Cum să utilizați Machine Learning pentru a efectua întreținere predictivă

În toate industriile, companiile s-au bazat în mod tradițional pe întreținerea programată. Privind în interiorul mașinilor la intervale stabilite, le face să funcționeze. Dar este într-adevăr cel mai rentabil mod de a reduce timpul nedorit? Nu chiar. Numeroase studii spun că doar 20% dintre defecțiunile echipamentelor sunt legate de vârstă, în timp ce 80% apar la întâmplare.

În condițiile în care companiile din toate sectoarele se pregătesc pentru toate lucrurile alimentate de inteligența artificială (AI), întreținerea predictivă bazată pe învățarea automată (ML) a intrat în centrul atenției.

Prevederea problemelor echipamentelor înainte ca acestea să apară și efectuarea întreținerii exact atunci când este necesară promite economii de costuri și productivitate îmbunătățită. De fapt, 90% dintre producătorii care au adoptat întreținerea predictivă bazată pe ML au reușit să-și reducă timpul de reparații și timpul neplanificat, arată o cercetare realizată de CXP Group.

În această postare de blog, împărtășim experiența noastră în consultanța software AI, săpăm în funcționarea interioară a sistemelor de întreținere predictivă, împărtășim povești de succes care vă vor inspira și abordăm provocările adoptării soluțiilor de întreținere predictivă bazate pe inteligență artificială.

Ce este întreținerea predictivă?

Întreținerea predictivă este o abordare proactivă a întreținerii echipamentelor care utilizează ML pentru a prevedea potențialele defecțiuni. Acest lucru, la rândul său, ajută la prevenirea timpurilor de nefuncționare costisitoare. Gândiți-vă la asta ca la echipamentul dvs. care vorbește, spunându-vă exact când are nevoie de atenție, chiar înainte ca ceva să meargă prost.

Un sistem de întreținere predictivă funcționează ca o echipă de inspectori care supraveghează echipamentul dumneavoastră 24/7, colectând și strângând volume masive de date în timp real. Acești „inspectori” pot detecta cele mai mici anomalii și modele care scapă ochiului uman, avertizându-vă despre potențiale eșecuri înainte ca acestea să devină dureri de cap majore.

Să aruncăm o privire la un exemplu pentru a vedea cum funcționează conceptul în practică. Imaginați-vă o fabrică de producție care se bazează pe o flotă de roboți industriali pentru a menține operațiunile în funcțiune. În mod tradițional, întreținerea acestor roboți este programată la intervale fixe sau, mai rău, atunci când are loc efectiv o defecțiune, care provoacă timpi de nefuncționare și pierderi financiare.

Cu întreținerea predictivă ML, echipamentele sunt monitorizate în mod constant cu ajutorul senzorilor încorporați strategic în mașini. Datele culese pot include temperatura, vibrațiile, consumul de energie și alte valori.

Toate aceste date sunt apoi trimise la unitatea centrală de procesare – „creierul” – a sistemului, care este alimentat de algoritmi ML. Bazându-se pe datele istorice ale defecțiunilor, istoricul reparațiilor, factorii de mediu și valorile de performanță colectate în timp real, unitatea caută modele care ar putea semnala o viitoare defecțiune.

Înarmată cu aceste informații prețioase, echipa dvs. de întreținere poate interveni, poate efectua orice remedieri necesare și poate preveni vreodată o defecțiune care se profilează. Toate acestea cu timp de nefuncționare minim și fără întreruperi costisitoare.

Și tocmai de aici provine potențialul de economisire a costurilor al întreținerii predictive ML. Datorită naturii sale proactive, vă puteți concentra eforturile și bugetele pe echipamentele care necesită cu adevărat atenție – în loc să irosești resurse pentru a-ți asigura un echipament perfect. Pe de altă parte, cu puterea previziunii, puteți acționa înainte ca o problemă să escaladeze, asigurându-vă că echipamentul dumneavoastră funcționează la performanță maximă pentru perioade mai lungi.

