Это вечная цель производства: производить высококачественную продукцию с минимальными затратами. Factory 4.0 уже демонстрирует свою ценность, позволяя производителям достигать этой цели более успешно, чем когда-либо, и одной из основных технологий, стимулирующих эту новую волну ультраавтоматизации, является промышленный искусственный интеллект и машинное обучение.
Данные стали ценным ресурсом, и их сбор и хранение дешевле, чем когда-либо. Благодаря использованию искусственного интеллекта, в частности машинного обучения, производители могут использовать данные, чтобы значительно повлиять на свою прибыль за счет значительного повышения эффективности, безопасности сотрудников и качества продукции.
Внедрение профилактического обслуживания с помощью машинного обучения
Техническое обслуживание составляет значительную часть расходов на любую производственную операцию. По этой причине Прогнозное техническое обслуживание стало общей целью среди производителей, привлеченных его многочисленными преимуществами, при этом значительное сокращение затрат на техническое обслуживание является одним из наиболее привлекательных.
Хотя некоторые производители выполняют профилактическое техническое обслуживание, это традиционно делается с использованием систем SCADA, настроенных с пороговыми значениями, правилами оповещения и конфигурациями, закодированными человеком.
Этот полуручной подход не принимает во внимание более сложные модели динамического поведения оборудования или контекстуальные данные, относящиеся к производственному процессу в целом. Например, датчик на производственной машине может уловить внезапное повышение температуры. Статическая система, основанная на правилах, не будет учитывать тот факт, что машина проходит стерилизацию, и продолжит выдавать ложноположительное предупреждение.
Напротив, алгоритмы машинного обучения получают данные ОТ (из производственного цеха: датчики, ПЛК, архиваторы, SCADA), ИТ-данные (контекстные данные: ERP, качество, MES и т. д.) и информацию о производственном процессе, описывающую синхронность между машины и скорость производственного потока.
В ИИ процесс, известный как «обучение», позволяет алгоритмам машинного обучения обнаруживать аномалии и тестировать корреляции при поиске шаблонов в различных потоках данных.
Сила машинного обучения заключается в его способности анализировать очень большие объемы данных в режиме реального времени и предлагать действенные ответы на возникающие проблемы. Состояние и поведение каждого актива и системы постоянно оцениваются, а износ компонентов выявляется до возникновения неисправности.
Включение предиктивной аналитики качества с помощью машинного обучения
Предотвращение простоев — не единственная цель, с которой нам может помочь промышленный ИИ. Качество продукции имеет решающее значение, и ухудшение качества продукции также можно предсказать с помощью машинного обучения. Зная заранее, что качество производимой продукции обречено на падение, вы предотвращаете нерациональное использование сырья и драгоценного производственного времени.
Контролируемое и неконтролируемое машинное обучение
Машинное обучение можно разделить на два основных метода — контролируемое и неконтролируемое машинное обучение.
Контролируемое машинное обучение
В производственных сценариях использования контролируемое машинное обучение является наиболее часто используемым методом, поскольку оно приводит к заранее определенной цели: у нас есть входные данные; у нас есть выходные данные; и мы хотим отобразить функцию, которая соединяет две переменные.
Контролируемое машинное обучение требует высокого уровня участия — ввода данных, обучения данных, определения и выбора алгоритмов, визуализации данных и т. д. Цель состоит в том, чтобы построить функцию отображения с таким уровнем точности, который позволяет нам прогнозировать выходные данные при вводе новых входных данных в систему.
Первоначально алгоритм получает данные из обучающего набора данных и, прорабатывая итерации, продолжает улучшать свою производительность, стремясь достичь определенного результата. Процесс обучения завершается, когда алгоритм достигает приемлемого уровня точности.
В производстве одним из наиболее эффективных вариантов использования машинного обучения является профилактическое обслуживание, которое может выполняться с использованием двух подходов к контролируемому обучению: классификации и регрессии.
Эти два подхода преследуют одну и ту же цель: сопоставить взаимосвязь между входными данными (из производственного процесса) и выходными данными (известные возможные результаты, такие как отказ детали, перегрев и т. д.).
- Регрессия
Регрессия используется, когда данные существуют в определенном диапазоне (например, температура, вес), что часто бывает при работе с данными, собранными с датчиков.
В производстве регрессию можно использовать для расчета оставшегося срока полезного использования (RUL) актива. Это прогноз того, сколько дней или циклов у нас есть до следующего отказа компонента/машины/системы.
Для регрессии наиболее часто используемым алгоритмом машинного обучения является линейная регрессия, довольно быстрая и простая в реализации, с выходными данными, которые легко интерпретировать. Примером линейной регрессии может быть система, предсказывающая температуру, поскольку температура является непрерывным значением с оценкой, которую легко обучить.
- Классификация
Когда данные существуют в четко определенных категориях, можно использовать классификацию. Примером классификации, с которой мы все знакомы, является алгоритм фильтрации электронной почты, который решает, следует ли отправлять электронное письмо в нашу папку со спамом или нет. Классификация ограничена откликом на логическое значение, но может быть очень полезной, поскольку для достижения высокого уровня точности требуется лишь небольшой объем данных.
В машинном обучении общие алгоритмы классификации включают наивный Байес, логистическую регрессию, машины опорных векторов и искусственные нейронные сети.
Прогностическое обслуживание использует многоклассовую классификацию, поскольку существует множество возможных причин отказа машины или компонента. Это возможные результаты, которые классифицируются как потенциальные проблемы с оборудованием и рассчитываются с использованием ряда переменных, включая состояние оборудования, уровни риска и возможные причины неисправности.
Чтобы продолжить чтение статьи полностью, нажмите на изображение ниже, ведущее на сайт Seebo:
