Внедрение искусственного интеллекта в обслуживание

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Автор Шон Робинсон, руководитель обслуживания, Novotek UK & Ireland

За последние пять лет промышленный сектор увидел ценность оцифровки и вложил больше средств в её принятие. При этом произошел культурный переход от обслуживания реактивного оборудования к активному обслуживанию, которое предотвращает проблемы. В этой статье объясняется, как руководители предприятий могут сделать профилактическое обслуживание еще более эффективным с машинным обучением.

В 2006 году британский математик Клайв Хамби заявил, что «данные - это новая нефть». Независимо от того, являетесь ли вы производителем продуктов питания или автомобилей, данные производственных процессов являются основой повышения эффективности и общей производительности.

Руководители предприятий, знакомые с промышленным интернетом вещей (IIoT), знают, что одним из самых продаваемых пунктов концепции является понимание, как он может обеспечить производительность оборудования и эффективность процесса, что, в свою очередь, создаст преимущества для компании.

Это изменило культуру обслуживания на заводах, которые начали применять технологию интернета вещей. Вместо того, чтобы реагировать на поломку или проводить плановое техническое обслуживание на основе ожидаемого срока службы оборудования, инженеры могут принимать обоснованные решения о том, когда следует обслуживать системы на основе состояния оборудования.

Минимизирование незапланированных простоев имеет очевидные преимущества, что добавляет значительную ценность с точки зрения увеличения общей пропускной способности без новых капитальных затрат. Однако достижение этого является сложной задачей из-за объема данных и последующего анализа, которые необходимы для уверенного изменения графиков обслуживания.

Именно здесь возникает возможность для машинного обучения в промышленном обслуживании. С машинным обучением алгоритмы могут быть обучены выявлению корреляционных факторов в данных, чтобы не только выявить проблему, но и ее основную причину. В принципе это звучит просто, но количество потенциальных вещей, которые следует учесть, может быть слишком высоким, чтобы человек мог эффективно работать.

Внутри одной машины могут быть десятки датчиков. Чтобы получить четкое представление обо всех вещах, влияющих на надежность, эти данные должны оцениваться наряду с такими вещами, как записи обслуживания и история работы машины. Даже окружающие условия и данные экипажа могут дать представление о том, какие проблемы могут возникнуть.

Единственный эффективный способ навигации по количеству переменных факторов - это платформа IoT (интернета вещей) с машинным обучением, такая как платформа Predix от GE Digital и Asset Performance Management (APM). Подключение устройства с поддержкой IoT к платформе позволяет алгоритмам машинного обучения анализировать его с помощью комбинации стандартных мер APM и расширенной аналитики. Это позволяет обслуживающему персоналу не только обнаруживать, когда машина нуждается в техническом обслуживании, но и почему.

Например, производитель полупроводников может обнаружить, что он упускает десять процентов своей мощности из-за сбоев в производственном процессе. При том что все машины могут быть подключены к IoT, для инженера все равно будет слишком много данных чтобы разумно анализировать. С помощью алгоритмов машинного обучения аналитики IoT APM может, например, определить, что машина имеет повышенные уровни вибрации, которые наносят ущерб полупроводникам.

Затем алгоритмы могут оценивать это, сравнивая с историческими данными, чтобы определить, как часто это происходит, идентифицировать знаки производительности, которые предшествуют этому, и - если они интегрированы в систему управления - отправлять предупреждения инженерам, когда машина требует обслуживания. Это позволяет машине получать техническое обслуживание только тогда, когда её условия указывают на то, что она должна переходить от предупредительного к профилактическому обслуживанию на основе условий.

По сути, машинное обучение позволяет анализу данных технического обслуживания стать более автоматизированным процессом. Фактически, есть определенные промышленные приложения, где алгоритмы могут быть разрешены для прямой переконфигурации машины с правильными настройками. И, как показывают машинные алгоритмы, это станет все более жизнеспособным способом повышения эффективности.

Независимо от того, считаете ли вы данные новой нефтью или нет, неоспоримо, что это ценный ресурс, который подпитывает общее улучшение работы менеджеров и инженеров-технологов. Ключом к достижению этого является разумная и эффективная промышленная аналитика.