Kunstmatige intelligentie in TORO: Toepassing van versterkingssleuteltraining voor optimalisatie van technische onderhoudsplanning

Inleiding: De probleem van traditioneel planning van O&M

Onder ondernemingen in Oekraïne wordt geconfronteerd met een kritieke behoefte aan het verminderen van kosten voor technische onderhoud en reparatie van apparatuur (TOOR) tijdens het behouden van hoge indicatoren van continue werking. Traditionele benaderingen van onderhoud - geplande voorkomende reparatie (PPM) op basis van een vaste kalender of noodreparatie - voldoen niet meer aan de eisen van het moderne productieproces. PPM leidt vaak tot vroegtijdige vervanging van goede onderdelen, wat de kosten verhoogt voor onderdelen uit de catalogus van UNITEC-D GmbH, terwijl noodreparatie grote verliezen veroorzaakt door stilleggingen van lijnen.

Kunstmatige intelligentie, met name algoritmen voor versterkt leren (Reinforcement Learning, RL), biedt een technisch oplossing voor dynamisch onderhoudsbeheer. Deze methode maakt het mogelijk om een balans te vinden tussen het risico op machineuitval en de kosten van onderhoud, rekening houdend met de werkelijke toestand van onderdelen.

Hoe werkt versterkt leren in TORO

Opleiding met versterking is een tak van machine learning, waarbij een agent interactie heeft met het omgeving (industriële apparatuur), door acties uit te voeren en beloningen of straffen te ontvangen. Het doel van de agent is de cumulatieve beloning te maximaliseren in de lange termijn.

• Agent: TOOR-beheersysteem of planner.
• Omgeving: Productielijn, pomppost of compressorenpark.
• Staat (State): Actuele vibratieparameters, temperatuur van de lagers, tijdsduur in uren, olie-druk.
• Actie (Action): Doorgaan met het gebruik, basisinspectie toewijzen, versterking vervangen of een grondige herstelling van de reductor uitvoeren.
• Beloning (Beloning): Positieve punten voor betrouwbare werking, negatieve punten voor ongeplande stilstand en kosten van onderdelen.

In tegenstelling tot supervised learning (leren met een docent), vereist RL geen historische gegevens over al bestaande storingen voor elk scenario. De agent onderzoekt zelf strategieën (methodologie van proberen en fouten in het digitale tweeling) en vindt het optimale moment voor ingrijpen volgens de standaarden ISO 13373 (toestandsschakeling en machine diagnose).

Vereisten voor gegevens

Kwaliteit van oplossingen RL hangt direct af van de kwaliteit van de invoerdata. Voor het implementeren van de model op het bedrijf is een betrouwbare data-infrastructuur nodig volgens EN IEC 62264 (integratie van bedrijfsbeheersystemen).

1. Samplefrequentie: Vibrationssensoren moeten werken op frequenties van 1 tot 10 kHz om defecten in lagers op vroegere fasen te detecteren.
2. Historische gegevens: Minimaal 12-24 maanden werkelogboek van het uitrustingsapparaat, inclusief aantallen over vorige reparaties en vervanging van onderdelen.
3. Context van exploitatie: Belastinggegevens, omgevingstemperatuur en kwaliteit van de grondstof.

De afwezigheid van kalibratie van sensoren of het voorkomen van verlies in de telemetrie leidt tot "hallucinaties" van de agent en tot het nemen van foutieve beslissingen betreffende het stoppen van het uitrusting.

Architectuur van de systeemimplementatie

Type architectuur van het project bestaat uit vier niveaus van informatieverwerking:

• Niveau van sensoren en uitvoermechanismen: Vibrationssensoren, thermoelementen, drukgevoeligers, aangesloten op de PLC via protocollen Modbus TCP of OPC UA.
• Randapparatuur (Edge Computing): Industriële gateways die een vooraf filteren van ruis en snelle spectrale vibratieanalyse uitvoeren.
• Cloud of lokale server (On-Premises): Uitvoeringsomgeving van RL-modellen (op basis van Python, TensorFlow/PyTorch), waar simulaties en het bijwerken van beleid plaatsvinden.
• TOR-interface: Integratie met een CMMS/EAM-bedrijfsstelsel voor automatisch aanmaken van werknemersorders en bestelbonnen via het UNITEC-D E-Catalog.

