Как использовать машинное обучение для профилактического обслуживания

Во всех отраслях компании традиционно полагались на плановое техническое обслуживание. Заглядывание во внутренности машин через определенные промежутки времени помогает им работать. Но действительно ли это самый экономичный способ сократить нежелательные простои? Не совсем. Многочисленные исследования говорят, что только 20% отказов оборудования связаны с возрастом, а 80% происходят случайно.

Поскольку предприятия во всех секторах все больше внимания уделяют всему, что основано на искусственном интеллекте (ИИ), в центре внимания оказалось прогнозное обслуживание на основе машинного обучения (ML).

Предвидение проблем с оборудованием до их возникновения и выполнение технического обслуживания именно тогда, когда оно необходимо, обещает экономию средств и повышение производительности. Фактически, 90% производителей, которые внедрили прогнозное обслуживание на основе машинного обучения, сумели сократить время ремонта и время незапланированных простоев, говорится в исследовании, проведенном CXP Group.

В этом сообщении блога мы делимся нашим опытом консультирования по программному обеспечению искусственного интеллекта, углубляемся во внутреннюю работу систем прогнозного обслуживания, делимся историями успеха, которые вдохновят вас, и затрагиваем проблемы внедрения решений прогнозного обслуживания на основе искусственного интеллекта.

Что такое профилактическое обслуживание?

Прогнозное обслуживание — это упреждающий подход к обслуживанию оборудования, который использует машинное обучение для прогнозирования потенциальных сбоев. Это, в свою очередь, помогает предотвратить дорогостоящие простои. Думайте об этом как о том, что ваше оборудование говорит и сообщает вам, когда оно требует внимания, прежде чем что-то пойдет не так.

Система профилактического обслуживания работает как группа инспекторов, круглосуточно наблюдающих за вашим оборудованием, собирающих и обрабатывающих огромные объемы данных в режиме реального времени. Эти «инспекторы» могут обнаружить мельчайшие аномалии и закономерности, ускользающие от человеческого глаза, предупреждая вас о потенциальных сбоях до того, как они станут серьезной головной болью.

Давайте рассмотрим пример, чтобы увидеть, как эта концепция работает на практике. Представьте себе производственное предприятие, для поддержания работы которого используется парк промышленных роботов. Традиционно техническое обслуживание этих роботов проводится через определенные промежутки времени или, что еще хуже, когда действительно происходит поломка, приводящая к простоям и финансовым потерям.

Благодаря профилактическому обслуживанию ML оборудование постоянно контролируется с помощью датчиков, стратегически встроенных в машины. Собранные данные могут охватывать температуру, вибрацию, энергопотребление и другие показатели.

Все эти данные затем отправляются в центральный процессор — «мозг» системы, работающий на основе алгоритмов ML. Опираясь на исторические данные о поломках, историю ремонтов, факторы окружающей среды и показатели производительности, собранные в режиме реального времени, устройство ищет закономерности, которые могут сигнализировать о предстоящей неисправности.

Вооружившись этой ценной информацией, ваша команда технического обслуживания может приехать, выполнить все необходимые исправления и предотвратить возможные поломки. И все это с минимальными простоями и без дорогостоящих простоев.

И именно в этом заключается потенциал экономии средств за счет прогнозного обслуживания машинного обучения. Благодаря его проактивному характеру вы можете сосредоточить свои усилия и бюджет на оборудовании, которое действительно требует внимания, вместо того, чтобы тратить ресурсы на обслуживание оборудования, в котором все в порядке. С другой стороны, благодаря дальновидности вы можете действовать до того, как проблема обострится, гарантируя, что ваше оборудование будет работать с максимальной производительностью в течение более длительных периодов времени.

Варианты использования прогнозного обслуживания с использованием ИИ в разных секторах

Прогнозное обслуживание на основе искусственного интеллекта фундаментально меняет методы работы отраслей, зависящих от оборудования. Ниже приведены примеры, демонстрирующие влияние профилактического обслуживания на бизнес.

Производство

В дискретном и непрерывном производстве прогнозное обслуживание с использованием искусственного интеллекта может оказаться неоценимым для широкого спектра оборудования, включая фрезерные станки, гидравлические прессы, конвейерные системы, роботизированные манипуляторы и оборудование. Рассмотрим фрезерные станки, которые формируют из сырья точные детали. Оснащение этих машин датчиками вибрации и анализ показаний датчиков на основе исторических данных об отказах могут помочь обнаружить смещение и признаки износа шпинделей машин. А при отслеживании температуры можно уловить признаки перегрева, сигнализирующие о том, что назревает неисправность.

