A prediktív karbantartás marketingváltozata egyszerű: felszerelünk néhány szenzort, az AI megtanulja a gépet, majd előre szól, mielőtt az meghibásodna.

A valóság ennél kevésbé varázslatos, viszont sokkal hasznosabb.

A gépi tanulás valóban képes olyan összefüggéseket és változásokat felismerni, amelyeket egyszerű határértékekkel nehéz lenne kezelni. De csak akkor, ha előtte a mérnöki, adatgyűjtési és üzemeltetési alapok rendben vannak.

A prediktív karbantartás ezért nem AI-projektként kezdődik. Hanem egy nagyon konkrét kérdéssel:

Melyik meghibásodást szeretnénk korábban észlelni, és milyen fizikai jelenség előzi meg?

Nem általában a „gépet” kell figyelni

Egy motor, szivattyú vagy hajtómű többféle módon hibásodhat meg. A csapágykopás, kiegyensúlyozatlanság, kenési probléma, túlterhelés, szigetelési hiba és hűtési elégtelenség más-más jelet hagy.

Ezért az első lépés a hibamódok és következményeik meghatározása. Tudni kell:

  • mi romolhat el;
  • milyen gyakran fordul elő;
  • mekkora kiesést vagy kárt okoz;
  • észlelhető-e előre;
  • mennyi idő áll rendelkezésre a beavatkozásra;
  • mely mérési jel hordoz használható információt.

Ha nincs válasz ezekre, könnyen létrejön egy drága adatgyűjtés, amely sok görbét termel, de kevés karbantartási döntést támogat.

A megfelelő szenzor fontosabb, mint a látványos modell

Az ipari állapotfelügyelet gyakori adatforrásai:

  • rezgés és gyorsulás;
  • hőmérséklet;
  • villamos áram, feszültség és teljesítmény;
  • akusztikus jel;
  • nyomás és térfogatáram;
  • fordulatszám;
  • páratartalom vagy más környezeti jellemző.

Nem mindegy azonban, hol helyezzük el a szenzort, milyen irányban mér, milyen a rögzítés, a mintavételi frekvencia, a mérési tartomány és a zajszint.

Egy rezgésérzékelő rossz mechanikai rögzítése több kárt okozhat, mint egy gyengébb algoritmus: a modell következetesen rossz adatból fog tanulni. Ugyanez igaz a nem megfelelő áramváltóra, a lassú hőmérséklet-mérésre vagy a technológiai környezettől elszigetelt akusztikus jelre.

A mintavételnek a jelenséghez kell igazodnia

Egy lassan változó csapágyhőmérsékletet elegendő lehet másodperces vagy perces gyakorisággal figyelni. A rezgés spektrális vizsgálatához viszont nagyságrendekkel gyorsabb mintavétel szükséges.

Ha túl ritkán mérünk, a fontos jelenség eltűnik. Ha indokolatlanul sűrűn, fölöslegesen növeljük az adatforgalmat és a feldolgozási költséget.

Ezért az edge feldolgozás különösen hasznos lehet. A helyi eszköz a nagyfrekvenciás nyers jelből kiszámíthat olyan jellemzőket, mint az RMS, csúcsérték, kurtózis vagy frekvenciasávok energiája, és központba már ezek időbeli változását küldheti.

Először a normál működést kell megtanulni

Egy gép adata nem önmagában normális vagy hibás. Ugyanaz az áramfelvétel más jelentést hordozhat üresjáratban, teljes terhelésen, induláskor vagy tisztítási ciklusban.

A megbízható állapotértékeléshez ezért szükséges az üzemi kontextus:

  • aktuális terhelés;
  • üzemmód;
  • termék vagy recept;
  • környezeti hőmérséklet;
  • műszak;
  • karbantartási állapot;
  • indulási és leállási események.

A baseline nem egyetlen átlagérték. A normál működés többdimenziós tartománya, amely különböző üzemi helyzetekben eltérhet.

Adatminőség nélkül az AI magabiztosan téved

A valós ipari adatok hiányosak, zajosak és időnként ellentmondásosak. Szenzorcsere, kommunikációs kiesés, rossz időbélyeg, firmware-frissítés vagy megváltozott technológiai beállítás mind megtörheti az adatsort.

Kezelni kell:

  • a hiányzó mintákat;
  • a duplikált adatot;
  • a hibakódot mérési értékként;
  • a skálázás változását;
  • az időszinkron problémáit;
  • a szenzor driftjét (lassú elcsúszását);
  • a karbantartás utáni új alapállapotot.

Az AI nem javítja meg automatikusan ezeket a hibákat. Ha nem észleljük őket, a modell akár azt is megtanulhatja, hogy a kommunikációs hiba a közelgő csapágyhiba jele.

Nem mindig kell felügyelt gépi tanulás

Az iparban gyakran kevés a jól címkézett hibaesemény. Ez logikus: szerencsére nem romlik el minden gép százszor úgy, hogy közben minden körülmény pontosan dokumentálva van.

Ezért többféle megközelítés jöhet szóba:

  • mérnöki határérték és szabályrendszer;
  • statisztikai trend- és változásdetektálás;
  • felügyelet nélküli anomáliadetektálás;
  • állapotbecslés;
  • felügyelt osztályozás, ha van megfelelő címkézett adat;
  • hátralévő hasznos élettartam becslése, ha az adatháttér ezt valóban lehetővé teszi.

A jó megoldás nem attól fejlett, hogy a lehető legbonyolultabb modellt használja. Attól fejlett, hogy megfelelő időben, elfogadható téves riasztási aránnyal támogatja a karbantartási döntést.

A riasztás után kezdődik az üzleti érték

Egy anomáliapontszám még nem javít meg semmit. Meg kell határozni, mi történjen utána:

  • ki kapja a jelzést;
  • milyen további adatot lát;
  • milyen súlyossági szintet kap az esemény;
  • szükséges-e helyszíni ellenőrzés;
  • nyílik-e munkalap;
  • hogyan kerül vissza a diagnózis és a javítás eredménye a tanulási folyamatba.

Az OrigSmart erőssége éppen a teljes lánc kezelése. A szenzor és gateway kialakításától az idősoros adatfeldolgozáson és automatikus elemzésen át a karbantartási feladatig és visszacsatolásig ugyanaz a rendszer foghatja össze a folyamatot.

Érdemes pilotban bizonyítani

Egy jó prediktív karbantartási pilot nem az egész üzemet akarja egyszerre „AI-osítani”. Kiválaszt egy üzletileg fontos berendezést vagy hibamódot, meghatározza a sikerkritériumot, telepíti a szükséges mérést, és először azt bizonyítja, hogy az adat stabilan és értelmezhetően rendelkezésre áll.

Ezután következik a baseline, az anomáliák értékelése és a karbantartói visszacsatolás. A modell csak akkor léphet magasabb automatizációs szintre, ha a valós üzemi eredmény igazolja.

A prediktív karbantartás tehát nem attól lesz intelligens, hogy ráírjuk az AI szót.

Attól lesz intelligens, hogy a megfelelő fizikai jelet, megfelelő kontextusban, megbízható adatfolyamon keresztül valódi karbantartási döntéssé alakítja.

Beszéljük át az Ön projektjét

Források