Machine learning inzetten voor geavanceerde condition monitoring

We horen veel over wat er gebeurt op het gebied van condition monitoring 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 een vorm van condition monitoring hebben veel organisaties in verschillende sectoren aangemoedigd om datawetenschap voor hen aan het werk te zetten.

Op deze manier hopen ze de effectiviteit van hun onderhoudsinspanningen te vergroten en de blijvende gezondheid van hun kritieke activa te garanderen. Net als mensen kunnen computers leren van ervaringen uit het verleden om geïnformeerde voorspellingen te doen over mogelijke toekomstige resultaten.

Maar is conditiemonitoring werkelijk zo eenvoudig?

Het antwoord is nee. 

Stel je voor dat je je organisatie vertelt dat je een bepaalde faalmodus kunt identificeren als ze de machine minstens drie keer laten falen, zodat je van de gegevens kunt leren en patronen voor die specifieke faalmodus kunt identificeren. Dit zou er waarschijnlijk toe leiden dat u het pand wordt geëscorteerd en dat uw technologie wordt bespot. Vandaar het probleem met machinaal leren.

Machineleren

Een datatechnologie op basis van kunstmatige intelligentie die het vermogen van een datasoftwareprogramma verbetert om toekomstige resultaten te voorspellen, zoals dreigende defecten aan bedrijfsmiddelen, met weinig menselijke interactie na de initiële installatiefase.
Bron:Betrouwbare fabriek

Je zou kunnen stellen dat we modellen niet willen trainen om individuele faalniveaus te herkennen en dat we alleen op de hoogte hoeven te worden gesteld wanneer een bepaald asset gegevens presenteert die afwijken van de vastgestelde normen. Machine learning kan hier uitstekend werk van maken. Dat geldt echter ook voor trendgegevens, die al tientallen jaren worden gebruikt en waarvoor geen extra kapitaalinvesteringen nodig zijn.

De waarde van machinaal leren bij conditiebewaking

Wat is 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 gegevens beschikbaar om ons te helpen en te ondersteunen; op deze manier kunnen we een machine learning-model trainen om te begrijpen hoe acceptabele omstandigheden eruit zien in vergelijking met onaanvaardbare omstandigheden.

We kunnen ook multi-technologie en procesdata toepassen op deze strategie, en daarbij nauwkeurig identificeren welk stukje data of welke specifieke sensor de uitschieter produceert. Dit kan dan de gerichte focus van het analyseteam worden.

Maar wat is de waarde hiervan?

Uit historische gegevens blijkt dat bij de meeste faciliteiten ongeveer 80% van hun activa in goede staat verkeert, wat betekent dat bij ongeveer 20% van hun activa een identificeerbaar defect aanwezig is. Door gebruik te maken van dit proces kunnen we effectief bijna 80% van de databeoordelingstijd die analisten nodig hebben, elimineren.

Dit maakt hun planning vrij en stelt hen in staat zich te concentreren op gegevens op een hoger niveau en complexere problemen waarvoor een combinatie van apparatuur, processen en domeinkennis nodig is om op te lossen. Hierdoor kunnen ze het percentage gezonde apparatuur verhogen en het aantal identificeerbare defecten verminderen.

Machine learning voor analyse

De meeste ingenieurs en analisten houden er niet van om door sets gegevens te bladeren in de hoop een probleem te vinden. In de meeste gevallen komt hun echte vreugde voort uit het uitzoeken van de oorzaak van het probleem. Machine learning kan worden gebruikt om de tijd van de analist te maximaliseren, wat een grotere onderhouds- en betrouwbaarheidsrespons mogelijk maakt en programma-uitbreiding mogelijk maakt door extra middelen of technologieën toe te voegen.

Wist je dat?

"Machine learning-algoritmen kunnen apparatuurstoringen voorspellen met een nauwkeurigheid van 92%, waardoor de betrouwbaarheid van bedrijfsmiddelen en de productkwaliteit worden verbeterd."
Bron:ITConvergence

Zoals eerder vermeld kunnen algoritmen worden gegenereerd om afwijkingen tot op het niveau van de storingsmodus te identificeren, maar deze moeten vergezeld gaan van robuuste domeinkennis die verschillende disciplines omvat, zoals die welke prioriteit geven aan mechanische, elektrische en stationaire apparatuur. Vakdeskundigen moeten een fundamenteel begrip hebben van apparatuur en meetapparatuur.

Dit proces is niet voor bangeriken, en hoewel het de samenwerking vereist van software-ingenieurs, datawetenschappers en domeinexperts op het gebied van condition monitoring om deze precieze modellen te bouwen, zijn de voordelen groot.

De voordelen van het genereren van algoritmen zijn onder meer:

• Minder downtime door uitbreiding van conditiegebaseerde onderhoudsdekkingsmodellen.
• De uitgaven zijn verlaagd door de kosten per bewaakt item te verlagen. 
• De uitgaven zijn verlaagd door het elimineren van op tijd gebaseerde PM's.
• Verhoogde productiviteit.
• Verhoogde productiviteit van werknemers.
• Verhoogde betrouwbaarheid van apparatuur.
• Vroegtijdige detectie van fouten en storingen door het verfijnen van lokale modellen en drempelwaarden.
• Verbetering van de levenskwaliteit voor alle belanghebbenden.

Als we bijvoorbeeld kijken naar olieanalyses, moet het algoritme informatie en kennis bevatten over de afzonderlijke componenten, onderdelen en metadata van het asset.

Bovendien zijn mappings van het bronmateriaal naar de specifieke testleien een must, en kennis van de juiste drempelwaarde is van cruciaal belang om de juiste machine learning-modellen voor smeeranalyse te creëren.

Op dezelfde manier is bij trillingsanalyse het definiëren van de interessegebieden en het ontdekken van patronen binnen de golfvorm en Fast Fourier Transform (FFT) slechts een startpunt voor uw team. Deze kennis op basisniveau omvat onder meer het begrijpen van de metadata en de unieke berekeningen ervan, die verband houden met specifieke faalwijzen en faalredenen.

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

• De inherente faalmodi.
• Welke gegevens kunnen de inherente faalwijzen identificeren.
• Welke sensoren zijn het meest geschikt en geschikt om te gebruiken.
• Waar de foutmodi in de gegevens worden geïdentificeerd.

Deze ontbreken vaak in de meeste, zo niet alle, kant-en-klare aanbiedingen die tegenwoordig beschikbaar zijn. Wanneer je deze fundamentele kennis weghaalt en uitsluitend vertrouwt op eenvoudige lineaire regressie, groeit het aantal onnauwkeurige metingen, die zowel fout-positieve als negatieve resultaten bevatten, enorm. Dit zorgt er alleen maar voor dat machine learning-technologie een slechte reputatie krijgt.

Conclusie

Hoewel de rol van de condition monitoring analist zich in de loop van de tijd zal ontwikkelen en evolueren, moet dit als een positieve transitie worden gezien; hun betrokkenheid bij het creëren en onderhouden van deze machine learning-applicaties, evenals hun inspanningen om de modellen voortdurend bij te werken, zullen van onschatbare waarde zijn voor de organisatie.

Deze inspanningen voor het maken en onderhouden van databases zullen de kern vormen van elk condition monitoring-programma, en de nauwkeurigheid van elk machine learning- en kunstmatige intelligentie-algoritme zal afhangen van de vaardigheden, vasthoudendheid en kennis van de analist.