Cazuri de utilizare de întreținere predictivă AI în diferite sectoare

Întreținerea predictivă bazată pe inteligență artificială transformă fundamental modul în care funcționează industriile dependente de echipamente. Mai jos sunt exemple care arată impactul pe care întreținerea predictivă îl poate avea asupra afacerilor.

de fabricație

În producția discretă și de proces, întreținerea predictivă AI se poate dovedi neprețuită pentru o gamă largă de echipamente, inclusiv mașini de frezat, prese hidraulice, sisteme de transport, brațe robotice și echipamente. Luați în considerare mașinile de frezat care modelează materiile prime în componente de precizie. Echiparea acestor mașini cu senzori de vibrații și analizarea citirilor senzorilor în raport cu datele istorice ale defecțiunilor poate ajuta la detectarea nealinierii și a semnelor de uzură la axele mașinilor. Iar atunci când urmăriți temperatura, puteți observa semne de supraîncălzire, semnalând că s-ar putea să se producă o defecțiune.

Puterea întreținerii predictive bazate pe ML nu se oprește aici. Presele hidraulice pot fi monitorizate pentru înfundari și scurgeri. În plus, prin monitorizarea constantă a temperaturii, soluțiile de întreținere predictivă pot detecta semne de supraîncălzire, un semnal roșu pentru problemele iminente în cadrul unui sistem hidraulic. Și cu capacitatea de a număra ciclurile, întreținerea predictivă ML poate prezice cu precizie când anumite componente pot necesita atenție, permițând intervenții de întreținere în timp util și prevenind potențialele defecțiuni.

Când vine vorba de benzi transportoare, software-ul de întreținere predictivă poate măsura tensiunea benzii pentru a preveni uzura prematură. Și prin monitorizarea sarcinii motorului, acesta poate asigura eficiența și poate descoperi orice indicii de probleme care ar putea cauza timpi de neașteptat neaștepți.

Printre producătorii care folosesc întreținerea predictivă se numără Mercer Celgar, unul dintre cei mai mari producători de celuloză și lemn masiv. Întreținerea predictivă a devenit o parte cheie a strategiei de producție a companiei. După ce a explorat diverse opțiuni, Mercer Celgar a implementat o soluție de întreținere predictivă disponibilă. Acest software alimentat de inteligență artificială s-a integrat perfect cu noul lor sistem CMMS, înlocuind software-ul anterior de diagnosticare automată a stării de sănătate a mașinii. Prin intermediul a trei proiecte pilot, implementarea a oferit informații și învățături valoroase.

Cu platforma de întreținere predictivă bazată pe inteligență artificială, Mercer Celgar a câștigat capacitatea de a monitoriza mai multe linii de producție și de a obține rapoarte individuale pentru fiecare tip de mașină într-o singură platformă. Acest lucru le-a permis să urmărească și să compare performanța, oferind în același timp informații timpurii despre potențialele defecțiuni pentru echipele lor de întreținere. Implementarea a transformat operațiunile Mercer Celgar, creând roluri specifice de locuri de muncă și adunând date de performanță a mașinii din mai multe surse într-o singură platformă. Ca rezultat, compania are o singură sursă de adevăr pentru performanța mașinii sale, facilitând monitorizarea eficientă și procesarea datelor la scară.

Automobile

Industria auto se bazează în mare măsură pe întreținerea predictivă bazată pe ML pentru a spori fiabilitatea și a reduce costurile de garanție. Prin monitorizarea datelor senzorilor de la vehiculele aflate în teren, de exemplu, producătorii auto pot detecta probleme potențiale înainte ca acestea să devină defecțiuni critice.

Să luăm în considerare o flotă de camioane de livrare. Prin monitorizarea continuă a performanței motorului, a stării anvelopelor și a eficienței combustibilului, întreținerea predictivă permite companiilor să optimizeze programele de întreținere, să prevină avariile și să prelungească durata de viață a vehiculelor lor.

O serie de companii de automobile au apelat la întreținerea predictivă pentru a anticipa oportunitățile de întreținere și a păstra clienții, încurajându-i să caute servicii de întreținere din rețeaua oficială a producătorului auto. O astfel de companie este Opel, care și-a echipat vehiculele cu un instrument de întreținere predictivă care analizează datele istorice pentru a sugera programe optime de inspecție.

