วิธีใช้ Machine Learning เพื่อทำการบำรุงรักษาเชิงคาดการณ์

ในอุตสาหกรรมต่างๆ บริษัทต่างๆ มักจะอาศัยการบำรุงรักษาตามกำหนดเวลา การมองเข้าไปภายในเครื่องจักรตามช่วงเวลาที่กำหนดจะช่วยให้เครื่องจักรทำงานต่อไปได้ แต่นี่เป็นวิธีที่คุ้มค่าที่สุดในการลดเวลาหยุดทำงานที่ไม่พึงประสงค์หรือไม่? ไม่เชิง. การศึกษาจำนวนมากกล่าวว่าความล้มเหลวของอุปกรณ์เพียง 20% เท่านั้นที่เกี่ยวข้องกับอายุ ในขณะที่ 80% เกิดขึ้นแบบสุ่ม

เนื่องจากธุรกิจต่างๆ ทั่วทั้งภาคส่วนต่างเตรียมพร้อมรับทุกสิ่งที่ขับเคลื่อนโดยปัญญาประดิษฐ์ (AI) การบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วยการเรียนรู้ของเครื่อง (ML) จึงกลายเป็นจุดสนใจ

การคาดการณ์ปัญหาเกี่ยวกับอุปกรณ์ก่อนที่จะเกิดขึ้นและดำเนินการบำรุงรักษาเมื่อจำเป็นจะช่วยประหยัดต้นทุนและปรับปรุงประสิทธิภาพการผลิต การวิจัยที่ดำเนินการโดย CXP Group กล่าวว่า ในความเป็นจริง 90% ของผู้ผลิตที่ใช้การบำรุงรักษาเชิงคาดการณ์โดยใช้ ML สามารถลดเวลาในการซ่อมแซมและการหยุดทำงานโดยไม่ได้วางแผนไว้ได้

ในบล็อกโพสต์นี้ เราแบ่งปันประสบการณ์ของเราในการให้คำปรึกษาด้านซอฟต์แวร์ AI เจาะลึกการทำงานภายในของระบบการบำรุงรักษาเชิงคาดการณ์ แบ่งปันเรื่องราวความสำเร็จที่จะสร้างแรงบันดาลใจให้คุณ และสัมผัสกับความท้าทายในการนำโซลูชันการบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วย AI มาใช้

การบำรุงรักษาเชิงคาดการณ์คืออะไร?

การบำรุงรักษาเชิงคาดการณ์เป็นแนวทางเชิงรุกในการบำรุงรักษาอุปกรณ์ที่ใช้ ML เพื่อคาดการณ์ความล้มเหลวที่อาจเกิดขึ้น ซึ่งจะช่วยป้องกันการหยุดทำงานที่มีค่าใช้จ่ายสูงในทางกลับกัน ลองนึกถึงการให้อุปกรณ์ของคุณพูดคุย โดยแจ้งให้คุณทราบอย่างชัดเจนเมื่อจำเป็นต้องได้รับการดูแล ก่อนที่จะเกิดข้อผิดพลาด

ระบบการบำรุงรักษาเชิงคาดการณ์ทำงานเหมือนกับทีมผู้ตรวจสอบที่เฝ้าดูอุปกรณ์ของคุณตลอด 24 ชั่วโมงทุกวัน โดยรวบรวมและประมวลผลข้อมูลจำนวนมหาศาลแบบเรียลไทม์ “ผู้ตรวจสอบ” เหล่านี้สามารถตรวจจับความผิดปกติและรูปแบบเล็กๆ น้อยๆ ที่อาจหลุดรอดจากสายตามนุษย์ โดยจะเตือนคุณถึงความล้มเหลวที่อาจเกิดขึ้นก่อนที่จะกลายเป็นอาการปวดหัวอย่างรุนแรง

ลองมาดูตัวอย่างเพื่อดูว่าแนวคิดนี้ทำงานอย่างไรในทางปฏิบัติ ลองจินตนาการถึงโรงงานผลิตที่ต้องอาศัยหุ่นยนต์อุตสาหกรรมจำนวนมากเพื่อให้การดำเนินงานดำเนินต่อไปได้ ตามเนื้อผ้า การบำรุงรักษาหุ่นยนต์เหล่านี้ถูกกำหนดตามช่วงเวลาที่กำหนด หรือที่แย่กว่านั้นคือเมื่อเกิดความเสียหายจริง ทำให้เกิดการหยุดทำงานและการสูญเสียทางการเงิน

ด้วยการบำรุงรักษาแบบคาดการณ์ล่วงหน้าของ ML อุปกรณ์จะได้รับการตรวจสอบอย่างต่อเนื่องด้วยความช่วยเหลือของเซ็นเซอร์ที่ฝังอยู่ในเครื่องจักรอย่างมีกลยุทธ์ ข้อมูลที่รวบรวมครอบคลุมอุณหภูมิ การสั่นสะเทือน การใช้พลังงาน และตัวชี้วัดอื่นๆ

จากนั้นข้อมูลทั้งหมดนี้จะถูกส่งไปยังหน่วยประมวลผลกลางที่เรียกว่า 'สมอง' ของระบบ ซึ่งขับเคลื่อนโดยอัลกอริธึม ML โดยอาศัยข้อมูลการแตกหักในอดีต ประวัติการซ่อม ปัจจัยด้านสิ่งแวดล้อม และตัวชี้วัดประสิทธิภาพที่รวบรวมแบบเรียลไทม์ อุปกรณ์จะค้นหารูปแบบที่อาจส่งสัญญาณถึงความผิดปกติที่จะเกิดขึ้น