Возможности прогнозного обслуживания на основе машинного обучения на этом не заканчиваются. Гидравлические прессы можно контролировать на наличие засоров и утечек. Кроме того, благодаря постоянному мониторингу температуры решения по профилактическому обслуживанию могут обнаружить признаки перегрева, что является тревожным сигналом о надвигающихся проблемах в гидравлической системе. А благодаря возможности подсчета циклов прогнозное обслуживание ML может точно предсказать, когда определенные компоненты могут потребовать внимания, обеспечивая своевременное вмешательство по техническому обслуживанию и предотвращая потенциальные поломки.

Когда дело доходит до конвейерных лент, программное обеспечение для профилактического обслуживания может измерять натяжение ленты, чтобы предотвратить преждевременный износ. А отслеживая нагрузку двигателя, он может обеспечить эффективность и выявить любые признаки неисправности, которые могут привести к непредвиденному простою.

Среди производителей, использующих профилактическое обслуживание, — Mercer Celgar, один из крупнейших производителей целлюлозы и массивной древесины. Профилактическое обслуживание стало ключевой частью производственной стратегии компании. Изучив различные варианты, компания Mercer Celgar внедрила готовое решение для профилактического обслуживания. Это программное обеспечение на базе искусственного интеллекта легко интегрируется с новой системой CMMS, заменяя предыдущее программное обеспечение для автоматической диагностики состояния оборудования. Благодаря трем пилотным проектам внедрение принесло ценную информацию и знания.

Благодаря платформе прогнозного обслуживания на базе искусственного интеллекта компания Mercer Celgar получила возможность контролировать несколько производственных линий и получать отдельные отчеты для каждого типа машин в рамках одной платформы. Это позволило им отслеживать и сравнивать производительность, одновременно предоставляя своим командам технического обслуживания раннюю информацию о потенциальных сбоях. Внедрение преобразовало деятельность Mercer Celgar, создав конкретные рабочие роли и сопоставив данные о производительности машин из нескольких источников в одну платформу. В результате компания имеет единый источник достоверной информации о производительности своего оборудования, что обеспечивает эффективный мониторинг и обработку данных в любом масштабе.

Автомобильная промышленность

Автомобильная промышленность в значительной степени полагается на прогнозное обслуживание на основе машинного обучения для повышения надежности и снижения гарантийных затрат. Например, отслеживая данные датчиков транспортных средств в полевых условиях, автопроизводители могут обнаружить потенциальные проблемы до того, как они перерастут в критические неисправности.

Давайте рассмотрим парк грузовых автомобилей. Благодаря постоянному мониторингу работы двигателя, состояния шин и топливной экономичности профилактическое обслуживание позволяет компаниям оптимизировать графики технического обслуживания, предотвращать поломки и продлевать срок службы своих транспортных средств.

Ряд автомобильных компаний обратились к профилактическому техническому обслуживанию, чтобы предвидеть возможности технического обслуживания и удержать клиентов, побуждая их обращаться за услугами по техническому обслуживанию в официальную сеть производителей автомобилей. Одной из таких компаний является Opel, которая оснастила свои автомобили инструментом профилактического технического обслуживания, который анализирует исторические данные и предлагает оптимальные графики проверок.

Поскольку основной целью внедрения системы является улучшение удержания клиентов, система уведомляет водителей о наступлении сроков технического обслуживания и назначает встречи с официальной сетью Opel, отговаривая клиентов обращаться к сторонним ремонтным службам.

Здравоохранение

Прогнозное обслуживание машинного обучения производит революцию в отрасли здравоохранения, обеспечивая бесперебойную работу критически важного медицинского оборудования. Представьте себе аппарат МРТ в больнице. Анализируя данные датчиков, включая температуру, давление и напряженность электромагнитного поля, алгоритмы профилактического обслуживания могут обнаруживать аномалии, отклонения и закономерности, указывающие на потенциальные проблемы. Больницы смогут заранее планировать мероприятия по техническому обслуживанию в периоды низкого спроса, сводя к минимуму перебои в уходе за пациентами. Такой подход приводит к повышению операционной эффективности, сокращению времени простоя оборудования и улучшению результатов лечения пациентов.

Одной из медицинских организаций, принявших этот подход, является клиника Kashiwa Health Check Clinic. Они заключили партнерство с Hitachi, чтобы внедрить систему профилактического обслуживания для предотвращения сбоев аппаратов МРТ. Технологический партнер проанализировал данные датчиков 100 систем МРТ за три года и создал механизм для изучения причин, приводящих к сбоям устройств. Затем машинное обучение помогло определить нормальное рабочее состояние, предвидеть отклонения и обнаружить изменения, которые могли привести к сбоям. В результате организация сократила время простоя аппарата МРТ на 16,3%.