Resultaten van werkelijke implementaties en economische efficiëntie

Doe van industriële ondernemingen die RL-planning hebben ingevoerd voor kritieke aandrijfinstallaties en pompenaggregaten, toont de volgende indicatoren:

Type installatiebudget voor een software-hardware complex voor een gemiddeld bedrijf ligt tussen 40 000 en 120 000 euro, afhankelijk van het aantal gemonitoreerde eenheden van apparatuur en de aanwezigheid van bestaande sensoren.

Beperkingen en mogelijke risico's

Kunstmatige intelligentie is geen universele panacee. Ingenieurs moeten de technische beperkingen erkennen:

• Probleem van koud starten: Voor nieuw toestel zonder fouten geschiedenis heeft het model niet genoeg data voor training. Het is nodig om simulaties op basis van fysieke modellen (Digital Twin) te gebruiken.
• Data drift: Verandering van de technologische proces of kwaliteit van grondstof verandert de aard van het slijtage, wat regelmatig hertraining van de neurale netwerken vereist.
• Cyberbeveiliging: Verbinding van besturingssystemen met analytische modules creëert kwetsbaarheden die het naleven van standaarden IEC 62443 (industriële netwerksveiligheid) vereisen.

Eigen ontwikkeling of commercieel oplossing (Build vs Buy)

Het ontwikkelen van eigen RL-algoritmen met behulp van het interne IT-department is alleen verstandig voor ondernemingen met sterke inhouse teams van Data Science en een lang ontwikkelingscyclus (vanaf 2 jaar). Voor 90% van de productiebedrijven is het efficiënter om vooraf gemaakte CMMS-platforms met modules van kunstmatige intelligentie te kopen of professionele ingenieursbureaus in te schakelen.

Praktische stappen voor de ingenieurs van de fabriek

1. Bepalen van "knelpunten" in de productie — kritieke apparatuur waarvan stilstand de grootste financiële verliezen oplevert.
2. Conduct a audit van de huidige meetapparatuur op conformiteit met de standaarden ISO 10816 / ISO 20816 betreffende vibratiecontrole.
3. Zorg voor standaardisatie van gegevens en aansluiting van apparatuur op één gegevensoverdrachtsnetwerk.
4. Een pilootproject op één aggregaat (bijvoorbeeld een hoofdpomp of extruder) met een duur van 6 maanden vormen.
5. Bereid een voorraad onderdelen voor snelle reactie op de aanbevelingen van het systeem via UNITEC-D E-Catalog.

Conclusie

Opleiding met versterking transformeert technisch onderhoud van reactief of hardgecalibreerd naar een adaptief proces dat wordt beheerd door echte data. Het combineren van moderne voorspellende algoritmen en kwalitatieve Europese componenten met certificering CE en UkrSEPRO maakt het mogelijk voor Oekraïnske fabrieken om risico's op noodstoppingen te minimaliseren en operationele kosten te optimaliseren. Voor het kiezen van compatibele aandrijfunits, lagers, seals en sensoren verwijzen naar de technische documentatie en bestel onderdelen direct via UNITEC-D E-Catalog.

Link

• ISO 13373-1: Monitoring toestand en diagnose van machines. Algemene procedures.
• EN IEC 62264-1: Integratie van bedrijfsbeheersystemen.
• IEC 62443: Netwerkbeveiliging voor industriële automatisering- en besturingssystemen.
• ISO 20816-1: Vibration. Meten en beoordelen van machinevibraties.