titulnyV posledných rokoch zažívame ohromný rozmach využívania algoritmov strojového učenia a umelej inteligencie v mnohých odboroch, ktoré boli doposiaľ doménou ľudí. Od digitálneho asistenta v našich mobilných telefónoch, až po autá, ktoré dokážu samé šoférovať, sa tieto technológie postupne stávajú bežnou súčasťou nášho života.


Cieľom tohto článku je objasniť prínosy týchto algoritmov v údržbe a poukázať na nové a netradičné aplikácie týchto technológií v uvedenej oblasti.

Význam strojového učenia v údržbe
V procese, v ktorom sa stretávajú záujmy rozmanitých subjektov trhu a súčasne pri neustálych zmenách požiadaviek zákazníkov sa vytvára tlak, ktorý vplýva na výber nového údržbového systému a nastavenie inovačnej schopnosti výrobných a montážnych podnikov spojenej s implementáciou inteligentných technológii a diagnostickej techniky do výroby.
V súčasnosti je hlavným cieľom priemyselných podnikov dosiahnuť rýchlu adaptáciu vzhľadom k inicializácií novej výroby a schopnosti reakcie voči vyskytujúcim sa chybám pomocou inteligentného údržbového systému na báze konceptu Industry 4.0.

* * * * *
Pri vytváraní „Podniku budúcnosti“ je potrebná identifikácia potenciálov využitia princípov, nástrojov a technológií údržby v procese tvorby a zavádzania prístupov Industry 4.0.
* * * * *

Podnik budúcnosti by mal klásť hlavný dôraz na aplikáciu programu predikcie údržby a implementovať zariadenia technickej diagnostiky, inteligentné senzory, prepojiť zariadenia pomocou internetu vecí a mobilných aplikácii v údržbe a vytvoriť digitálne dvojča pre riadenie údržby a tak poskytnúť spoľahlivý inteligentný údržbový systém.
Ukazovatele, ako dostupnosť a spoľahlivosť strojov a zariadení, majú rozhodujúci význam pre prevádzku strojov, výrobných a montážnych liniek. Tieto ukazovatele je možné monitorovať pomocou inteligentných snímačov, ktoré dokážu zobraziť stav zariadenia v akejkoľvek dobe, čo má za následok elimináciu prestojov strojov a zariadení.
Prvým krokom je zabezpečiť ich prepojenie a zber údajov zo zariadení previesť od manuálnych papierových kontrol k systémom automatizovaného zberu, ktorý zlepšuje kvalitu údajov a eliminuje množstvo a čas. Monitorovanie zariadení z centra alebo z akéhokoľvek miesta vo výrobe pomocou internetu vecí rozširuje počet a rôznorodosť parametrov, ktoré možno sledovať a použiť na zabezpečenie pravidelného monitorovania mechanického stavu zariadení, prevádzkovej spoľahlivosti, nákladov na odstávky spôsobené poruchami strojov.

obr1
Obr. 1: Koncept inteligentného systému údržby


Toto riešenie sa v praxi nazýva tiež Digitálne dvojča (Digital Twin). Ide o digitalizáciu všetkých údajov popisujúcich stav zariadenia. V reálnom čase sa zhromažďujú a vyhodnocujú všetky potrebné informácie z výrobného procesu. Zozbierané dáta vytvoria ucelený obraz o výrobku, zariadeniach a výrobnom procese. Získa sa množstvo dát, ktoré povedú k rýchlejšiemu a kvalitnejšiemu riadeniu procesov údržby.
Inteligentný údržbový systém ponúka nielen pružnosť a rekonfigurabilitu, ale tento koncept prináša aj nové poznatky o softvérovej inteligencii, ktorej predpokladom sú rôzne charakteristiky. Takéto systémy využívajú techniky umelej inteligencie na realizáciu činnosti.

* * * * *
Vlastnosti inteligentného údržbového systému:
• schopnosť učenia sa a adaptácia na interné a externé vplyvy;
• schopnosť predpovedať budúci vývoj stavu zariadení;
• schopnosť optimalizovať riadenie údržby;
• schopnosť učenia sa z historických aj aktuálnych dát.
* * * * *

Inovatívnosť, výhody a prínosy inteligentného údržbového systému je možné overiť pomocou monitorovania ukazovateľov prevádzkovej spoľahlivosti a hodnotenia efektívnosti systému údržby. Takéto inovatívne inteligentné riešenia v systéme údržby vytvárajú o podniku úplne nový obraz a menia pracoviská na inteligentné pracoviská (obr.1).

* * * * *
Preventívne opravy
Reaktívna oprava
Rekonfigurácia a adaptácia
* * * * *

Navrhnutá politika pozostáva z nasledujúcich akcií:
• Preventívne opravy – vykonávajú sa na základe prognostiky/predikcie zlyhania jednotlivých zariadení či celej výrobnej konfigurácie. Opravy sa realizujú prostredníctvom interakcie inteligentných agentov, ktorí zdieľajú dáta a udalosti.
• Reaktívna oprava – oprava realizovaná na základe nečakaného zlyhania výrobných komponentov. Nepriaznivý stav daného rozmeru môže nastať v časovom intervale medzi preventívnymi opravami, ktorý má konštantný charakter.
• Rekonfigurácia a adaptácia – podstata inicializácie spočíva v eliminácií vzniku nepriaznivých stavov a v predĺžení životného cyklu výroby.