ด้วยข้อมูลเชิงลึกอันมีค่าเหล่านี้ ทีมบำรุงรักษาของคุณสามารถเข้ามาดำเนินการแก้ไขที่จำเป็น และป้องกันไม่ให้เครื่องเสียหายที่จะเกิดขึ้นได้ ทั้งหมดนี้มีเวลาหยุดทำงานน้อยที่สุดและไม่มีการหยุดชะงักที่มีค่าใช้จ่ายสูง

และนี่คือที่มาของศักยภาพในการประหยัดต้นทุนของการบำรุงรักษาเชิงคาดการณ์ของ ML เนื่องจากมีลักษณะเชิงรุก คุณจึงสามารถทุ่มเทความพยายามและงบประมาณของคุณไปที่อุปกรณ์ที่ต้องการความสนใจจริงๆ แทนที่จะสิ้นเปลืองทรัพยากรไปกับการจัดหาอุปกรณ์ที่สมบูรณ์แบบ ในทางกลับกัน ด้วยพลังแห่งการมองการณ์ไกล คุณสามารถดำเนินการก่อนที่ปัญหาจะบานปลาย ทำให้มั่นใจได้ว่าอุปกรณ์ของคุณจะทำงานด้วยประสิทธิภาพสูงสุดเป็นระยะเวลานานขึ้น

ใช้กรณีของการบำรุงรักษาเชิงคาดการณ์ AI ทั่วทั้งภาคส่วน

การบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วย AI กำลังเปลี่ยนแปลงวิธีการทำงานของอุตสาหกรรมที่ต้องใช้อุปกรณ์โดยพื้นฐาน ด้านล่างนี้เป็นตัวอย่างที่แสดงให้เห็นถึงผลกระทบที่การบำรุงรักษาเชิงคาดการณ์มีต่อธุรกิจ

การผลิต

ในการผลิตแบบแยกส่วนและแบบเป็นกระบวนการ การบำรุงรักษาแบบคาดการณ์ด้วย AI สามารถพิสูจน์ได้ว่ามีคุณค่าอย่างยิ่งสำหรับอุปกรณ์หลายประเภท รวมถึงเครื่องกัด เครื่องอัดไฮดรอลิก ระบบสายพานลำเลียง แขนหุ่นยนต์ และอุปกรณ์ พิจารณาเครื่องกัดที่ขึ้นรูปวัตถุดิบให้เป็นส่วนประกอบที่มีความแม่นยำ การติดตั้งเครื่องจักรเหล่านี้ด้วยเซ็นเซอร์การสั่นสะเทือนและการวิเคราะห์การอ่านค่าของเซ็นเซอร์กับข้อมูลความล้มเหลวในอดีตสามารถช่วยตรวจจับการวางแนวที่ไม่ตรงและสัญญาณของการสึกหรอในสปินเดิลของเครื่องจักร และเมื่อติดตามอุณหภูมิ คุณอาจพบสัญญาณของความร้อนสูงเกิน ซึ่งเป็นสัญญาณว่าอาจเกิดการทำงานผิดปกติขึ้น

พลังของการบำรุงรักษาเชิงคาดการณ์ตาม ML ไม่ได้หยุดอยู่แค่นั้น สามารถตรวจสอบการอุดตันและการรั่วไหลของแท่นอัดไฮดรอลิกได้ นอกจากนี้ ด้วยการตรวจสอบอุณหภูมิอย่างต่อเนื่อง โซลูชันการบำรุงรักษาเชิงคาดการณ์สามารถตรวจจับสัญญาณของความร้อนสูงเกินไป ซึ่งเป็นสัญญาณอันตรายสำหรับปัญหาที่กำลังจะเกิดขึ้นภายในระบบไฮดรอลิก และด้วยความสามารถในการนับรอบ การบำรุงรักษาเชิงคาดการณ์ของ ML อาจคาดการณ์ได้อย่างแม่นยำว่าเมื่อใดที่ส่วนประกอบเฉพาะอาจต้องการการดูแล ช่วยให้สามารถดำเนินการบำรุงรักษาได้ทันท่วงที และป้องกันความเสียหายที่อาจเกิดขึ้น

เมื่อพูดถึงสายพานลำเลียง ซอฟต์แวร์บำรุงรักษาเชิงคาดการณ์สามารถวัดความตึงของสายพานเพื่อป้องกันการสึกหรอก่อนเวลาอันควร และด้วยการตรวจสอบโหลดของมอเตอร์ อาจรับประกันประสิทธิภาพและเผยให้เห็นปัญหาใดๆ ที่อาจทำให้ระบบหยุดทำงานโดยไม่คาดคิด

