Prediktivní údržba nezačíná umělou inteligencí

Marketingová verze prediktivní údržby je jednoduchá: namontujeme několik senzorů, AI se stroj naučí a upozorní nás dřív, než se porouchá.

Skutečnost je méně kouzelná, ale mnohem užitečnější.

Strojové učení skutečně dokáže rozpoznat souvislosti a změny, které by se jednoduchými mezními hodnotami zachycovaly jen obtížně. Ovšem jen tehdy, když jsou předtím v pořádku inženýrské základy, sběr dat i provoz.

Prediktivní údržba proto nezačíná jako projekt AI, ale velmi konkrétní otázkou:

Kterou poruchu chceme odhalit dříve a jaký fyzikální jev jí předchází?

Nesledujeme „stroj“ obecně

Motor, čerpadlo nebo převodovka se mohou porouchat mnoha způsoby. Opotřebení ložisek, nevyváženost, problémy s mazáním, přetížení, porucha izolace i nedostatečné chlazení zanechávají každé jiný signál.

Prvním krokem je proto určit způsoby poruch a jejich důsledky. Je třeba vědět:

• co se může pokazit;
• jak často k tomu dochází;
• jak velký výpadek nebo škodu to způsobí;
• zda to lze odhalit předem;
• kolik času je k dispozici na zásah;
• který měřený signál nese využitelnou informaci.

Bez odpovědí na tyto otázky snadno vznikne drahý sběr dat, který vytváří spoustu křivek, ale podporuje jen málo rozhodnutí o údržbě.

Správný senzor je důležitější než působivý model

Běžné zdroje dat při průmyslovém monitorování stavu:

• vibrace a zrychlení;
• teplota;
• elektrický proud, napětí a výkon;
• akustický signál;
• tlak a průtok;
• otáčky;
• vlhkost nebo jiné parametry prostředí.

Záleží však na tom, kde senzor umístíme, v jakém směru měří, jak je upevněn a jaká je vzorkovací frekvence, měřicí rozsah a úroveň šumu.

Špatné mechanické upevnění vibračního senzoru může napáchat víc škody než slabší algoritmus: model se bude soustavně učit ze špatných dat. Totéž platí pro nevhodný proudový transformátor, pomalé měření teploty nebo akustický signál vytržený z technologického kontextu.

Vzorkování se musí přizpůsobit jevu

Pomalu se měnící teplotu ložiska může stačit sledovat v sekundových nebo minutových intervalech. Spektrální analýza vibrací naopak vyžaduje vzorkování o několik řádů rychlejší.

Měříme-li příliš zřídka, podstatný jev zmizí. Měříme-li zbytečně často, bezdůvodně zvyšujeme datový provoz i náklady na zpracování.

Proto může být zvlášť užitečné zpracování na edge. Lokální zařízení může z vysokofrekvenčního surového signálu vypočítat příznaky jako RMS, špičkovou hodnotu, špičatost (kurtosis) nebo energii ve frekvenčních pásmech a do centrálního systému posílat už jen jejich vývoj v čase.

Nejdřív je třeba naučit se běžný provoz

Data stroje nejsou sama o sobě normální ani chybná. Stejný odběr proudu může mít jiný význam při chodu naprázdno, při plném zatížení, při rozběhu nebo v čisticím cyklu.

Pro spolehlivé hodnocení stavu je proto nutný provozní kontext:

• aktuální zatížení;
• provozní režim;
• výrobek nebo receptura;
• okolní teplota;
• směna;
• stav údržby;
• události rozběhu a odstavení.

Baseline není jediná průměrná hodnota. Je to vícerozměrný rozsah běžného provozu, který se v různých provozních situacích může lišit.

Bez kvality dat se AI mýlí se sebejistotou

Skutečná průmyslová data jsou neúplná, zašuměná a občas protichůdná. Výměna senzoru, výpadek komunikace, chybné časové razítko, aktualizace firmwaru nebo změněné nastavení technologie mohou datovou řadu přerušit.

Je třeba ošetřit:

• chybějící vzorky;
• duplicitní data;
• chybové kódy zaznamenané jako naměřené hodnoty;
• změny škálování;
• problémy s časovou synchronizací;
• drift senzoru (jeho pomalý posun);
• nový výchozí stav po údržbě.

AI tyto chyby automaticky neopraví. Pokud je neodhalíme, model se může dokonce naučit, že chyba komunikace je známkou blížící se poruchy ložiska.

Učení s učitelem není vždy nutné

V průmyslu bývá dobře označených poruchových událostí často málo. Je to logické: naštěstí se ne každý stroj porouchá stokrát tak, aby přitom byly přesně zdokumentovány všechny okolnosti.

V úvahu proto připadá několik přístupů:

• inženýrské mezní hodnoty a soustavy pravidel;
• statistická detekce trendů a změn;
• detekce anomálií bez učitele;
• odhad stavu;
• klasifikace s učitelem, pokud jsou k dispozici vhodná označená data;
• odhad zbývající životnosti, pokud to datový základ skutečně umožňuje.

Dobré řešení není pokročilé tím, že používá co nejsložitější model. Je pokročilé tím, že podporuje rozhodnutí o údržbě ve správný čas a s přijatelnou mírou falešných poplachů.

Obchodní hodnota začíná až po poplachu

Skóre anomálie samo o sobě nic neopraví. Je třeba určit, co se stane potom:

• kdo upozornění dostane;
• jaká další data uvidí;
• jakou úroveň závažnosti událost dostane;
• zda je nutná kontrola na místě;
• zda se otevře pracovní příkaz;
• jak se diagnóza a výsledek opravy vrátí zpět do procesu učení.

Silnou stránkou OrigSmart je právě zvládnutí celého řetězce. Od návrhu senzorů a gatewaye přes zpracování časových řad a automatickou analýzu až po úkol údržby a zpětnou vazbu může celý proces propojit jeden a týž systém.

Zdroje

• NIST – Smart Manufacturing Systems Design and Analysis Program
• NIST SP 800-82 Rev. 3 – Guide to Operational Technology Security
• OrigSmart – Zařízení a provoz