W skrócie
Za hasłem sztucznej inteligencji w utrzymaniu ruchu stoi kilka rodzin metod znanych od dekad. Różnią się tym, jakiego pytania dotyczą oraz jakich danych wymagają, a nie stopniem zaawansowania.
Cztery pytania, cztery rodziny metod
Za hasłem sztucznej inteligencji w utrzymaniu ruchu stoi kilka rodzin metod znanych od dekad. Różnią się tym, jakiego pytania dotyczą oraz jakich danych wymagają, a nie stopniem zaawansowania.
| Pytanie | Rodzina metod | Wynik |
|---|---|---|
| Jaka to usterka | klasyfikacja | przypisanie przypadku do jednej z opisanych kategorii |
| Ile czasu zostało do awarii | regresja | wartość liczbowa, na przykład liczba godzin pracy |
| Czy maszyna pracuje inaczej niż zwykle | wykrywanie anomalii | sygnał odstępstwa od wzorca stanu sprawnego |
| Jak zmienia się sygnał w czasie | analiza szeregów czasowych | trend oraz składowa sezonowa |
Wybór rodziny wynika z pytania, nie z mody. Zakład, który chce wiedzieć, które maszyny generują najwięcej postojów, nie potrzebuje żadnej z tych metod, a zestawienia opisanego na stronie o raportach awaryjności i kosztów maszyn.
Dane wejściowe, których wymaga każda metoda
Różnica w wymaganiach wobec danych jest większa niż różnica w skuteczności. Wykrywanie anomalii uczy się wyłącznie na stanie sprawnym, więc nie potrzebuje przykładów awarii. Klasyfikacja bez nich nie zadziała wcale.
- Klasyfikacja - kilkadziesiąt przykładów każdego rodzaju usterki, z etykietą z rejestru napraw.
- Regresja - zapisy od montażu podzespołu do jego wymiany, czyli pełne cykle życia.
- Wykrywanie anomalii - ciągły pomiar z okresu pracy bez usterek, bez etykiet.
- Szeregi czasowe - pomiar o stałym odstępie próbkowania, obejmujący pełny rok.
Zakład z kilkoma awariami rocznie na maszynę zbiera materiał do klasyfikacji latami. Dlatego modele buduje się częściej dla grup urządzeń niż dla pojedynczej maszyny, co wymaga jednolitych kategorii usterek w całym parku. Rolę słowników w tym miejscu opisuje strona o kartotekach maszyn i skorowidzach.
Jak powstają cechy podawane modelowi
Model nie pracuje na surowym przebiegu z czujnika, a na wielkościach z niego wyliczonych. Ten etap nazywa się przygotowaniem cech i pochłania zwykle więcej czasu niż dobór samej metody.
| Cecha | Co opisuje | Typowe zastosowanie |
|---|---|---|
| Wartość skuteczna drgań | ogólny poziom energii drgań | ocena stanu łożysk oraz wyważenia |
| Amplituda w wybranym pasmie | składowa o częstotliwości typowej dla usterki | rozpoznanie uszkodzenia bieżni łożyska |
| Wzrost temperatury wobec otoczenia | nadmiar ciepła oddawanego przez element | przegrzewanie silnika albo przekładni |
| Pobór prądu wobec obciążenia | sprawność napędu przy danej pracy | rosnące opory ruchu, zużycie przekładni |
Dobór cech wymaga wiedzy o maszynie, nie o algorytmach. Technik znający urządzenie wskaże wielkości, które zmieniają się przed usterką, szybciej niż analiza automatyczna. Dobór samych punktów pomiarowych opisuje strona o układach sensorycznych w monitorowaniu maszyn.
Szacowanie pozostałego czasu pracy
Szacowanie pozostałego czasu pracy przewiduje, ile jeszcze maszyna przepracuje do awarii. Metoda wymaga danych z całych cykli życia podzespołów, czyli zapisów od montażu do wymiany, a te są w zakładach rzadkością poza branżą lotniczą oraz energetyką.
Przeszkoda nie jest matematyczna, a organizacyjna. Żeby policzyć czas życia łożyska, trzeba wiedzieć, kiedy je zamontowano. Zapis rozchodu części na zlecenie naprawy daje tę datę, o ile technik dopisał pozycję do dokumentu, a nie wziął jej z półki bez papieru.
Dyscyplina rozchodu decyduje więc o tym, czy taka analiza będzie kiedykolwiek możliwa. Mechanikę wydań opisuje strona o magazynie części zamiennych w CMMS.
Pułapki przy ocenie skuteczności
Model oceniony na danych, na których się uczył, zawsze wygląda dobrze. Rzetelna ocena wymaga porównania z prostą regułą odniesienia oraz sprawdzenia na okresie, którego model nie widział.
- Reguła odniesienia - próg na wartości drgań albo stały harmonogram, punkt porównania.
- Przeuczenie - dopasowanie do danych uczących kosztem skuteczności na nowych przypadkach.
- Niezbalansowane klasy - model wskazujący zawsze stan sprawny bywa trafny w 99 procentach.
- Wyciek informacji - cecha zawierająca pośrednio wynik, na przykład data zlecenia naprawy.
Trzecia pułapka jest najczęstsza przy danych z utrzymania ruchu, bo awarie są rzadkie. Model, który nigdy nie ostrzega, ma doskonałą trafność ogólną i zero wartości. Dlatego ocenia się osobno zdolność wykrywania usterek oraz liczbę fałszywych alarmów, co opisuje strona o zastosowaniu analizy danych w utrzymaniu ruchu.
Model, który da się wyjaśnić technikowi
Przy tabelarycznych danych z rejestrów lepiej sprawdzają się metody prostsze, na przykład drzewa decyzyjne oraz regresja, bo dają wynik możliwy do wyjaśnienia. Sieci neuronowe mają przewagę przy surowych sygnałach z czujników.
Wyjaśnialność nie jest kwestią elegancji. Technik, który dowiaduje się, że ostrzeżenie wynika z wzrostu amplitudy w pasmie typowym dla łożyska, wie, gdzie zajrzeć. Ostrzeżenie bez uzasadnienia kończy się oględzinami całej maszyny albo zignorowaniem sygnału. Wymagania wobec przejrzystości systemów wspierających decyzje określa rozporządzenie Unii Europejskiej o sztucznej inteligencji.
Co da się policzyć bez uczenia maszynowego
Zanim pojawi się model, kilka pytań ma odpowiedź w zwykłej arytmetyce na danych z rejestrów. Żadne z poniższych obliczeń nie wymaga czujników.
| Obliczenie | Z jakich danych | Co ujawnia |
|---|---|---|
| Liczba zgłoszeń na maszynę w roku | rejestr zgłoszeń awarii | urządzenia wymagające przeglądu konstrukcji |
| Odstęp między kolejnymi awariami | daty zgłoszeń przy tym samym obiekcie | czy usterki są powtarzalne czy losowe |
| Koszt roczny obiektu | rozchody części oraz godziny techników | maszyny zbliżające się do progu wymiany |
| Udział prac planowych | zlecenia przeglądowe wobec zleceń napraw | czy prewencja rzeczywiście działa |
Te cztery liczby zwykle wystarczają, żeby podjąć decyzje o remontach oraz o zapasie części. Model przydaje się dopiero wtedy, gdy oczywiste wnioski zostały już wykorzystane. Praktyczną stronę diagnostyki opartej na pomiarach opisuje strona o diagnozowaniu maszyn z wykorzystaniem AI, a zakres danych dostępnych w rejestrach można sprawdzić w demie modułu CMMS.