ในบรรดาผู้ผลิตที่ใช้การบำรุงรักษาเชิงคาดการณ์คือ Mercer Celgar หนึ่งในผู้ผลิตเยื่อและไม้เนื้อแข็งรายใหญ่ที่สุด การบำรุงรักษาเชิงคาดการณ์ได้กลายเป็นส่วนสำคัญของกลยุทธ์การผลิตของบริษัท หลังจากสำรวจตัวเลือกต่างๆ แล้ว Mercer Celgar ได้นำโซลูชันการบำรุงรักษาเชิงคาดการณ์ที่มีจำหน่ายทั่วไปมาใช้ ซอฟต์แวร์ที่ขับเคลื่อนด้วย AI นี้ผสานรวมเข้ากับระบบ CMMS ใหม่ได้อย่างราบรื่น แทนที่ซอฟต์แวร์วินิจฉัยสุขภาพเครื่องจักรอัตโนมัติก่อนหน้านี้ การติดตั้งใช้งานดังกล่าวให้ข้อมูลเชิงลึกและการเรียนรู้ที่มีคุณค่าผ่านโครงการนำร่อง 3 รายการ

ด้วยแพลตฟอร์มการบำรุงรักษาเชิงคาดการณ์ที่ใช้ AI ทำให้ Mercer Celgar มีความสามารถในการตรวจสอบสายการผลิตหลายสาย และรับรายงานเฉพาะสำหรับเครื่องจักรแต่ละประเภทภายในแพลตฟอร์มเดียว ซึ่งช่วยให้พวกเขาสามารถติดตามและเปรียบเทียบประสิทธิภาพพร้อมทั้งให้ข้อมูลเชิงลึกเบื้องต้นเกี่ยวกับความเสียหายที่อาจเกิดขึ้นสำหรับทีมบำรุงรักษา การดำเนินการดังกล่าวได้เปลี่ยนแปลงการดำเนินงานของ Mercer Celgar โดยสร้างบทบาทงานเฉพาะและเปรียบเทียบข้อมูลประสิทธิภาพของเครื่องจักรจากหลายแหล่งมาไว้ในแพลตฟอร์มเดียว ด้วยเหตุนี้ บริษัทจึงมีแหล่งข้อมูลที่แท้จริงเพียงแห่งเดียวเกี่ยวกับประสิทธิภาพของเครื่องจักร ซึ่งอำนวยความสะดวกในการตรวจสอบและการประมวลผลข้อมูลในวงกว้างอย่างมีประสิทธิภาพ

ยานยนต์

อุตสาหกรรมยานยนต์อาศัยการบำรุงรักษาเชิงคาดการณ์โดยใช้ ML เป็นอย่างมาก เพื่อเพิ่มความน่าเชื่อถือและลดต้นทุนการรับประกัน ตัวอย่างเช่น ด้วยการตรวจสอบข้อมูลเซ็นเซอร์จากยานพาหนะในภาคสนาม ผู้ผลิตรถยนต์สามารถตรวจจับปัญหาที่อาจเกิดขึ้นก่อนที่จะกลายเป็นความล้มเหลวร้ายแรง

ลองพิจารณากลุ่มรถบรรทุกส่งของ ด้วยการตรวจสอบประสิทธิภาพของเครื่องยนต์ สภาพยาง และประสิทธิภาพการใช้เชื้อเพลิงอย่างต่อเนื่อง การบำรุงรักษาแบบคาดการณ์ล่วงหน้าช่วยให้บริษัทต่างๆ สามารถปรับตารางการบำรุงรักษาให้เหมาะสม ป้องกันรถเสีย และยืดอายุการใช้งานของยานพาหนะของตนได้

บริษัทยานยนต์หลายแห่งหันมาใช้การบำรุงรักษาแบบคาดการณ์ล่วงหน้าเพื่อคาดการณ์โอกาสในการบำรุงรักษาและรักษาลูกค้าไว้ โดยสนับสนุนให้พวกเขาขอรับบริการบำรุงรักษาจากเครือข่ายอย่างเป็นทางการของผู้ผลิตรถยนต์ บริษัทหนึ่งคือโอเปิ้ล ซึ่งได้ติดตั้งเครื่องมือบำรุงรักษาแบบคาดการณ์ล่วงหน้าให้กับรถยนต์ ซึ่งจะวิเคราะห์ข้อมูลในอดีตเพื่อแนะนำกำหนดการตรวจสอบที่เหมาะสมที่สุด

เนื่องจากวัตถุประสงค์หลักของการนำระบบไปใช้คือการปรับปรุงการรักษาลูกค้า ระบบจะแจ้งให้ผู้ขับขี่ทราบเมื่อถึงกำหนดการบำรุงรักษา และนัดหมายกับเครือข่ายอย่างเป็นทางการของ Opel เพื่อไม่ให้ลูกค้าหันไปหาช่างซ่อมจากบุคคลที่สาม

ดูแลสุขภาพ

การบำรุงรักษาแบบคาดการณ์ล่วงหน้าของ ML กำลังปฏิวัติอุตสาหกรรมการดูแลสุขภาพ เพื่อให้มั่นใจว่าการทำงานของอุปกรณ์ทางการแพทย์ที่สำคัญจะราบรื่น ลองนึกภาพเครื่อง MRI ในโรงพยาบาล ด้วยการวิเคราะห์ข้อมูลเซ็นเซอร์ รวมถึงอุณหภูมิ ความดัน และความแรงของสนามแม่เหล็กไฟฟ้า อัลกอริธึมการบำรุงรักษาเชิงคาดการณ์สามารถตรวจจับความผิดปกติ การเบี่ยงเบน และรูปแบบที่บ่งบอกถึงปัญหาที่อาจเกิดขึ้นได้ โรงพยาบาลจึงสามารถจัดกำหนดการกิจกรรมการบำรุงรักษาในเชิงรุกในช่วงเวลาที่มีความต้องการต่ำ ลดการหยุดชะงักในการดูแลผู้ป่วย แนวทางนี้นำไปสู่ประสิทธิภาพการดำเนินงานที่ดีขึ้น ลดเวลาหยุดทำงานของอุปกรณ์ และเพิ่มผลลัพธ์ของผู้ป่วย

