Планування технічного обслуговування на основі штучного інтелекту: підсилювальне навчання в MRO

Вступ: штучний інтелект і майбутнє передбачуваного обслуговування

Сучасне виробництво стикається зі зростаючим тиском щодо скорочення часу простою, оптимізації розподілу ресурсів і продовження терміну служби обладнання. Традиційні стратегії технічного обслуговування, такі як технічне обслуговування за часом або за умовами, часто не враховують динамічні робочі змінні, що призводить або до надмірного технічного обслуговування, або до несподіваних збоїв. Навчання з посиленням (RL), передова техніка штучного інтелекту, пропонує нову парадигму для планування технічного обслуговування, дозволяючи системам вивчати оптимальні інтервали технічного обслуговування за допомогою зворотного зв’язку в реальному часі та взаємодії з навколишнім середовищем.

Як це працює: Навчання з підкріпленням у дії

Навчання з підкріпленням – це тип машинного навчання, коли алгоритм вчиться приймати рішення, взаємодіючи з середовищем. У контексті технічного обслуговування «середовище» — це підлога підприємства та обладнання, за яким спостерігають. Алгоритм, або «агент», отримує винагороду або штраф на основі результатів своїх дій, таких як планування завдання технічного обслуговування або дозвіл на продовження роботи.

Агент RL використовує функцію винагороди для оцінки ефективності своїх рішень. Наприклад, якщо завдання з технічного обслуговування запобігає збою, який спричинив би зупинку виробництва, агент отримує позитивну винагороду. І навпаки, якщо технічне обслуговування виконується без потреби, агент несе штраф. З часом агент навчається балансувати ці результати та планує технічне обслуговування в найбільш оптимальний час.

Вимоги до даних: що потрібно для навчання агента ШІ

Для ефективного навчання з підкріпленням потрібні високоякісні дані в реальному часі. Ключові джерела даних включають:

• Операційні дані: покази датчиків, вібрація, температура, тиск і профілі навантаження.
• Журнали технічного обслуговування: записи про минуле технічне обслуговування, випадки збоїв і історія ремонту.
• Дані про навколишнє середовище: температура навколишнього середовища, вологість та інші фактори, які можуть впливати на роботу обладнання.
• Виробничі графіки: графіки змін, продуктивність і робоче навантаження для оптимізації періодів обслуговування.

Дані мають бути чистими, позначеними та з міткою часу. Відсутні або суперечливі дані можуть призвести до неоптимального навчання. Обсяг необхідних даних залежить від складності системи, але зазвичай коливається від сотень тисяч до мільйонів точок даних для заводу середнього розміру.

Архітектура реалізації: від датчиків до дії

Впровадження навчання з підкріпленням у MRO передбачає багаторівневу архітектуру, яка з’єднує фізичні активи з процесом прийняття рішень ШІ:

1. Датчики: збирайте дані в реальному часі з обладнання, зокрема датчиків вібрації, температури та тиску.
2. Граничні пристрої: обробка та попередня обробка даних локально, щоб зменшити затримку та використання пропускної здатності. Зазвичай використовуються периферійні шлюзи, такі як Raspberry Pi, або промислові шлюзи IoT.
3. Хмарна платформа: розмістіть модель навчання з підкріпленням і зберігайте історичні дані. Це підтримують такі платформи, як AWS IoT Greengrass, Azure IoT Edge або Google Cloud IoT Core.
4. Decision Engine: тут працює агент RL, використовуючи оброблені дані для визначення оптимальних графіків технічного обслуговування.
5. Приводи та системи керування: виконання завдань з технічного обслуговування, як-от ініціювання сповіщень, планування технічного обслуговування або вимкнення обладнання.

Ця архітектура забезпечує швидку реакцію системи, її масштабованість і бездоганну інтеграцію з існуючою інфраструктурою заводу.

Реальні результати: вимірюваний вплив технічного обслуговування за допомогою ШІ

Кілька тематичних досліджень демонструють ефективність навчання з підкріпленням у плануванні технічного обслуговування:

• Приклад 1: Автомобільний завод

  Німецький автомобільний завод запровадив систему технічного обслуговування на основі RL для своїх конвеєрів складальної лінії. Система скоротила незаплановані простої на 28% і підвищила готовність обладнання на 14%. Початкова вартість впровадження склала 450 000 доларів США, термін окупності – 12 місяців. Протягом двох років система досягла рентабельності інвестицій у 180%.

• Приклад 2: Переробка харчових продуктів і напоїв

  Підприємство харчової промисловості у Великобританії використовувало RL для оптимізації обслуговування своїх високошвидкісних міксерів. Система зменшила витрати на обслуговування на 22% і збільшила середній час напрацювання на відмову (MTBF) на 35%. Вартість впровадження склала 320 тис. доларів США, термін окупності – 10 місяців.