Нефти и газа

Нефтегазовый сектор, известный своим сложным и дорогим оборудованием, получил огромную выгоду от профилактического обслуживания на основе машинного обучения. Представьте себе морскую буровую установку с множеством насосов, компрессоров и турбин. Благодаря непрерывному мониторингу таких параметров, как давление, температура и скорость потока, алгоритмы профилактического обслуживания могут обнаруживать аномалии и прогнозировать предстоящие сбои. Применяя упреждающий подход, компании могут избежать дорогостоящих незапланированных остановов, оптимизировать работу оборудования и обеспечить безопасность персонала.

Aramco, ведущий игрок в отрасли, использует возможности профилактического обслуживания для предотвращения коррозии, накипи и других повреждений оборудования и трубопроводов, вызванных избытком воды, поступающей из скважин вместе с нефтью и газом. Внедрив расходомер на базе искусственного интеллекта, компания получила информацию о расходе воды в своих скважинах в режиме реального времени. В счетчике использовалась модель цифрового двойника на базе искусственного интеллекта, которая прогнозировала расход в трубе, а затем сравнивала ее с фактическими измерениями. Этот процесс позволил измерителю автоматически адаптироваться к различным условиям эксплуатации, что значительно свело к минимуму требования к повторной калибровке.

Как создать решение для прогнозируемого обслуживания

Когда дело доходит до внедрения решений по прогнозному обслуживанию на основе машинного обучения, организации сталкиваются с выбором: выбрать готовое программное обеспечение или инвестировать в специально разработанное решение. Каждый подход предлагает определенные преимущества и соображения, и выбор зависит от нескольких критериев.

• Доступный бюджет. Готовое программное обеспечение (например, IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) обычно требует меньших первоначальных затрат, а создание индивидуального решения может потребовать более высоких первоначальных инвестиций. Компании с ограниченным бюджетом могут найти готовое программное обеспечение более привлекательным, в то время как компании со значительными ресурсами могут склоняться к индивидуальным решениям для индивидуальной функциональности.
• Время внедрения: готовое программное обеспечение можно быстро развернуть, поскольку оно предварительно создано и протестировано. Напротив, разработка индивидуального решения может занять больше времени в зависимости от сложности и масштаба проекта.
• Требования, специфичные для отрасли. Различные отрасли часто имеют уникальные потребности и рабочие процессы, которые могут потребовать, чтобы решения для прогнозного обслуживания имели особые функции. Готовое программное обеспечение не полностью соответствует этим требованиям и требует настройки. По этой причине компании с узкоспециализированными потребностями или те, кто ищет конкурентное преимущество за счет индивидуальных решений, могут предпочесть пойти по индивидуальному пути.
• Существующая инфраструктура и интеграция. Интеграция программного обеспечения для прогнозного обслуживания с существующими системами и оборудованием имеет решающее значение для бесперебойной работы. Готовые решения могут обеспечить лучшую совместимость с ограниченным количеством популярных единиц оборудования или технологий, в то время как индивидуальные решения могут быть точно адаптированы к установленной инфраструктуре организации.
• Масштабируемость. По мере роста и расширения предприятий их потребности в профилактическом обслуживании могут меняться. Готовое программное обеспечение может предоставлять масштабируемые возможности, которые можно адаптировать к меняющимся требованиям. При правильном проектировании индивидуальные решения также могут обеспечить масштабируемость и гибкость, но это может потребовать дополнительных усилий по разработке.
• Поддержка и обновления. Готовое программное обеспечение часто поставляется с поддержкой со стороны поставщика и регулярными обновлениями, что гарантирует актуальность решения. Индивидуальные решения могут потребовать постоянного обслуживания и поддержки для обеспечения непрерывной функциональности.

Создание решения для прогнозного обслуживания на основе искусственного интеллекта с нуля

Создание индивидуального решения для прогнозного обслуживания на основе машинного обучения с нуля обеспечивает максимальную гибкость и позволяет точно адаптировать систему к вашим уникальным потребностям. Тем не менее, специальное программное обеспечение редко бывает полностью кастомизированным. Существует ряд библиотек и платформ с открытым исходным кодом (например, Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost), а также SDK и API (например, AWS SDK, Azure SDK, Google Cloud SDK, IBM Watson SDK, ThingWorx SDK), а также а также полностью управляемые сервисы машинного обучения, включая предварительно обученные модели (например, Amazon SageMaker, Azure Stream Analytics), которые ускоряют и упрощают процесс разработки пользовательских решений по прогнозному обслуживанию.