องค์กรด้านการดูแลสุขภาพแห่งหนึ่งที่นำแนวทางนี้มาใช้คือ Kashiwa Health Check Clinic พวกเขาได้ร่วมมือกับฮิตาชิเพื่อใช้ระบบการบำรุงรักษาเชิงคาดการณ์เพื่อป้องกันความล้มเหลวของเครื่อง MRI พันธมิตรด้านเทคโนโลยีวิเคราะห์ข้อมูลเซ็นเซอร์ระยะเวลา 3 ปีจากระบบ MRI 100 ระบบ และสร้างกลไกเพื่อตรวจสอบรูปแบบสาเหตุที่ทำให้อุปกรณ์ทำงานล้มเหลว จากนั้น ML ช่วยกำหนดสถานะการทำงานปกติ คาดการณ์ความผิดปกติ และตรวจพบการเปลี่ยนแปลงที่อาจนำไปสู่ความล้มเหลว ส่งผลให้องค์กรลดการหยุดทำงานของเครื่อง MRI ลงได้ 16.3%

น้ำมันและก๊าซ

ภาคส่วนน้ำมันและก๊าซซึ่งขึ้นชื่อเรื่องอุปกรณ์ที่ซับซ้อนและมีราคาแพง ได้รับประโยชน์อย่างมากจากการบำรุงรักษาเชิงคาดการณ์โดยใช้ ML ลองนึกภาพแท่นขุดเจาะนอกชายฝั่งที่มีปั๊ม เครื่องอัด และกังหันจำนวนมาก ด้วยการตรวจสอบพารามิเตอร์อย่างต่อเนื่อง เช่น ความดัน อุณหภูมิ และอัตราการไหล อัลกอริธึมการบำรุงรักษาเชิงคาดการณ์สามารถตรวจจับความผิดปกติและคาดการณ์ความล้มเหลวที่กำลังจะเกิดขึ้นได้ ด้วยการใช้แนวทางเชิงรุก บริษัทต่างๆ สามารถหลีกเลี่ยงการปิดระบบโดยไม่ได้วางแผนซึ่งมีค่าใช้จ่ายสูง เพิ่มประสิทธิภาพการทำงานของอุปกรณ์ และมั่นใจในความปลอดภัยของบุคลากร

Aramco ซึ่งเป็นผู้เล่นชั้นนำในอุตสาหกรรม ได้ใช้ประโยชน์จากพลังของการบำรุงรักษาเชิงคาดการณ์เพื่อป้องกันการกัดกร่อน การปรับขนาด และความเสียหายอื่นๆ ของอุปกรณ์และท่อส่งน้ำที่เกิดจากน้ำส่วนเกินที่มาจากบ่อ รวมถึงน้ำมันและก๊าซ เมื่อใช้เครื่องวัดอัตราการไหลที่ขับเคลื่อนด้วย AI บริษัทได้รับข้อมูลเชิงลึกแบบเรียลไทม์เกี่ยวกับการไหลของน้ำในบ่อน้ำ มิเตอร์ใช้โมเดลแฝดดิจิทัลที่ขับเคลื่อนโดย AI เพื่อคาดการณ์การไหลของท่อ แล้วเปรียบเทียบกับการวัดจริง กระบวนการนี้ช่วยให้มิเตอร์สามารถปรับตัวเองได้โดยอัตโนมัติตามสภาวะการทำงานต่างๆ ซึ่งช่วยลดข้อกำหนดในการสอบเทียบใหม่ได้อย่างมาก

วิธีสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์

เมื่อพูดถึงการนำโซลูชันการบำรุงรักษาเชิงคาดการณ์ที่ใช้ ML มาใช้ องค์กรต่างๆ ต้องเผชิญกับการตัดสินใจ: เลือกใช้ซอฟต์แวร์ที่มีจำหน่ายทั่วไปหรือลงทุนในโซลูชันที่สร้างขึ้นเอง แต่ละแนวทางมีข้อดีและข้อควรพิจารณาที่แตกต่างกัน และทางเลือกจะขึ้นอยู่กับเกณฑ์หลายประการ