Întrucât obiectivul principal al implementării sistemului este îmbunătățirea reținerii clienților, sistemul informează șoferii când este necesară întreținerea și organizează întâlniri cu rețeaua oficială a Opel, descurajând clienții să apeleze la reparatori terți.

Sănătate

Întreținerea predictivă ML revoluționează industria sănătății, asigurând funcționarea fără probleme a echipamentelor medicale critice. Imaginează-ți un aparat RMN într-un spital. Analizând datele senzorului, inclusiv temperatura, presiunea și intensitatea câmpului electromagnetic, algoritmii de întreținere predictivă pot detecta anomalii, abateri și modele care indică probleme potențiale. Spitalele pot programa apoi în mod proactiv activitățile de întreținere în perioadele cu cerere scăzută, minimizând întreruperile îngrijirii pacienților. Această abordare duce la o eficiență operațională îmbunătățită, la reducerea timpului de nefuncționare a echipamentelor și la rezultate îmbunătățite pentru pacient.

O organizație de asistență medicală care a îmbrățișat această abordare este Kashiwa Health Check Clinic. Au colaborat cu Hitachi pentru a implementa un sistem de întreținere predictivă pentru a preveni defecțiunile aparatului RMN. Partenerul tehnologic a analizat trei ani de date de senzori din 100 de sisteme RMN și a creat un mecanism pentru a investiga modelele cauzelor care au dus la defecțiuni ale dispozitivului. ML a ajutat apoi la definirea unei stări operaționale normale, a prevăzut anomalii și a detectat modificări care ar fi putut duce la eșecuri. Ca rezultat, organizația a redus timpul de nefuncționare al aparatului RMN cu 16,3%.

Ulei si gaz

Sectorul petrolului și gazelor, cunoscut pentru echipamentele sale complicate și costisitoare, a beneficiat enorm de pe urma întreținerii predictive bazate pe ML. Imaginați-vă o instalație de foraj offshore cu numeroase pompe, compresoare și turbine. Prin monitorizarea continuă a parametrilor cum ar fi presiunea, temperatura și debitul, algoritmii de întreținere predictivă pot detecta anomalii și pot anticipa defecțiunile iminente. Luând o abordare proactivă, companiile pot evita închiderile neplanificate costisitoare, pot optimiza performanța echipamentelor și pot asigura siguranța personalului.

Aramco, un jucător de top în industrie, a valorificat puterea întreținerii predictive pentru a preveni coroziunea, detartrarea și alte deteriorări ale echipamentelor și conductelor cauzate de excesul de apă care provine din puțuri, împreună cu petrol și gaze. După ce a implementat un debitmetru alimentat de AI, compania a obținut o perspectivă în timp real asupra debitului de apă din puțurile sale. Contorul a folosit un model digital dublu alimentat de AI pentru a anticipa debitul conductei și apoi l-a comparat cu măsurătorile reale. Acest proces a permis contorului să se ajusteze automat în diferite condiții de funcționare, minimizând foarte mult cerințele de recalibrare.

Cum să construiți o soluție de întreținere predictivă

Când vine vorba de adoptarea soluțiilor de întreținere predictivă bazate pe ML, organizațiile se confruntă cu o decizie: optează pentru un software disponibil sau investește într-o soluție personalizată. Fiecare abordare oferă avantaje și considerații distincte, iar alegerea depinde de mai multe criterii.