Ниже мы делимся своим опытом работы в качестве консалтинговой компании в области машинного обучения и объясняем, как может разворачиваться процесс разработки программного обеспечения для прогнозного обслуживания на основе искусственного интеллекта.

Прогнозное обслуживание — это задача, которую можно разделить на две подзадачи: мониторинг состояния и прогнозный анализ. Создание решения для прогнозного обслуживания по сути сводится к обучению модели обнаружения и модели прогнозирования и их интеграции в полноценное решение. Чтобы обучить такие модели, вы выполняете следующие шаги.

Сбор данных

При разработке алгоритма прогнозного обслуживания первым шагом является сбор достаточных данных для обучения моделей. Типы данных, которые необходимо собрать, следующие.

• Данные датчиков, которые в режиме реального времени дают представление о состоянии и производительности машин. Он включает в себя информацию временных рядов, собранную со всех типов датчиков (например, температуры, давления, вибрации, напряжения, шума), прикрепленных к машинам.
• Данные об отказах, которые включают информацию о прошлых отказах оборудования, включая дату, время и характер отказа.
• Записи о техническом обслуживании, отчеты об обслуживании, наряды на выполнение работ и другая документация, связанная с историей обслуживания оборудования.
• Операционные данные, которые собирают информацию о рабочем состоянии машины, включая время запуска и остановки, производительность, пропускную способность и модели использования.
• Данные об окружающей среде, охватывающие такие факторы, как температура окружающей среды, уровень влажности и другие внешние условия, которые могут повлиять на исправность оборудования.
• Другие соответствующие данные, которые могут дать дополнительную информацию о характере сбоев, например данные о потреблении энергии или затратах на техническое обслуживание.

Обработка данных

Предварительная обработка данных — важный шаг в создании индивидуального решения для прогнозного обслуживания на основе искусственного интеллекта. Он включает в себя ряд методов: от обработки пропущенных значений до удаления выбросов и т. д.

Выбор подходящих методов обработки зависит от характеристик ваших данных, а ключом к успешному выполнению обработки данных является знание вашего оборудования. Предположим, у вас есть данные о зашумленной вибрации. Знание частотного диапазона, содержащего маркеры сбоя, может помочь вам выбрать оптимальную стратегию предварительной обработки.

Особенности проектирования

Разработка функций означает преобразование необработанных данных в функции, которые помогают отличить нормальное поведение от ошибочного. Цель состоит в том, чтобы извлечь соответствующую информацию из данных, чтобы алгоритмам ML было проще выявлять закономерности и взаимосвязи.

Например, вы можете отслеживать состояние коробки передач, используя данные о вибрации. Неисправности коробки передач приводят к изменению частоты и величины вибрации. Таким образом, пиковую частоту и величину можно использовать для мониторинга состояния коробки передач.

Некоторые распространенные методы, используемые в разработке функций, включают следующее.

• Агрегация: объединение нескольких точек необработанных данных для создания агрегированных функций может обеспечить представление более высокого уровня о поведении оборудования.
• Временной анализ: данные временных рядов часто содержат ценные временные закономерности. Создание основанных на времени функций, таких как время суток, день недели или сезонные закономерности, может помочь модели отразить повторяющееся поведение.
• Анализ сигналов. Применение методов обработки сигналов может помочь извлечь частотные компоненты или обнаружить закономерности в данных временных рядов.
• Корреляционный анализ: оценка того, какие данные больше всего влияют на точность прогноза, и исключение тех точек данных, которые имеют меньшее значение, когда дело доходит до обучения модели из набора данных, помогает сократить время, необходимое для их обучения.
• Методы извлечения признаков, специфичных для предметной области. В некоторых случаях знание предметной области может привести к преобразованиям специализированных признаков. Например, для вращающегося оборудования могут быть полезны функции, основанные на анализе порядка вибрации.

Разработка функций, скорее всего, будет процессом, включающим несколько итераций. Обычно к этому шагу возвращаются после начального раунда обучения и тестирования прогнозной модели на предмет оптимальной производительности.

Выбор модели и обучение

На следующем этапе вы выбираете оптимальную модель машинного обучения и обучаете ее на собранных данных.

Выбор модели

Выбор правильного алгоритма машинного обучения или модели прогнозирования имеет важное значение для вашего конкретного случая использования прогнозного обслуживания. Различные модели имеют разные сильные и слабые стороны, и выбор зависит от таких факторов, как характер данных, сложность проблемы и желаемый уровень интерпретируемости.

