базе ИИ

В середине 2000-х компрессорная станция завода Toyota North America в Джорджтауне (Кентукки) выходила из строя в среднем более раза в год. Это заставило задуматься: может ли машинное обучение и ИИ решить проблему через детекцию аномалий, идентификацию неисправностей и, главное, предсказание грядущих сбоев до их возникновения?

Неплановая остановка компрессорной станции означала проблему для всего завода. Красочный цех использовал сжатый воздух для покраски новых авто. Система приводила в действие пневмоинструмент, и ничто не сравнивалось со сжатым воздухом для продувания шлифовальной пыли и других остатков.

С готовым автомобилем, сходящим с одной из трех линий каждые 25 секунд в двух сменах, последствия отказа системы сжатого воздуха были значительны.

«Расходы, если линия встает, огромны», — сказал Марк Ракер, менеджер проекта и эксперт по электрике на заводе. «Поэтому есть сильный стимул иметь надежную, стабильную инфраструктуру».

Многомиллионная система сжатого воздуха состоит из дюжины центробежных компрессоров Ingersoll Rand, каждый размером с небольшой полуприцеп. Конечные лопатки каждого компрессора вращаются на 20 000 об/мин в долях дюйма от корпуса. Если лопатка хоть немного выходит из спецификаций и касается корпуса — она выходит из строя. Вся машина требует переборки за ~$100 000.

Качание лопатки — не причина аварии, а следствие.

Авария — так называемый напора или обратный поток — случается, когда что-то заставляет нормальный поток воздуха от компрессора к трубе попытаться реверсироваться, и воздух в трубе давит обратно.

Частота, стоимость и последствия аварий подтолкнули Toyota обратиться к Джей Ли, основателю систем интеллектуального обслуживания, за помощью.

Джей Ли опередил кривую Индустрии 4.0

В начале нового тысячелетия, до звонка из Toyota, Ли был профессором инженерии в Университете Синциннати, предвидевшим все станки на заводе, подключенные и предоставляющие данные для интеллектуального обслуживания. Тогда большинство технологий для реализации этого видения еще не существовало.

«Двадцать лет назад очень мало людей верили, что это возможно», — сказал Ли, сейчас в отпуске от преподавания, вице-председатель совета директоров Foxconn Technology Group в Висконсине.

В его промышленном видении станки — как пациенты, а данные с датчиков, мониторящих станки, дают информацию о их здоровье. Эксперты выдают прогнозы, интерпретируя собранные и проанализированные данные.

«Я сказал: „Почему не проверить „кровь“ станка?“ А что такое „кровь“ станка? Данные. Вопрос: „Какие данные вы хотите получить?“ Зависит от того, что вы хотите анализировать. Нам нужно понять контекст и содержание, и дальше сформулировать модель взаимосвязи среди невидимых неизвестных».

В данных скрыт смысл девиантного поведения станка или процесса. Раскрытие этого смысла ведет к предсказанию качества, определению стабильности станка или процесса и предотвращению потенциальных сбоев. «Именно об этом сегодня и есть Индустрия 4.0», — сказал Ли.

Термин «Индустрия 4.0» стал популярен около 2013 года с инициативой немецкого правительства.

Ни одной аварии с 2006 года

Прибыв в Toyota, Ли и его команда аналитиков данных объединились с Ракером и группой квалифицированных рабочих по обслуживанию и инженерами завода, чтобы решить проблему компрессорной станции.

Простота их вопросов скрывала сложность задачи.

«Можем ли мы предсказать проблему обратного потока до аварии?» — спросил Ракер. «Можем ли мы увидеть что-то развивающееся вовремя, чтобы предпринять меры?»

Через месяцы проб и ошибок в 2005 году команда собирала и анализировала высокоточные данные с одного компрессора, искала аномалии. Иногда команда специально создавала условия напора или приближения к нему, чтобы заставить станок проявить девиантное поведение и увидеть, как это выглядит в данных.

В конечном итоге работа увенчалась успехом. Лучший предсказатель начинающегося напора обнаружился на второй стадии (из четырех стадий, через которые проходит компрессор: от нормального давления до 120 psi).

«Какая физика за этим, почему это предсказатель?» — сказал Ракер. «Не знаю, неважно. Мы просто увидели, что это надежно предсказывает будущий напор за несколько секунд».

Следующий шаг — поставить дифференциальный датчик на каждый компрессор и создать алгоритм машинного обучения для центрального блока управления. Тесты подтвердили: как только вторая стадия начинает «качаться», компрессор начинает сбрасывать нагрузку.

«Каждый раз, когда мы тестировали, это держало нас в стороне от бед», — сказал он. «С 2006 года аварий не было».

