Nul-downtime bereiken met AI-gestuurd voorspellend onderhoud

In de midden jaren 2000 crashde het gecomprimeerdluchtsysteem bij het Toyota Noord-Amerika-plant in Georgetown, KY, gemiddeld meer dan één keer per jaar. Dat leidde ertoe dat sommigen in het plant zich afvroegen of het benutten van machine learning en AI dit probleem kon aanpakken door anomaliendetectie, foutidentificatie en, het meest belangrijk, voorspelling van voorhanden storingen voordat ze zich voordoen.

Ongeplande downtime van het gecomprimeerdluchtsysteem betekende natuurlijk dat de hele fabriek een probleem had. De verfshop gebruikte gecomprimeerde lucht om nieuwe voertuigen te spuiten. Het systeem bracht luchtgereedschap tot leven, en niets vergelijkbare met gecomprimeerde lucht voor het afblazen van schuur- en andere residuen.

Met een afgewerkt voertuig dat elke 25 seconden tijdens twee shifts van een van de drie lijnen afrollde, waren de gevolgen significant als de gecomprimeerdluchtutiliteit faalde.

"De kosten, als de lijn stilvalt, zijn enorm," zei Mark Rucker, projectmanager en elektrisch vakdeskundige in het plant. "Dus er is een goede prikkel om een goede, betrouwbare, stabiele utiliteit te hebben."

Het multi-miljoenen dollar gecomprimeerdluchtsysteem bestaat uit een dozijn Ingersoll Rand centrifugaalluchtcompressors, elk de grootte van een kleine vrachtwagentrekker. De eindvleugels van elke compressor draaien met 20.000 rpm op een fractie van een inch van hun behuizing. Als een vleugel het minste beetje out-of-spec werkt en de behuizing aanraakt, is het voorbij. De hele machine moet gerebuild worden tegen een kost van ongeveer $100.000.

De wobbel van de vleugel is niet de oorzaak van een crash; het is het resultaat.

De crash - ook wel een surge of reverse flow genoemd - gebeurt wanneer iets ervoor zorgt dat de normale luchtstroom van de compressor naar een pijp probeert zich om te keren en de lucht in de pijp terugduwt.

De frequentie, kosten en gevolgen van crashes deden Toyota Jay Lee bellen, oprichter van Intelligent Maintenance Systems, om hulp.

Jay Lee was voorop op de Industrie 4.0-golf

Aan het begin van de nieuwe millennium, voor de oproep van Toyota, was Lee een engineeringprofessor aan de Universiteit van Cincinnati die alle machines in een fabriek verbonden en data voor intelligent onderhoud zag leveren. Op dat moment bestond veel van de technologie nodig om Lee's visie realiteit te maken nog niet.

"Twintig jaar geleden geloofden heel weinig mensen dat het mogelijk was," zei Lee, die momenteel ontheven is van lesgeven en vice-chairman en boardlid is van Foxconn Technology Group in Wisconsin.

In zijn industriële visie zijn machines als patiënten en data verzameld van sensors die machines monitoren leveren informatie over hun gezondheid. Experts stellen prognoses door de data te interpreteren die ze verzamelen en analyseren.

"Ik zei: 'Waarom test je niet het bloed van de machine?' En wat is het bloed van de machine?" zei Lee. "Data. De vraag is: 'Welke data wil je ophalen?' Het hangt af van wat je wilt analyseren. We moeten de context en inhoud begrijpen, en verder een relatiemodel formuleren onder de onzichtbare onbekenden."

Verstopt in de data zit betekenis over afwijkend gedrag van een machine of proces. Dat betekenis ontgrendelen leidt tot kwaliteit voorspellen, de stabiliteit van de machine of het proces bepalen en potentiële falen voorkomen. "Dat is precies waar Industrie 4.0 vandaag over gaat," zei Lee.

De term "Industrie 4.0" was natuurlijk pas populair rond de tijd van de Duitse overheidsinitiatief in 2013.

Geen crashes sinds 2006

Eenmaal bij Toyota, sloten Lee en zijn team data-analisten zich aan bij Rucker en een groep gespecialiseerde onderhoudsmedewerkers en plantingenieurs om het gecomprimeerdluchtsysteemprobleem aan te pakken.

De eenvoud van hun vragen verhulde de complexiteit van de taak die voorlag.

"Kunnen we een reverse-flow probleem voorspellen voordat het een crash veroorzaakt?" zei Rucker. "Kunnen we iets zien ontwikkelen op tijd om er iets aan te doen?"

Door maanden van trial-and-error in 2005, verzamelde en analyseerde het team high-fidelity data van één van de compressors en zochten naar anomalieën. Soms zou het team een surge of approach-to-surge conditie creëren zodat ze de machine dwongen afwijkend gedrag te vertonen en te zien wat dat eruitzag in de dataset.

Uiteindelijk betaalde het werk van het team zich uit. De leden zagen dat de beste voorspeller van een opkomende surge-conditie optrad in stadium twee (van de vier stadia die de compressor doorloopt die progresseert van normale druk tot 120 pond per vierkante inch, of PSI).

"Wat is de fysica achter dat, waarom is dit de voorspeller?" zei Rucker. "Weten we niet, boeit ons niet. We zagen gewoon dat dit betrouwbaar een toekomstige surge voorspelt, en het voorspelt het met seconden waarschuwing."

De volgende stap was een differentiële sensor op elke compressor plaatsen en een machine-learning algoritme voor de centrale besturingseenheid creëren. Tests bevestigden dat zodra stadium twee begon te "wobbelen", de compressor zou beginnen terug te trekken.

"Elke keer dat we het testeden, hield het ons uit de problemen," zei hij. "We hebben geen crashes gehad sinds 2006."

Terwijl het compressor-surge project een succes was, faalde een ander dat zich richtte op het voorspellen van de levensduur van lagers in de gecomprimeerdlucht reuzen. Het team kon geen voldoende betrouwbare onderhoudsdata vinden en koppelen aan machine operationele data om nuttige correlaties te trekken, zei Rucker.

"Dat is waarschijnlijk de juiste mix van R&D," zei hij. "Je probeert dingen, en je weet niet of het gaat werken. En als je half de tijd je geld terugkrijgt, is dat een winst. En ab en toe vind je die ene die voor al het andere betaalt - zoals de surge control."

Flexibiliteit is de sleutel

Lee publiceerde vervolgens een paper over het Toyota-project en, in 2013, hielp hij Predictronics oprichten met Patrick Brown, een medewerker bij Intelligent Maintenance Systems, en twee van zijn universiteitsstudenten, David Siegel en Edzel Lapira. Brown, Lapira en Siegel vormen het C-suite van Predictronics.

Net als Toyota's Rucker Lee belde voor AI-hulp, komen bedrijven bij Predictronics voor hulp met hun nul-downtime aspiraties.

"Verschillende klanten zitten meestal op verschillende rijpgraadniveaus," zei Lapira, die CEO is. "We hebben klanten die al een datastructuur hebben: ze hebben een data lake maar weten niet wat ze met de data moeten. We hebben ook klanten die vanaf nul moeten beginnen."

Klanten met 50- of 60-jarige assets moeten nog een stadie eerder beginnen.

Toenemend wordt Predictronics benaderd door klanten met legacy machines. Lapira en zijn collega's sturen ze winkelen voor componenten als accelerometers en transducers.

"Dit zijn de verschillende analog-naar-digitale converters die we nodig hebben om die data te krijgen," zei hij.

Sinds de oprichting in 2013 heeft Predictronics meer dan 70 fabrieken geholpen met AI-oplossingen, velen ervan Fortune 500-bedrijven.

Predictronics werkte met een klant, een semiconductorfabrikant, om een virtuele metrologie voorspellende oplossing te vestigen die in staat was de relatie tussen sensor- en meetvariabelen te leren.

Het project was uitdagend door de honderden gemeten signalen die de semiconductorapparatuur afgooide.

Maar er zijn bekende statistische methoden om het aantal mogelijkheden in te perken, zei Siegel.

"Naast die methoden, is het de afgelopen jaren meer de machine learning-gemeenschap die methoden heeft ontwikkeld die een classificatie-regressie-algoritme incorporeren met een ingebouwde variabeleselectie," zei hij. "Dus dat perkt het af tot de top 10, of 20 of 30 variabelen. Dan werk je met de klant of gebruik je je eigen kennis om te bepalen wat het meest zinvol is om in de software en het analysemodel op te nemen."

Of Predictronics nu kennis uit eerdere ervaring toepast in zijn template-gebaseerde benadering, wat helpt kosten laag te houden, of een oplossing geformuleerd in een deel van een bedrijf dat dan in-house geschaald kan worden, "een oplossing vinden die direct de meest kritieke issues aanspreekt maar ook flexibel genoeg is om op andere problemen toegepast te worden, is de sleutel," zei Brown.

Due diligence AI

Fabrieken die rondkijken naar een AI-oplossingsaanbieder zoals Toyota deed voor zijn gecomprimeerdluchtprobleem, zouden hun due diligence moeten doen om de juiste match te vinden.

Het helpt om de juiste vragen te stellen, zeiden de experts bij Predictronics:

• Waar zijn jullie diensten eerder gebruikt?
• Heeft jullie oplossing een duidelijke verbetering aangetoond op de bedrijfsoperaties in termen van verminderde downtime of verhoogde kwaliteit?
• Is jullie oplossing gebruikt in mijn industrie?
• Heeft jullie team industriële domeinkennis?
• Werkt jullie oplossing met legacy apparatuur?
• Werkt jullie oplossing met een verscheidenheid aan sensors?
• Gebruikt jullie oplossing machine learning?
• Hoeveel data vereist het voor het trainen van het model?
• Heeft het alleen data van een gezonde machine nodig of ook data van een gedegradeerde of defecte machine om van te leren?

Robots willen ook AI

Terwijl de werktuigen in een shop beter presteren onder invloed van AI, is er geen reden waarom robots dat niet kunnen.

Fanuc America voegde onlangs "AI Error Proofing" toe aan zijn robotcontroller en de robots' visiefunctie, iRVision, die machine learning (ML) gebruikt voor onderdeelinspectie.

Met de error-proofing capaciteit gebruikt een operator afbeeldingen om de ML te trainen om te controleren op twee verschillende situaties - of een gegenete moer aanwezig of afwezig is, bijvoorbeeld - en een onderdeel te accepteren of te verwerpen.

Omdat iRVision tot 27 camera's kan ondersteunen, kan de error-proofing functie op tot 27 punten in het productieproces acteren.

"Je wilt afkeuring of fouten identificeren voordat je doorgaat met waarde toevoegen aan een slecht onderdeel," zei Josh Person, staff engineer in Fanuc's machine vision groep.

"Vaak kun je een fout op één stadium zien en het volgende stadium zou het bedekken," voegde hij toe.

Tijdens de setup kan de operator meerdere voorbeelden van werkstukken presenteren en ze in twee categorieën classificeren - goed en slecht. Als het voorbeeld niet in één van de klassen valt, zal het "onbepaald" uitvoeren. Onbepaalde voorbeelden kunnen dan toegevoegd worden om het geleerde model te verbeteren.