• งบประมาณที่มีอยู่: ซอฟต์แวร์ที่มีจำหน่ายทั่วไป (เช่น IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) โดยทั่วไปมาพร้อมกับต้นทุนล่วงหน้าที่ต่ำกว่า ในขณะที่การสร้างโซลูชันแบบกำหนดเองอาจเกี่ยวข้องกับการลงทุนเริ่มแรกที่สูงขึ้น บริษัทที่มีงบประมาณจำกัดอาจพบว่าซอฟต์แวร์ที่มีจำหน่ายทั่วไปมีความน่าสนใจมากกว่า ในขณะที่บริษัทที่มีทรัพยากรจำนวนมากอาจหันไปใช้โซลูชันแบบกำหนดเองสำหรับฟังก์ชันการทำงานที่ปรับแต่งโดยเฉพาะ
• ระยะเวลาในการดำเนินการ: ซอฟต์แวร์ที่มีจำหน่ายทั่วไปสามารถนำไปใช้งานได้อย่างรวดเร็ว เนื่องจากมีการสร้างและทดสอบไว้ล่วงหน้าแล้ว ในทางตรงกันข้าม การพัฒนาโซลูชันแบบกำหนดเองอาจใช้เวลานานกว่า ขึ้นอยู่กับความซับซ้อนและขอบเขตของโครงการ
• ข้อกำหนดเฉพาะของอุตสาหกรรม: อุตสาหกรรมต่างๆ มักจะมีความต้องการและขั้นตอนการทำงานเฉพาะ ซึ่งอาจต้องใช้โซลูชันการบำรุงรักษาเชิงคาดการณ์เพื่อให้มีคุณสมบัติเฉพาะ ซอฟต์แวร์ที่มีจำหน่ายทั่วไปไม่สอดคล้องกับข้อกำหนดเหล่านี้อย่างสมบูรณ์และจำเป็นต้องมีการปรับแต่ง ด้วยเหตุนี้ ธุรกิจที่มีความต้องการเฉพาะทางสูงหรือผู้ที่แสวงหาความได้เปรียบทางการแข่งขันผ่านโซลูชันที่ออกแบบโดยเฉพาะอาจเลือกใช้เส้นทางที่กำหนดเอง
• โครงสร้างพื้นฐานและการบูรณาการที่มีอยู่: การบูรณาการซอฟต์แวร์การบำรุงรักษาเชิงคาดการณ์เข้ากับระบบและอุปกรณ์ที่มีอยู่เป็นสิ่งสำคัญสำหรับการดำเนินงานที่ราบรื่น โซลูชันที่มีจำหน่ายทั่วไปอาจให้ความเข้ากันได้ดีกว่ากับอุปกรณ์หรือเทคโนโลยียอดนิยมจำนวนจำกัด ในขณะที่โซลูชันแบบกำหนดเองสามารถปรับแต่งได้อย่างแม่นยำเพื่อให้เหมาะสมกับโครงสร้างพื้นฐานที่จัดตั้งขึ้นขององค์กร
• ความสามารถในการปรับขนาด: เมื่อธุรกิจเติบโตและขยายตัว ความต้องการการบำรุงรักษาเชิงคาดการณ์ก็อาจมีการพัฒนาไป ซอฟต์แวร์ที่จำหน่ายทั่วไปอาจมีตัวเลือกที่ปรับขนาดได้ซึ่งสามารถปรับให้เข้ากับข้อกำหนดที่เปลี่ยนแปลงได้ เมื่อออกแบบอย่างเหมาะสม โซลูชันแบบกำหนดเองยังสามารถให้ความสามารถในการขยายขนาดและความยืดหยุ่นได้ แต่อาจต้องใช้ความพยายามในการพัฒนาเพิ่มเติม
• การสนับสนุนและการอัปเดต: ซอฟต์แวร์ที่มีจำหน่ายทั่วไปมักมาพร้อมกับการสนับสนุนที่ผู้ขายจัดเตรียมไว้และการอัพเดตเป็นประจำ เพื่อให้มั่นใจว่าโซลูชันจะอัปเดตอยู่เสมอ โซลูชันแบบกำหนดเองอาจต้องมีการบำรุงรักษาและการสนับสนุนอย่างต่อเนื่องเพื่อให้มั่นใจว่าฟังก์ชันการทำงานจะดำเนินต่อไป

การสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์ที่ใช้ AI ตั้งแต่เริ่มต้น

การสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์ตาม ML แบบกำหนดเองตั้งแต่เริ่มต้นจะให้ความยืดหยุ่นสูงสุด และช่วยให้คุณสามารถปรับแต่งระบบให้ตรงตามความต้องการเฉพาะของคุณได้อย่างแม่นยำ อย่างไรก็ตาม ซอฟต์แวร์ที่กำหนดเองนั้นไม่ค่อยได้รับการปรับแต่งอย่างสมบูรณ์ มีไลบรารีและเฟรมเวิร์กโอเพ่นซอร์สจำนวนหนึ่ง (เช่น Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) และ SDK และ API (เช่น AWS SDKs, Azure SDKs , Google Cloud SDK, IBM Watson SDK, ThingWorx SDK) เช่น รวมถึงบริการ ML ที่มีการจัดการเต็มรูปแบบ รวมถึงโมเดลที่ได้รับการฝึกอบรมล่วงหน้า (เช่น Amazon SageMaker, Azure Stream Analytics) ที่เร่งความเร็วและลดความซับซ้อนของกระบวนการพัฒนาโซลูชันการบำรุงรักษาเชิงคาดการณ์แบบกำหนดเอง

ด้านล่างนี้ เราแบ่งปันประสบการณ์ของเราในการดำเนินงานในฐานะบริษัทที่ปรึกษา ML และอธิบายว่ากระบวนการพัฒนาซอฟต์แวร์บำรุงรักษาเชิงคาดการณ์ที่ใช้ AI อาจเปิดเผยได้อย่างไร

