Использование искусственного интеллекта в диагностическом контроле оборудования

Современные технологии диагностического контроля меняют способ управления и обслуживания активов промышленных предприятий. Анализируя параметры оборудования, такие как уровень вибрации, отклонение температуры и энергопотребления, операторы могут получить раннюю индикацию потенциальной проблемы. Это помогает им спланировать и осуществить своевременное обслуживание, чтобы максимизировать время безотказной работы оборудования и сохранять производительность в соответствии с планом.

Автоматизация обслуживания оборудования – сложная задача. «Взаимосвязь между сигналами вибрации и некоторыми повреждениями подшипников хорошо исследованы и изучены в лаборатории», говорит Карл Ловенмарк, аспирант Университета Технологии Люлео, - «Но воссоздать то же в производственных условиях гораздо сложнее, и требует участия инженеров с многолетним опытом работы в отрасли».

Спонсоры исследования, промышленные предприятия включают в себя несколько наиболее требовательных пользователей технологий обслуживания оборудования. Кроме SKF, среди них два больших целюллозно-бумажных комбината, в каждом из которых огромные бумагоделательные машины, снабженные тысячами датчиков. «Оборудование, с которым я работаю, может составлять в длину десятки метров», - объясняет он. «Оборудование целлююлозно-бумажной промышленности состоит из множества разных вращающихся узлов, которые могут работать в сложных условиях, включая высокую влажность и температуры. В результате, значительный объем информации скрыт в сигналах датчиков.»

«Проблема диагностики в том, что сигналы оборудования требуют больших навыков и опыта», - продолжает Ловенмарк, «но в большом объеме данных можно утонуть, в худшем случае, это означает, что анализирующий должен потратить несколько часов каждый день, отсеивая ложные тревоги и другие ошибочные данные, перед тем как он сможет хотя бы начать определять и диагностировать потенциальные проблемы оборудования.»

Ловемарк начал свой диссертационный проект в 2020 году, он призван исследовать как технологии искусственного интеллекта могут облегчить груз этого экспертного анализа, освобождая время специалиста на задачи, способствующие увеличению создания добавленной стоимости, и решать задачи, которые помогут комбинату работать более надежно. Это могло бы снять барьер для более широкого распространения диагностического контроля технического состояния, так как людей с достаточными знаниями и опытом для работы с этими системами часто не хватает.

«Использование искусственного интеллекта в автоматизации диагностического контроля имеет значительный потенциал,»- говорит представитель одного из спонсоров проекта, Сииз Таал, старший научный сотрудник в команде диагностики и прогнозирования, центра исследований и технологического развития SKF, в Хутене (Нидерланды). «Однако, применение этой технологии в нашей области не так просто, как в области визуальных объектов и языковых моделей».

«Мой проект совпал по времени с периодом взрывного роста в технологиях искусственного интеллекта», - объясняет Ловенмарк. «Когда я начинал, большие языковые модели, такие как GPT были на ранней стадии развития и не в таком публичном доступе как сейчас. Большая часть моей работы состояла в том, чтобы угнаться за прогрессом, который был достигнут за последние четыре года, и потом найти способ, чтобы перенести этот прогресс к специфичному применению отрасли».

От изображений к сигналам

Технология распознавания изображений сделала значительный скачок в этом десятилетии. Однако, применения этого метода к диагностическому контролю и прогнозированию отказов оборудования – задача далеко не тривиальная. Первая задача – указать модели ИИ (искусственного интеллекта) на что смотреть. «Эти системы обучаются на огромном массиве данных», объясняет Ловенмарк, «Компании по развитию ИИ строят огромные обучающие наборы данных, используя тщательно промаркированные и категоризированные примеры из интернета. Данных диагностического контроля, с другой стороны, с избытком, но их сложно использовать, так как они неструктурированны, разнородны и главное непромаркированы».

У Ловенмарка были некоторые источники данных. В течение нескольких лет, эксперты мониторинга оборудования из SKF и двух бумажных комбинатов аккумулировали сотни отчетов, в которых задокументированы отказы оборудования, корректирующие действия и данные, которые использовались для диагностики этих проблем. План был в том, чтобы использовать эти отчеты для обучения моделей искусственного интеллекта общего назначения, чтобы работать с данными мониторинга оборудования.