• Bugetul disponibil: Software-ul standard (de exemplu IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) vine, în general, cu costuri inițiale mai mici, în timp ce construirea unei soluții personalizate poate implica o investiție inițială mai mare. Companiile cu bugete limitate pot găsi software-ul de la raft mai atrăgător, în timp ce cele cu resurse substanțiale s-ar putea înclina către soluții personalizate pentru funcționalități personalizate.
• Timp până la implementare: software-ul disponibil poate fi implementat rapid, deoarece este pre-construit și testat. În schimb, dezvoltarea unei soluții personalizate poate dura mai mult, în funcție de complexitatea și amploarea unui proiect.
• Cerințe specifice industriei: diferitele industrii au adesea nevoi și fluxuri de lucru unice, care pot necesita soluții de întreținere predictivă pentru a avea caracteristici specifice. Software-ul disponibil nu se aliniază pe deplin cu aceste cerințe și necesită personalizare. Din acest motiv, companiile cu nevoi foarte specializate sau cele care caută un avantaj competitiv prin soluții personalizate pot prefera să meargă pe calea personalizată.
• Infrastructură și integrări existente: Integrarea software-ului de întreținere predictivă cu sistemele și echipamentele existente este esențială pentru operațiuni fără întreruperi. Soluțiile disponibile pot oferi o compatibilitate mai bună cu un număr limitat de echipamente sau tehnologii populare, în timp ce soluțiile personalizate pot fi adaptate cu precizie pentru a se potrivi în infrastructura stabilită a unei organizații.
• Scalabilitate: pe măsură ce afacerile cresc și se extind, nevoile lor de întreținere predictivă pot evolua. Software-ul disponibil poate oferi opțiuni scalabile care pot fi adaptate la cerințele în schimbare. Atunci când sunt proiectate corespunzător, soluțiile personalizate pot oferi, de asemenea, scalabilitate și flexibilitate, dar acest lucru ar putea necesita efort suplimentar de dezvoltare.
• Asistență și actualizări: software-ul disponibil de la raft vine adesea cu asistență furnizată de furnizor și actualizări regulate, asigurând că o soluție rămâne la zi. Soluțiile personalizate pot necesita eforturi continue de întreținere și asistență pentru a asigura funcționalitatea continuă.

Construirea de la zero a unei soluții de întreținere predictivă bazată pe inteligență artificială

Construirea de la zero a unei soluții personalizate de întreținere predictivă bazată pe ML oferă flexibilitate maximă și vă permite să adaptați sistemul exact nevoilor dumneavoastră unice. Totuși, software-ul personalizat este rareori complet personalizat. Există o serie de biblioteci și cadre open-source (de exemplu, Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) și SDK-uri și API-uri (de exemplu, SDK-uri AWS, SDK-uri Azure, SDK Google Cloud, SDK IBM Watson, SDK ThingWorx), cum ar fi precum și servicii ML complet gestionate, inclusiv modele pre-instruite (de exemplu, Amazon SageMaker, Azure Stream Analytics) care accelerează și simplifică procesul de dezvoltare a soluțiilor personalizate de întreținere predictivă.

Mai jos, împărtășim experiența noastră de operare ca companie de consultanță ML și explicăm cum se poate desfășura procesul de dezvoltare a software-ului de întreținere predictivă bazat pe inteligență artificială.

Întreținerea predictivă este o sarcină care poate fi împărțită în două sub-sarcini: monitorizarea stării și analiza predictivă. Crearea unei soluții de întreținere predictivă se rezumă în esență la formarea unui model de detectare și a unui model de predicție și integrarea acestora într-o soluție cu drepturi depline. Pentru a antrena astfel de modele, parcurgeți următorii pași.

Colectare de date

Atunci când se creează un algoritm de întreținere predictivă, primul pas este să colecteze date suficiente pentru antrenarea modelelor. Tipurile de date care trebuie colectate sunt următoarele.

• Datele senzorului care oferă informații în timp real asupra stării de sănătate și a performanței mașinilor. Include informații în serie de timp colectate de la toate tipurile de senzori (de exemplu, temperatură, presiune, vibrații, tensiune, zgomot) atașați mașinilor.
• Date despre defecțiuni care acoperă informații despre defecțiuni anterioare ale echipamentelor, inclusiv data, ora și natura unei defecțiuni.
• Înregistrări de întreținere, rapoarte de service, comenzi de lucru și alte documente legate de istoricul de întreținere al echipamentelor.
• Date operaționale care captează informații despre starea operațională a unei mașini, inclusiv orele de pornire și oprire, ratele de producție, debitul și modelele de utilizare.
• Date de mediu care acoperă factori precum temperatura mediului ambiant, nivelurile de umiditate și alte condiții externe care pot afecta sănătatea echipamentului.
• Alte date relevante care pot oferi informații suplimentare asupra tiparelor de defecțiuni, cum ar fi datele despre consumul de energie sau costurile de întreținere.