การบำรุงรักษาเชิงคาดการณ์เป็นงานที่สามารถแบ่งออกเป็นสองงานย่อย: การตรวจสอบสภาพและการวิเคราะห์เชิงคาดการณ์ การสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์โดยพื้นฐานแล้วมุ่งเน้นไปที่การฝึกแบบจำลองการตรวจจับและแบบจำลองการคาดการณ์ และบูรณาการเข้ากับโซลูชันเต็มรูปแบบ หากต้องการฝึกโมเดลดังกล่าว คุณต้องทำตามขั้นตอนต่อไปนี้

การเก็บรวบรวมข้อมูล

เมื่อสร้างอัลกอริธึมการบำรุงรักษาเชิงคาดการณ์ ขั้นตอนแรกคือการรวบรวมข้อมูลที่เพียงพอสำหรับการฝึกโมเดล ประเภทของข้อมูลที่จะรวบรวมมีดังต่อไปนี้

• ข้อมูลเซ็นเซอร์ที่ให้ข้อมูลเชิงลึกแบบเรียลไทม์เกี่ยวกับสภาพและประสิทธิภาพของเครื่องจักร ประกอบด้วยข้อมูลอนุกรมเวลาที่รวบรวมจากเซ็นเซอร์ทุกประเภท (เช่น อุณหภูมิ ความดัน การสั่นสะเทือน แรงดันไฟฟ้า เสียง) ที่ติดอยู่กับเครื่องจักร
• ข้อมูลความล้มเหลวที่ครอบคลุมข้อมูลเกี่ยวกับความล้มเหลวของอุปกรณ์ในอดีต รวมถึงวันที่ เวลา และลักษณะของความล้มเหลว
• บันทึกการบำรุงรักษา รายงานการบริการ คำสั่งงาน และเอกสารอื่นๆ ที่เกี่ยวข้องกับประวัติการบำรุงรักษาอุปกรณ์
• ข้อมูลการปฏิบัติงานที่รวบรวมข้อมูลเกี่ยวกับสถานะการทำงานของเครื่องจักร รวมถึงเวลาเริ่มต้นและหยุด อัตราการผลิต ปริมาณงาน และรูปแบบการใช้งาน
• ข้อมูลสิ่งแวดล้อมที่ครอบคลุมปัจจัยต่างๆ เช่น อุณหภูมิโดยรอบ ระดับความชื้น และสภาวะภายนอกอื่นๆ ที่อาจส่งผลกระทบต่อสุขภาพของอุปกรณ์
• ข้อมูลที่เกี่ยวข้องอื่นๆ ที่อาจให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับรูปแบบความล้มเหลว เช่น ข้อมูลการใช้พลังงานหรือค่าบำรุงรักษา

การประมวลผลข้อมูล

การประมวลผลข้อมูลล่วงหน้าเป็นขั้นตอนสำคัญในการสร้างโซลูชันการบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วย AI แบบกำหนดเอง โดยเกี่ยวข้องกับเทคนิคต่างๆ ตั้งแต่การจัดการค่าที่หายไปไปจนถึงการลบค่าผิดปกติและอื่นๆ

การเลือกเทคนิคการประมวลผลที่เหมาะสมขึ้นอยู่กับลักษณะของข้อมูลของคุณ ในขณะที่กุญแจสำคัญในการดำเนินการประมวลผลข้อมูลให้ประสบความสำเร็จคือการรู้จักเครื่องจักรของคุณ สมมติว่าคุณมีข้อมูลการสั่นสะเทือนที่มีเสียงดัง การทราบช่วงความถี่ที่มีเครื่องหมายแสดงความล้มเหลวสามารถช่วยแนะนำคุณในการเลือกกลยุทธ์การประมวลผลล่วงหน้าที่เหมาะสมที่สุด

วิศวกรรมคุณสมบัติ

วิศวกรรมฟีเจอร์หมายถึงการแปลงข้อมูลดิบให้เป็นฟีเจอร์ที่ช่วยแยกแยะพฤติกรรมปกติจากพฤติกรรมที่ผิดพลาด เป้าหมายคือการดึงข้อมูลที่เกี่ยวข้องออกจากข้อมูล ทำให้อัลกอริทึม ML ระบุรูปแบบและความสัมพันธ์ได้ง่ายขึ้น

ตัวอย่างเช่น คุณสามารถตรวจสอบสภาพของกระปุกเกียร์โดยใช้ข้อมูลการสั่นสะเทือน ความผิดปกติของกระปุกเกียร์ส่งผลให้เกิดการเปลี่ยนแปลงความถี่และขนาดการสั่นสะเทือน ความถี่และขนาดสูงสุดจึงสามารถนำมาใช้ในการตรวจสอบสุขภาพของกระปุกเกียร์ได้