Пока проект по контролю напора увенчался успехом, другой — попытка предсказать срок службы подшипников в компрессорах — провалился. Команда не нашла достаточно надежных данных обслуживания и не смогла соотнести их с операционными данными станков для полезных корреляций, сказал Ракер.

«Это, вероятно, правильная смесь R&D», — заметил он. «Пробуешь, не знаешь, сработает ли. Если в половине случаев возвращаешь вложения — это победа. И иногда находишь то, что окупает всё остальное — как контроль напора».

Гибкость — ключ

Ли затем опубликовал статью о проекте Toyota и в 2013 году помог основать Predictronics вместе с Патриком Брауном, сотрудником Intelligent Maintenance Systems, и двумя своими студентами, Дэвидом Сигелом и Эдзелем Лапирой. Браун, Лапира и Сигел образуют руководство Predictronics.

Как Ракер из Toyota обратился к Ли за помощью ИИ, компании приходят в Predictronics за помощью в достижении нулевого простоя.

«Разные клиенты обычно на разных уровнях зрелости», — сказал Лапира, CEO. «У некоторых уже есть структура сбора данных: есть озеро данных, но не знают, что с ними делать. У других нужно начинать с нуля».

Клиенты с 50- или 60-летними активами должны начинать еще раньше.

Все чаще Predictronics обращаются клиенты с устаревшими станками. Лапира и коллеги отправляют их за компонентами вроде акселерометров и преобразователей.

«Это разные аналого-цифровые преобразователи, нужные для извлечения этих данных», — сказал он.

С основания в 2013 году Predictronics помогло более 70 заводам с ИИ-решениями, многие из них — Fortune 500.

Predictronics работало с клиентом, производителем полупроводников, чтобы создать решение виртуальной метрологии, способное выучить взаимосвязь между сенсорными и измерительными переменными.

Проект был сложен из-за сотен измеряемых сигналов от полупроводникового оборудования.

Но есть известные статистические методы сужения вариантов, сказал Сигел.

«Помимо этих методов, за последние годы больше сообщество машинного обучения разработало методы, включающие алгоритмы классификации регрессии со встроенным отбором переменных», — сказал он. «Это сужает до топ-10, 20 или 30 переменных. Затем работаешь с клиентом или используешь свои знания, чтобы определить, что имеет смысл включить в ПО и аналитическую модель».

Будет ли Predictronics применять опыт из предыдущих проектов в шаблонном подходе, снижающем затраты, или решение, сформулированное в одной части компании, которое затем можно масштабировать внутри, «ключевым является нахождение решения, прямо адресующего самые критические проблемы, но достаточно гибкого для применения к другим задачам», — сказал Браун.

Ду дилидженес для ИИ

Заводам, ищущим провайдера ИИ-решений, как Toyota для своей компрессорной проблемы, следует провести должную осмотрительность, чтобы найти идеальное соответствие.

Помогает знать правильные вопросы, говорят эксперты Predictronics:

• Где ваши услуги уже использовались?
• Демонстрировало ли ваше решение явное улучшение бизнес-операций в терминах сокращения простоя или повышения качества?
• Использовалось ли ваше решение в моей отрасли?
• Есть ли у вашей команды предметная промышленная экспертиза?
• Работает ли ваше решение с устаревшим оборудованием?
• Работает ли оно с разными датчиками?
• Использует ли оно машинное обучение?
• Сколько данных требуется для обучения модели?
• Нужны ли только данные исправного станка или также деградировавшего/неисправного для обучения?

Роботы тоже хотят ИИ

Пока станки в цеху работают лучше под влиянием ИИ, нет причин, почему роботы не могли бы сделать то же.

Fanuc America недавно добавила «AI Error Proofing» в контроллер роботов и их функцию зрения iRVision, использующую машинное обучение (ML) для инспекции деталей.

С возможностью предотвращения ошибок оператор использует изображения для обучения ML проверке двух ситуаций — например, присутствует ли приваренная гайка или нет — и принятия или отклонения детали.

Поскольку iRVision поддерживает до 27 камер, функция предотвращения ошибок может действовать во многих точках производственного процесса.

«Вы хотите выявить брак или ошибки до того, как продолжите добавлять ценность к бракованной детали», — сказал Джош Персон, штатный инженер в группе машинного зрения Fanuc.

«Часто можно увидеть ошибку на одной стадии, а следующая стадия её скроет», — добавил он.

Во время настройки оператор может представить множество примеров заготовок и классифицировать их в две категории — хорошие и плохие. Если пример не попадает ни в один класс, выдается «неопределено». Неопределенные примеры можно добавить для улучшения модели.