Procesarea datelor

Preprocesarea datelor este un pas esențial în construirea unei soluții personalizate de întreținere predictivă bazată pe inteligență artificială. Implica o serie de tehnici, de la gestionarea valorilor lipsă până la eliminarea valorilor aberante și nu numai.

Alegerea tehnicilor adecvate de procesare depinde de caracteristicile datelor dvs., în timp ce cheia pentru a efectua cu succes prelucrarea datelor este cunoașterea mașinilor dvs. Să presupunem că aveți date de vibrații zgomotoase. Cunoașterea intervalului de frecvență care conține markeri de eșec vă poate ghida în alegerea strategiei optime de preprocesare.

Inginerie caracteristică

Ingineria caracteristicilor înseamnă transformarea datelor brute în caracteristici care ajută la diferențierea comportamentului normal de comportamentul defectuos. Scopul este de a extrage informații relevante din date, facilitând algoritmilor ML să identifice modele și relații.

De exemplu, puteți monitoriza starea unei cutii de viteze folosind date de vibrație. Defecțiunile unei cutii de viteze duc la modificări ale frecvenței și amplitudinii vibrațiilor. Prin urmare, frecvența și magnitudinea de vârf pot fi utilizate pentru monitorizarea stării de sănătate a cutiei de viteze.

Unele tehnici obișnuite utilizate în ingineria caracteristicilor acoperă următoarele.

• Agregare: combinarea mai multor puncte de date brute pentru a crea caracteristici agregate poate oferi o vedere la nivel superior asupra comportamentului echipamentului.
• Analiză bazată pe timp: datele din seria temporală conțin adesea modele temporale valoroase. Crearea de caracteristici bazate pe timp, cum ar fi ora din zi, ziua săptămânii sau modelele sezoniere, poate ajuta un model să capteze comportamentele recurente.
• Analiza semnalului: aplicarea tehnicilor de procesare a semnalului poate ajuta la extragerea componentelor de frecvență sau la detectarea modelelor în datele din seria temporală.
• Analiza corelației: Evaluarea datelor care afectează cel mai mult acuratețea predicției și eliminarea acelor puncte de date care au mai puțină semnificație atunci când vine vorba de antrenamentul modelului dintr-un set de date ajută la reducerea timpului necesar antrenării acestora.
• Tehnici de extragere a caracteristicilor specifice domeniului: în unele cazuri, cunoștințele domeniului pot duce la transformări de caracteristici specializate. De exemplu, pentru echipamentele rotative, pot fi utile caracteristicile bazate pe analiza ordinii de vibrații.

Este posibil ca ingineria caracteristicilor să fie un proces care implică mai multe iterații. Este obișnuit să reveniți la acest pas după o rundă inițială de antrenament și testarea unui model predictiv pentru performanță optimă.

Selecția modelului și instruirea

Ca pas următor, alegeți un model ML optim și îl instruiți pe datele colectate.

Selectarea modelului

Alegerea algoritmului ML sau modelului predictiv potrivit este esențială pentru cazul dvs. de utilizare specific pentru întreținerea predictivă. Diferitele modele au puncte forte și puncte slabe diferite, iar selecția depinde de factori precum natura datelor, complexitatea problemei și nivelul dorit de interpretabilitate.

Modelele utilizate în mod obișnuit pentru întreținerea predictivă includ următoarele.

• Regresie logistică: potrivit pentru probleme de clasificare binară – de exemplu, pentru a prezice dacă un echipament va eșua sau nu.
• Arbori de decizie: Eficienți pentru manipularea datelor atât categorice, cât și numerice. Poate capta relații neliniare între caracteristici.
• Pădure aleatoare: o metodă de ansamblu care combină mai mulți arbori de decizie pentru o precizie și robustețe îmbunătățite.
• Suport Vector Machines (SVM): Util pentru sarcini de clasificare, mai ales atunci când se ocupă de date cu dimensiuni mari.