เทคนิคทั่วไปบางประการที่ใช้ในวิศวกรรมคุณลักษณะครอบคลุมดังต่อไปนี้

• การรวมกลุ่ม: การรวมจุดข้อมูลดิบหลายจุดเพื่อสร้างคุณลักษณะแบบรวมสามารถให้มุมมองพฤติกรรมของอุปกรณ์ในระดับที่สูงขึ้นได้
• การวิเคราะห์ตามเวลา: ข้อมูลอนุกรมเวลามักจะมีรูปแบบทางโลกที่มีคุณค่า การสร้างคุณลักษณะตามเวลา เช่น เวลาของวัน วันในสัปดาห์ หรือรูปแบบตามฤดูกาลสามารถช่วยให้แบบจำลองบันทึกพฤติกรรมที่เกิดซ้ำได้
• การวิเคราะห์สัญญาณ: การใช้เทคนิคการประมวลผลสัญญาณสามารถช่วยแยกส่วนประกอบความถี่หรือตรวจจับรูปแบบในข้อมูลอนุกรมเวลาได้
• การวิเคราะห์สหสัมพันธ์: การประเมินว่าข้อมูลใดส่งผลต่อความแม่นยำของการทำนายมากที่สุด และกำจัดจุดข้อมูลที่มีความสำคัญน้อยกว่าเมื่อเป็นเรื่องของการฝึกโมเดลจากชุดข้อมูล จะช่วยลดเวลาที่ใช้ในการฝึกฝนข้อมูลเหล่านั้น
• เทคนิคการแยกคุณสมบัติเฉพาะโดเมน: ในบางกรณี ความรู้เกี่ยวกับโดเมนสามารถนำไปสู่การเปลี่ยนแปลงคุณสมบัติพิเศษได้ ตัวอย่างเช่น สำหรับอุปกรณ์ที่หมุน คุณสมบัติตามการวิเคราะห์ลำดับการสั่นสะเทือนอาจมีประโยชน์

วิศวกรรมคุณลักษณะน่าจะเป็นกระบวนการที่เกี่ยวข้องกับการวนซ้ำหลายครั้ง เป็นเรื่องปกติที่จะกลับมาที่ขั้นตอนนี้หลังจากการฝึกอบรมรอบแรกและทดสอบแบบจำลองการคาดการณ์เพื่อให้ได้ประสิทธิภาพสูงสุด

การเลือกแบบจำลองและการฝึกอบรม

ในขั้นตอนถัดไป คุณจะต้องเลือกโมเดล ML ที่เหมาะสมที่สุดและฝึกฝนกับข้อมูลที่รวบรวม

การเลือกรุ่น

การเลือกอัลกอริทึม ML หรือแบบจำลองการคาดการณ์ที่เหมาะสมถือเป็นสิ่งสำคัญสำหรับกรณีการใช้งานการบำรุงรักษาเชิงคาดการณ์เฉพาะของคุณ โมเดลต่างๆ มีจุดแข็งและจุดอ่อนที่แตกต่างกัน และการเลือกขึ้นอยู่กับปัจจัยต่างๆ เช่น ธรรมชาติของข้อมูล ความซับซ้อนของปัญหา และระดับความสามารถในการตีความที่ต้องการ

โมเดลที่ใช้กันทั่วไปสำหรับการบำรุงรักษาเชิงคาดการณ์มีดังต่อไปนี้

• การถดถอยโลจิสติก: เหมาะสำหรับปัญหาการจำแนกประเภทไบนารี - เช่น การทำนายว่าอุปกรณ์ชิ้นหนึ่งจะเสียหายหรือไม่
• แผนผังการตัดสินใจ: มีประสิทธิภาพในการจัดการข้อมูลทั้งเชิงหมวดหมู่และเชิงตัวเลข สามารถบันทึกความสัมพันธ์แบบไม่เชิงเส้นระหว่างคุณลักษณะต่างๆ ได้
• ฟอเรสต์สุ่ม: วิธีการทั้งมวลที่รวมแผนผังการตัดสินใจหลายรายการเพื่อความแม่นยำและความคงทนที่ดีขึ้น
• รองรับ Vector Machines (SVM): มีประโยชน์สำหรับงานจำแนกประเภท โดยเฉพาะอย่างยิ่งเมื่อต้องจัดการกับข้อมูลที่มีมิติสูง

การฝึกอบรมแบบจำลอง

การฝึกโมเดลเกี่ยวข้องกับการใช้ข้อมูลในอดีตเพื่อสอนโมเดลการบำรุงรักษาเชิงคาดการณ์ ML เพื่อจดจำรูปแบบและความสัมพันธ์ระหว่างคุณลักษณะและตัวแปรเป้าหมาย เช่น ความล้มเหลวของอุปกรณ์ ชุดข้อมูลแบ่งออกเป็น 2 ส่วน คือ ชุดฝึกและชุดทดสอบ

โมเดลเรียนรู้จากข้อมูลการฝึกและสามารถคาดการณ์ตามรูปแบบที่ระบุในระหว่างกระบวนการฝึกได้

เมื่อฝึกฝนแล้ว แบบจำลองจะถูกนำไปทดสอบกับชุดข้อมูลการทดสอบ การตรวจสอบความถูกต้องของแบบจำลองเป็นขั้นตอนสำคัญในการประเมินว่าแบบจำลองทำงานได้ดีเพียงใดกับข้อมูลที่มองไม่เห็น และเพื่อประเมินพลังในการคาดการณ์

บูรณาการและการปรับใช้

เมื่อคุณระบุแบบจำลองที่ถูกต้อง ฝึกฝน และสร้างการคาดการณ์ที่แม่นยำแล้ว ก็ถึงเวลาที่คุณจะต้องนำไปปฏิบัติจริงโดยบูรณาการเข้ากับระบบของคุณ ขึ้นอยู่กับลักษณะเฉพาะของซอฟต์แวร์การบำรุงรักษาเชิงคาดการณ์ ML ของคุณ คุณจะมีตัวเลือกการใช้งานหลายแบบ