К моделям, обычно используемым для профилактического обслуживания, относятся следующие.

• Логистическая регрессия: подходит для задач двоичной классификации, например, для прогнозирования, выйдет ли из строя часть оборудования или нет.
• Деревья решений: эффективны для обработки как категориальных, так и числовых данных. Он может фиксировать нелинейные связи между объектами.
• Случайный лес: ансамблевый метод, который объединяет несколько деревьев решений для повышения точности и надежности.
• Машины опорных векторов (SVM): полезны для задач классификации, особенно при работе с многомерными данными.

Модельное обучение

Обучение модели включает использование исторических данных для обучения модели прогнозного обслуживания ML распознаванию закономерностей и взаимосвязей между функциями и целевой переменной, такой как отказ оборудования. Набор данных разделен на две части: обучающий набор и тестовый набор.

Модель учится на обучающих данных и становится способной делать прогнозы на основе закономерностей, которые она выявляет в процессе обучения.

После обучения модель подвергается тестированию на наборе тестовых данных. Проверка модели — это важный шаг к оценке того, насколько хорошо модель работает с невидимыми данными, и к оценке ее прогнозирующей способности.

Интеграция и развертывание

После того как вы определили правильную модель, обучили ее и сгенерировали точные прогнозы, пришло время применить ее на практике, интегрировав в свою систему. В зависимости от особенностей вашего программного обеспечения для прогнозного обслуживания машинного обучения у вас есть несколько вариантов развертывания.

• Облачная реализация: выберите облачное развертывание, если вы имеете дело с большими объемами данных, хранящихся в облаке. Запуская алгоритмы машинного обучения непосредственно в облаке, вы избавляетесь от необходимости передавать данные туда и обратно между локальными компьютерами и облаком для прогнозирования и мониторинга работоспособности. Это упрощает процесс технического обслуживания и повышает эффективность.
• Edge-реализация. Альтернативно вы можете запустить алгоритм на встроенных устройствах, расположенных ближе к оборудованию. Такой подход позволяет немедленно получать обновления и уведомления о состоянии оборудования без каких-либо задержек.
• Гибридная реализация. Вы также можете использовать комбинацию облака и периферии. Используйте встроенные устройства для предварительной обработки и извлечения признаков и запускайте прогнозную модель в облаке. Таким образом, вы получаете лучшее из обоих миров — эффективность, связанную с развертыванием на периферии, и вычислительную мощность облака. Он особенно хорошо работает для таких систем, как буровые скважины или авиационные двигатели, где непрерывная работа генерирует огромные объемы данных, что затрудняет хранение или передачу данных на борту из-за ограничений пропускной способности и стоимости.

Проблемы, которые предстоит решить на пути

Внедрение решения по прогнозному обслуживанию на основе искусственного интеллекта может столкнуться с определенными проблемами. Некоторые распространенные препятствия включают следующее.

• Устаревшее оборудование. Подключение и сбор данных со старого или несовместимого оборудования может оказаться непростой задачей. Для сбора необходимых данных может потребоваться модернизация датчиков или использование шлюзов Интернета вещей.
• Установление правильных параметров. Определение наиболее важных параметров для мониторинга для каждой единицы оборудования имеет решающее значение. Это требует глубокого понимания механизма и режимов его отказов, чтобы обеспечить точные прогнозы.
• Качество и доступность данных. Обеспечение качества и доступности данных имеет решающее значение для точных прогнозов. Неполные или ненадежные данные могут привести к неправильным решениям по техническому обслуживанию. Внедрение практики управления данными и инвестиции в инфраструктуру данных являются важными шагами для решения этой проблемы.

Заключительные слова

Прогнозное обслуживание на основе искусственного интеллекта предлагает революционную возможность для компаний, работающих в отраслях с большим количеством оборудования или в отраслях, зависящих от оборудования. Применяя упреждающий подход к техническому обслуживанию, организации могут значительно сократить время простоев, оптимизировать затраты на техническое обслуживание и повысить эксплуатационную эффективность.

Независимо от того, настраиваете ли вы готовое программное обеспечение или создаете индивидуальное решение с нуля, прогнозное обслуживание ML может помочь вам раскрыть весь потенциал вашего оборудования.

Свяжитесь с нашей командой, чтобы изучить возможности прогнозного обслуживания машинного обучения и принять обоснованные решения, которые выведут вашу компанию на новые высоты.

Эта статья была первоначально опубликована на сайте itrex.