Это было непросто. «Отчеты мониторинга оборудования очень отличаются от обычных текстов и изображений, которые используют для обучения ИИ», говорит Ловенмарк. «Данные могут быть представлены множеством разных путей, и язык, который используют аналитики очень технический, и включает специфический жаргон отрасли и компании, который редко используется сам по себе».

С точки зрения изображений, система построена, чтобы работать с множеством составляющих сигналов мониторинга. «Если вы учите ИИ распознавать изображение собаки, это просто, потому что вы знаете, где собака на тренировочном снимке, говорит он. В мониторинге, сигналы могут поступить через время, так что вы должны смотреть предыдущие данные в дополнение к текущим сигналам, и также может быть разное объяснение этим данным».

Постичь смысл технического языка

Решение этих задач требует изобретательности. Ловенмарк использовал ряд техник, чтобы конвертировать данные инженеров и отчетов в формат, который нынешние системы ИИ могут интерпретировать. Он включил объяснения данных и определения ключевых терминов в промты, используемые чтобы запустить модель ИИ и снабдил систему ссылками на пояснительные документы.

Ловенмарк использовал эти элементы, чтобы настроить модель двойного инспектирования (dual supervision). Этот тип систем разработан, чтобы обрабатывать одновременно данные в тексте и изображения. Эта технология используется, чтобы создавать описания для фото или видео, или чтобы генерировать изображения по описанию (промту) пользователя.

Новые модели быстро доказывают свою способность работать с задачами прогностического обслуживания в реальном мире. Первый успех пришел, когда Ловенмарк показал, что модели ИИ могут надежно распознать сигналы, возникающие из-за дефектов в датчике или кабеле датчика. Эти события достаточно часто встречаются в больших системах мониторинга оборудования. Их легко исправить, но задача найти их, обычно требует исследования человека аналитика, на которое уходит много времени.

«Если ИИ может идентифицировать эти ошибки, аналитику нужно только проверить и подтвердить диагностику», говорит он. «Это было бы полезно для экономии времени».

Эволюция ИИ ассистента

ИИ может помочь диагностировать более сложные проблемы. Самая новая версия системы Ловенмарка разработана, чтобы помочь аналитику делать его работу быстрее и точнее. «В одном примере, аналитик может посмотреть на показатели и начать печатать описание проблемы», говорит Ловенмарк. «Когда он это делает, система может автоматически подтягивать примеры подобных событий, которые происходили в прошлом, показывая как выглядели данные, и какая была проблема. Это может помочь аналитику с его диагностикой или направить его к коллеге, у кого больше опыта в диагностике подобных проблем».

Следующая итерация системы, сейчас в процессе разработки, призвана расширить модель ИИ в интерактивного виртуального помощника для анализа мониторинга состояния оборудования. Он будет организован в виде чата с ответом на текстовые запросы пользователя, подтягивая релевантные данные, запуская инструменты аналитики и подсказывая следующие шаги, необходимые для диагностики проблемы.

Означает ли это, что мониторинг с использованием ИИ уже созрел для использования? Ловенмарк настроен оптимистично, но с осторожностью. «Я бы сказал, у нас есть прочная основа, но каждая установка системы мониторинга отличается, таким образом, пользователю нужно будет обучать модели на их собственных данных и совершенствовать их, чтобы они соответствовали их политике и процессам. Системы ИИ используют обучение с подкреплением сигналами от среды взаимодействия, таким образом, модель постепенно улучшает соответствие применению и точность результатов на основе отклика пользователя».

В SKF изучают возможность перенесения этого подхода. Обсуждаются проекты по использованию ИИ в других применениях.

Работу Карла Ловенмарка поддерживает Программа стратегических инноваций IT в промышленности и автоматизации, совместные инвестиции Vinnova, Formas и Шведского Энергетического Агентства. Кроме университета технологий Люлео и SKF, в проект вовлечены исследовательский институт RISE и целлюлозно-бумажные комбинаты SCA Munksund и Smurfit Kappa Pitea.

09.08.24

Новости мировых производителей подшипников и деталей промышленных трансмиссий (RSS)
Архив новостей

При использовании новостей сайта прямая активная гиперссылка на BERGAB.RU обязательна