• การใช้งานระบบคลาวด์: เลือกใช้งานระบบคลาวด์ หากคุณกำลังเผชิญกับข้อมูลปริมาณมากที่จัดเก็บไว้ในระบบคลาวด์ ด้วยการรันอัลกอริธึม ML บนคลาวด์โดยตรง คุณจะไม่จำเป็นต้องถ่ายโอนข้อมูลไปมาระหว่างเครื่องในเครื่องกับคลาวด์เพื่อการพยากรณ์โรคและการตรวจสอบสุขภาพ สิ่งนี้จะช่วยเพิ่มความคล่องตัวให้กับกระบวนการบำรุงรักษาและเพิ่มประสิทธิภาพ
• การใช้งาน Edge: หรือคุณสามารถเรียกใช้อัลกอริทึมบนอุปกรณ์ฝังตัวที่อยู่ใกล้กับอุปกรณ์ได้ วิธีการนี้ช่วยให้สามารถอัปเดตและแจ้งเตือนเกี่ยวกับความสมบูรณ์ของอุปกรณ์ได้ทันทีโดยไม่เกิดความล่าช้า
• การใช้งานแบบไฮบริด: คุณยังสามารถใช้การผสมผสานระหว่างคลาวด์และเอดจ์ได้ ใช้อุปกรณ์ฝังตัวสำหรับการประมวลผลล่วงหน้าและการแยกคุณสมบัติ และเรียกใช้โมเดลการคาดการณ์ในระบบคลาวด์ ด้วยวิธีนี้ คุณจะได้รับสิ่งที่ดีที่สุดจากทั้งสองโลก นั่นคือประสิทธิภาพที่เกี่ยวข้องกับการปรับใช้ Edge และพลังการประมวลผลบนคลาวด์ โดยทำงานได้ดีเป็นพิเศษกับระบบต่างๆ เช่น การเจาะน้ำมันหรือเครื่องยนต์อากาศยาน ซึ่งการทำงานอย่างต่อเนื่องก่อให้เกิดข้อมูลจำนวนมหาศาล ทำให้การจัดเก็บหรือส่งข้อมูลบนเครื่องมีความท้าทายเนื่องจากข้อจำกัดแบนด์วิธและต้นทุน

ความท้าทายที่ต้องแก้ไขระหว่างทาง

การใช้โซลูชันการบำรุงรักษาเชิงคาดการณ์ของ AI อาจมาพร้อมกับความท้าทายบางประการ อุปสรรคทั่วไปบางประการมีดังต่อไปนี้

• อุปกรณ์รุ่นเก่า: การเชื่อมต่อและการรวบรวมข้อมูลจากอุปกรณ์รุ่นเก่าหรืออุปกรณ์ที่เข้ากันไม่ได้อาจเป็นเรื่องท้าทาย การติดตั้งเซ็นเซอร์เพิ่มเติมหรือการใช้เกตเวย์ IoT อาจจำเป็นในการรวบรวมข้อมูลที่จำเป็น
• การสร้างพารามิเตอร์ที่ถูกต้อง: การระบุพารามิเตอร์ที่เกี่ยวข้องมากที่สุดเพื่อติดตามตรวจสอบอุปกรณ์แต่ละชิ้นถือเป็นสิ่งสำคัญ ซึ่งจำเป็นต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับเครื่องจักรและโหมดความล้มเหลวเพื่อให้คาดการณ์ได้อย่างแม่นยำ
• คุณภาพและความพร้อมใช้งานของข้อมูล: การตรวจสอบคุณภาพและความพร้อมใช้งานของข้อมูลเป็นสิ่งสำคัญสำหรับการคาดการณ์ที่แม่นยำ ข้อมูลไม่สมบูรณ์หรือไม่น่าเชื่อถืออาจนำไปสู่การตัดสินใจในการบำรุงรักษาที่ไม่ถูกต้อง การสร้างแนวปฏิบัติด้านธรรมาภิบาลข้อมูลและการลงทุนในโครงสร้างพื้นฐานข้อมูลเป็นขั้นตอนสำคัญในการเอาชนะความท้าทายนี้

คำสุดท้าย

การบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วย AI มอบโอกาสในการเปลี่ยนแปลงเกมสำหรับบริษัทที่ดำเนินงานในอุตสาหกรรมที่ใช้อุปกรณ์หนักหรือขึ้นอยู่กับอุปกรณ์ ด้วยการนำแนวทางการบำรุงรักษาเชิงรุกมาใช้ องค์กรต่างๆ จะสามารถลดการหยุดทำงานลงได้อย่างมาก เพิ่มประสิทธิภาพต้นทุนการบำรุงรักษา และเพิ่มประสิทธิภาพการดำเนินงาน

ไม่ว่าจะด้วยการปรับแต่งซอฟต์แวร์ที่จำหน่ายทั่วไปหรือสร้างโซลูชันแบบกำหนดเองตั้งแต่ต้น การบำรุงรักษาเชิงคาดการณ์ของ ML สามารถช่วยให้คุณปลดปล่อยศักยภาพสูงสุดของอุปกรณ์ของคุณได้

ติดต่อทีมงานของเราเพื่อสำรวจความเป็นไปได้ของการบำรุงรักษาเชิงคาดการณ์ของ ML และทำการตัดสินใจอย่างมีข้อมูลซึ่งจะช่วยขับเคลื่อนบริษัทของคุณไปสู่อีกระดับหนึ่ง

บทความนี้เผยแพร่ครั้งแรกบนเว็บไซต์ itrex