Machine learning benutten voor geavanceerde toestandsmonitoring

We horen veel over wat er in de ruimte van toestandsmonitoring gebeurt met betrekking tot het Industrial Internet of Things (IIoT) en andere digitale transformatiestrategieën. De beloofde resultaten van het gebruik van machine learning (ML) en kunstmatige intelligentie (AI) als vorm van toestandsmonitoring hebben veel organisaties in diverse sectoren aangemoedigd om data science voor zich te laten werken.

Op die manier hopen ze de effectiviteit van hun onderhoudsinspanningen te verbeteren en de continue gezondheid van hun cruciale activa te garanderen. Net als mensen kunnen computers leren uit eerdere ervaringen om geïnformeerde voorspellingen te maken over potentiële toekomstige resultaten.

Maar is toestandsmonitoring werkelijk zo simpel?

Het antwoord is nee.

Stel je voor dat je je organisatie vertelt dat je een bepaalde foutmodus kunt identificeren als ze de machine ten minste drie keer laten falen, zodat je uit de data kunt leren en patronen voor die specifieke foutmodus kunt herkennen. Dit zou waarschijnlijk leiden tot het feit dat je het bedrijf wordt uitgeschopt en je technologie wordt belachelijk gemaakt. Daar ligt het probleem met machine learning.

Machine Learning

Een kunstmatige intelligentie-datatechnologie die de mogelijkheid van een datasoftwareprogramma verbetert om toekomstige resultaten, zoals nadende activafouten, te voorspellen met minimale menselijke interactie na de initiële instelling.
Bron: Reliable Plant

Men zou kunnen argumenteren dat we geen modellen willen trainen om individuele foutmodusniveaus te herkennen en dat we alleen geïnformeerd willen worden wanneer een bepaald activum data presenteert die afwijkt van de vastgelegde standaarden. Machine learning kan hierin uitstekend presteren. Echter, trenddata kan dat al decennialang en vereist geen extra kapitaalinvesteringen.

De waarde van machine learning in toestandsmonitoring

Wat is dan de echte waarde van het creëren van deze machine learning-modellen?

Niet veel, als we het verhaal hier zouden beëindigen. Maar we hebben een enorme hoeveelheid data beschikbaar om ons te helpen en ondersteunen; op die manier kunnen we een machine learning-model trainen om te begrijpen hoe acceptabele condities eruitzien in vergelijking met onacceptabele condities.

We kunnen ook multi-technologie- en procesdata op deze strategie toepassen, en daarmee kunnen we nauwkeurig identificeren welk stuk data of welke specifieke sensor de outlier produceert. Dit kan dan het gerichte fokus van het analyseteam worden.

Maar wat is de waarde hiervan?

Historische data suggereert dat de meeste faciliteiten ongeveer 80% van hun activa in goede gezondheid hebben, wat betekent dat ongeveer 20% van hun activa een identificeerbare defect heeft. Door dit proces te gebruiken, kunnen we effectief bijna 80% van de data-reviewtijd die analisten nodig hebben, elimineren.

Dit vrijmaakt hun schema's en stelt hen in staat om zich te richten op data op hoger niveau en complexere problemen die een combinatie van apparatuur-, proces- en domeinkennis vereisen om op te lossen. Op die manier kunnen ze het percentage gezonde apparatuur verhogen en het aantal identificeerbare defecten verminderen.

Machine learning voor analyse

De meeste ingenieurs en analisten genieten er niet van om door sets data te bladeren in de hoop een probleem te vinden. In de meeste gevallen komt hun echte voldoening uit het ontdekken van de oorzaak van het probleem. Machine learning kan worden gebruikt om de tijd van de analist te maximaliseren, wat een grotere onderhouds- en betrouwbaarheidsinspanning mogelijk maakt en programmatie-uitbreiding toestaat door extra activa of technologieën toe te voegen.

Wist u dat?

"Machine learning-algoritmen kunnen apparatuurfouten voorspellen met een nauwkeurigheid van 92%, wat de activabetrouwbaarheid en productkwaliteit verbetert."
Bron: ITConvergence

Zoals eerder vermeld, kunnen algoritmen worden gegenereerd om afwijkingen tot op het niveau van de foutmodus te identificeren, maar ze moeten vergezeld gaan van robuuste domeinkennis die verschillende disciplines omspant, zoals die gericht op mechanische, elektrische en stationaire apparatuur. Vakexperts moeten een fundamenteel begrip hebben van apparatuur en meetapparaten.

Dit proces is niet voor de genegenen, en hoewel het samenwerking vereist tussen software-engineers, data scientists en domeinexperts op het gebied van toestandsmonitoring om deze nauwkeurige modellen te bouwen, zijn de voordelen diepgaand.

De voordelen van het genereren van algoritmen omvatten:

• Verminderde downtime door het uitbreiden van dekkingmodellen voor condition-based maintenance.
• Verminderde uitgaven door de kosten per gemonitord activum te verlagen.
• Verminderde uitgaven door time-based PM's te elimineren.
• Verhoogde productiviteit.
• Verhoogde medewerkersproductiviteit.
• Verhoogde apparaatbetrouwbaarheid.
• Vroege fout- en storingdetectie door lokale modellen en drempels te verfijnen.
• Kwaliteit-van-leven-verbeteringen voor alle stakeholders.

Wanneer we olieanalyse overwegen, moet het algoritme bijvoorbeeld informatie en kennis bevatten over de individuele componenten, onderdelen en metadata van het activum.

Bovendien zijn koppelingen van het bronmateriaal aan de specifieke testslates een must, en kennis van de juiste drempelwaarde is cruciaal om de juiste machine learning-modellen voor smeringanalyse te creëren.

Op dezelfde manier is bij trillinganalyse het definiëren van de interessegebieden en het ontdekken van patronen binnen de golfvorm en de Fast Fourier Transform (FFT) slechts een startpunt voor uw team. Deze basiskennis zou inbegrepen moeten worden van de metadata en de unieke berekeningen die gekoppeld zijn aan specifieke foutmodi en foutredenen.

Uw team moet ook over de kennis en het fundamentele begrip beschikken van:

• De inherente foutmodi.
• Welke data de inherente foutmodi kan identificeren.
• Welke sensoren het meest geschikt en toepasbaar zijn.
• Waar de foutmodi binnen de data geïdentificeerd worden.

Deze ontbreken vaak in de meeste, zo niet alle, off-the-shelf oplossingen die vandaag de dag beschikbaar zijn. Wanneer u deze fundamentele kennis wegstript en uitsluitend vertrouwt op eenvoudige lineaire regressie, groeit het aantal onnauwkeurige metingen, wat zowel false positives als false negatives omvat, enorm. Dit geeft machine learning-technologie alleen een slechte reputatie.

Conclusie

Hoewel de rol van de toestandsmonitoringsanalist zich zal ontwikkelen en evolueren naarmate de tijd vordert, moet dit worden gezien als een positieve overgang; hun betrokkenheid bij het creëren en onderhouden van deze machine learning-toepassingen, evenals hun inspanningen om de modellen continu bij te werken, zal onschatbaar waardevol zijn voor de organisatie.

Deze databasecreatie- en onderhoudsinspanningen zullen het hart vormen van elk toestandsmonitoringsprogramma, en de nauwkeurigheid van elk machine learning- en kunstmatige intelligentie-algoritme zal afhangen van de vaardigheid, volharding en kennis van de analist.