Training model

Pregătirea modelului implică utilizarea datelor istorice pentru a învăța modelul de întreținere predictivă ML să recunoască tiparele și relațiile dintre caracteristici și variabila țintă, cum ar fi defecțiunea echipamentului. Setul de date este împărțit în două părți: setul de antrenament și setul de testare.

Modelul învață din datele de antrenament și devine capabil să facă predicții pe baza tiparelor pe care le identifică în timpul procesului de antrenament.

Odată antrenat, modelul este pus la încercare pe setul de date de testare. Validarea modelului este un pas esențial pentru evaluarea performanțelor unui model pe date nevăzute și pentru estimarea puterii sale predictive.

Integrare și implementare

Odată ce ați identificat modelul potrivit, l-ați antrenat și ați generat predicții precise, este timpul să îl puneți în acțiune integrându-l în sistemul dumneavoastră. În funcție de specificul software-ului dumneavoastră de întreținere predictivă ML, aveți mai multe opțiuni de implementare.

• Implementare în cloud: Optați pentru o implementare bazată pe cloud dacă aveți de-a face cu volume mari de date stocate în cloud. Prin rularea algoritmilor ML direct în cloud, eliminați nevoia de a transfera date înainte și înapoi între mașinile locale și cloud pentru prognoză și monitorizarea sănătății. Acest lucru simplifică procesul de întreținere și sporește eficiența.
• Implementarea Edge: Alternativ, puteți rula algoritmul pe dispozitive încorporate situate mai aproape de echipament. Această abordare permite actualizări și notificări imediate despre starea de sănătate a echipamentului, fără întârzieri.
• Implementare hibridă: puteți opta și pentru o combinație de cloud și edge. Utilizați dispozitive încorporate pentru preprocesare și extragerea caracteristicilor și rulați modelul predictiv în cloud. În acest fel, obțineți tot ce este mai bun din ambele lumi – eficiența asociată cu implementarea edge și puterea de procesare bazată pe cloud. Funcționează deosebit de bine pentru sisteme precum forajele petroliere sau motoarele de avioane, unde operarea continuă generează cantități mari de date, ceea ce face ca stocarea sau transmisia la bord să fie dificilă din cauza lățimii de bandă și a limitărilor de cost.

Provocări de abordat pe drum

Implementarea unei soluții de întreținere predictivă AI poate veni cu anumite provocări. Unele obstacole comune includ următoarele.

• Echipamente vechi: conectarea și colectarea datelor de la echipamente mai vechi sau incompatibile poate fi o provocare. Pentru a colecta datele necesare, poate fi necesară adaptarea senzorilor sau utilizarea gateway-urilor IoT.
• Stabilirea parametrilor corecti: Identificarea celor mai relevanți parametri de monitorizat pentru fiecare echipament este crucială. Acest lucru necesită o înțelegere profundă a mașinii și a modurilor de defecțiune ale acestuia pentru a asigura predicții precise.
• Calitatea și disponibilitatea datelor: asigurarea calității și disponibilității datelor este esențială pentru predicții precise. Datele incomplete sau nesigure pot duce la decizii incorecte de întreținere. Stabilirea practicilor de guvernare a datelor și investițiile în infrastructura de date sunt pași esențiali pentru a depăși această provocare.

Cuvinte finale

Întreținerea predictivă bazată pe inteligența artificială oferă o oportunitate de schimbare a jocului pentru companiile care operează în industriile grele sau dependente de echipamente. Prin adoptarea unei abordări proactive a întreținerii, organizațiile pot reduce semnificativ timpul de nefuncționare, pot optimiza costurile de întreținere și pot spori eficiența operațională.

Indiferent dacă personalizați software-ul standard sau construim o soluție personalizată de la zero, întreținerea predictivă ML vă poate ajuta să eliberați întregul potențial al echipamentului dumneavoastră.

Contactați echipa noastră pentru a explora posibilitățile de întreținere predictivă ML și pentru a lua decizii în cunoștință de cauză care vă vor conduce compania către noi culmi.

Acest articol a fost publicat inițial pe site-ul web itrex.