• Приклад 3: Нафтогазовий сектор

  У морській нафтовій промисловості Великої Британії було введено в дію систему RL для керування технічним обслуговуванням критичних клапанів. Система підвищила надійність активів на 26%, зменшивши витрати на обслуговування на 1,2 мільйона доларів США щорічно. Система відповідала стандартам ASME та API для обладнання, що працює під тиском.

Обмеження та підводні камені: на що звернути увагу

Хоча навчання з підкріпленням дає значні переваги, воно не є панацеєю. Основні обмеження включають:

• Якість даних: низька якість даних може призвести до неоптимальних або неправильних рішень. Дані мають бути чистими, точними та відповідати реальним умовам.
• Складність моделі: моделі RL можуть потребувати інтенсивних обчислень, вимагаючи значної обчислювальної потужності та часу для навчання.
• Проблеми інтеграції: для інтеграції систем RL із застарілим обладнанням і системами керування можуть знадобитися спеціальні інтерфейси або проміжне програмне забезпечення.
• Людський нагляд: штучний інтелект має збільшувати, а не замінювати людський досвід. Регулярні аудити та перевірка вручну необхідні для забезпечення надійності системи.

Крім того, системи RL чутливі до змін умов експлуатації. Наприклад, раптова зміна виробничого попиту або конфігурації обладнання може вимагати перенавчання моделі для підтримки оптимальної продуктивності.

Будувати чи купувати: стратегічні міркування

Рішення про те, створити власне рішення RL чи придбати комерційний продукт, залежить від кількох факторів:

• Власна розробка: забезпечує повний контроль і налаштування, але вимагає значних інвестицій у наукові знання, інфраструктуру та постійне обслуговування. Підходить для великих, складних систем.
• Комерційні рішення: надайте готові платформи з попередньо навченими моделями та підтримкою. Вони є економічно ефективними для невеликих операцій або тих, що мають обмежені внутрішні можливості. Приклади включають IBM Watson IoT, Siemens MindSphere і PTC ThingWorx.

Для більшості виробників середнього розміру гібридний підхід — використання комерційних платформ із спеціальним навчанням — пропонує найкращий баланс вартості, гнучкості та продуктивності.

Початок роботи: практична дорожня карта для інженерів заводів

Впровадження технічного обслуговування за допомогою ШІ вимагає структурованого підходу:

1. Визначте цілі: визначте ключові показники ефективності (KPI), такі як час простою, напрацювання на відмову та витрати на обслуговування. Поєднайте це з бізнес-цілями.
2. Оцінка готовності даних: оцінка якості, обсягу та доступності даних датчиків і технічного обслуговування. За потреби очистіть і позначте дані.
3. Виберіть платформу: виберіть структуру RL або комерційне рішення, яке відповідає вашим технічним і бюджетним обмеженням.
4. Інтеграція з існуючими системами: забезпечення сумісності з SCADA, ПЛК та іншими промисловими системами керування. Використовуйте периферійні обчислення для обробки в реальному часі.
5. Навчіть і перевірте модель: використовуйте історичні дані для навчання агента RL. Перевірте результати за реальними показниками ефективності.
6. Розгортання та моніторинг: запровадження системи в контрольованому середовищі та постійний моніторинг продуктивності. За потреби відрегулюйте модель.

Співпраця між відділами технічного обслуговування, ІТ-техніки та командами з обробки даних має вирішальне значення для забезпечення успішного розгортання та постійної оптимізації.

Висновок: перетворення технічного обслуговування за допомогою ШІ

Навчання з підкріпленням є значним прогресом у плануванні технічного обслуговування, пропонуючи потенціал для скорочення часу простою, зниження витрат і підвищення надійності обладнання. Однак його успіх залежить від високоякісних даних, належного впровадження та постійного вдосконалення. Використовуючи рішення на основі штучного інтелекту, виробники можуть досягти більш прогнозованої, ефективної та стійкої стратегії обслуговування.

Для інженерів заводів, які хочуть запровадити системи технічного обслуговування на основі штучного інтелекту, UNITEC-D надає повний асортимент промислових запасних частин і послуг з технічного обслуговування, які підтримують цифрову трансформацію. Ознайомтеся з нашим каталогом, щоб знайти потрібні компоненти для ваших ініціатив з розумного обслуговування.

Список літератури

1. ANSI/ASME B31.3-2019: Технологічні трубопроводи
2. IEEE 1451.1-2006: Стандарт для таблиць електронних даних перетворювача (TEDS)
3. NFPA 70: Національний електротехнічний кодекс (NEC)
4. UL 60950-1: Безпека інформаційно-технологічного обладнання
5. CSA C22.2 № 60950-1: Безпека інформаційно-технологічного обладнання
6. Маркування CE для машин: Директива 2006/42/EC