Princíp realizácie nápravných opatrení na odstránenie potenciálnej chyby:
1. Vykonávať preventívnu opravu vtedy, ak sa časové využitie zariadení blíži perióde zlyhania (prognózovací model).
2. Počas vzniku náhodnej poruchy je potrebný okamžitý zásah, pre zabezpečenie plynulosti výrobných aktivít.

Čo je vlastne umelá inteligencia
Veľmi zjednodušene povedané, umelá inteligencia je sústava relatívne jednoduchých rovníc. Váhy/koeficienty jednotlivých členov nie sú analyticky vypočítané, ale „natrénované“ na základe vzorky dát s jasne definovaným cieľom: minimalizovať rozdiel medzi ideálnou hodnotou a hodnotou, ktorú vypočítala neurónová sieť.
Môže to znieť zložito, ale v konečnom dôsledku ide len o veľké množstvo relatívne jednoduchých matematických operácií, ktoré simulujú bio-elektrické procesy v mozgu.
Na obrázku č. 2 je znázornená veľmi jednoduchá neurónová sieť. V jednotlivých neurónoch je vizualizovaná dvojrozmerná funkcia, ktorá predstavuje akýsi filter, ktorý daný neurón reprezentuje.

obr2
Obr. 2: Architektúra jednoduchej neurónovej siete

 

V reálnej praxi sa však využívajú podstatne komplikovanejšie modely, ktoré pracujú typicky s N-rozmernými dátami. Toto je však výrazne ťažšie na vizualizáciu.

Preventívna vs. prediktívna údržba
Prečo niektoré úlohy zvláda stroj lepšie ako človek?
Pri preventívnej údržbe je snahou určiť cykly opravy či výmeny zariadenia ešte pred ich zlyhaním. Určenie týchto cyklov je netriviálne. Väčšinou k tomu dochádza empiricky, zo skúseností. Prediktívna údržba ide ďalej a jej snahou je predikovať, kedy dôjde k zlyhaniu zariadenia.
Tento prístup umožňuje optimalizovať intervaly opráv a výmen. Samotná predikcia poruchy je však do značnej miery netriviálna úloha. Človek s dostatočnými skúsenosťami a vedomosťami je schopný rôznymi metodikami a s istou dávkou presnosti odhadnúť či vypočítať predpokladaný čas poruchy. Žiaľ, reálne je to natoľko náročná úloha, že ak k týmto metodikám podnik pristúpi, väčšinou je to len pre zopár kritických zariadení. Veľkú úlohu tu zohrávajú informačné technológie, ktoré dokážu tieto procesy automatizovať. Predpokladom však je, že poznáme model degradácie daného zariadenia. A to je často kameňom úrazu.
Automatické hľadanie modelu chovania sa systému sú práve tie úlohy, kde algoritmy strojového učenia a umelá inteligencia excelujú.

Využitie umelej inteligencie pri spracovaní poruchových udalostí
Ďalšou oblasťou údržby, pri ktorej vedia tieto technológie výrazným spôsobom pomôcť je spracovanie neštruktúrovaných dát. Typickým príkladom je text. Väčšina podnikov si vedie evidenciu všetkých hlásení o poruchách. V týchto hláseniach je uvedený viac či menej podrobný textový opis poruchy.

Poloautomatizovaná kategorizácia porúch
V lepšom prípade sú v podniku zavedené procesy tak, aby ich pracovníci pri nahlasovaní poruchy kategorizovali. Majú zavedené kódy porúch a ďalšie parametre, ktoré by mali napomáhať neskorším analýzam dát. Nie všetky poruchy ho majú vyplnený, a to zaťažuje následné analýzy.
Spätná kategorizácia je veľmi nákladná, preto sa tieto dáta väčšinou pri analýzach ignorujú. Tu môže pomôcť poloautomatizovaná kategorizácia.

Spracovanie prirodzeného textu
Metódami spracovania prirodzeného textu – tzv. NLP (z angl. Natural Language Processing) je možné získať z týchto textových dát potrebné údaje. Napriek významnému pokroku v tejto oblasti, problémom v našich končinách je práve jazyk. Drvivá väčšina dostupných riešení obsahuje podporu pre anglický jazyk, prípadne ešte pár svetových jazykov, ako napríklad nemčina. Slovenčina väčšinou chýba.
Pokúsili sme sa prekonať túto bariéru modifikáciou algoritmov. S využitím dát od Slovenského jazykovedného ústavu Ľudovíta Štúra sa nám podarilo vytvoriť riešenie, ktoré umožňuje analýzu a spracovanie slovenského textu s veľmi dobrými výsledkami, ktoré sú použiteľné v praxi.
Tento model poskytuje nielen abstraktné vyjadrenie slov formou konceptov, ktoré sú vo vete spomenuté, ale dokonca dokáže pochopiť príbuzné či nadradené koncepty, ako napr. entita - zariadenie - elektrické zariadenie - spínač.

obr3
Obr. 3: Princíp hľadania sémantickej podobnosti

 

Ďalším míľnikom je real-time processing, ktorý umožní automaticky navrhnúť zadávateľovi najpravdepodobnejšie hodnoty jednotlivých číselníkov priamo počas toho, ako zapisuje popis poruchy.
Na základe takejto kategorizácie následne systém automaticky smeruje danú požiadavku na konkrétnych pracovníkov, ktorí sú v danej oblasti najkompetentnejší.

Automatický návrh podobných porúch
Niektoré poruchy sú relatívne bežné a triviálne a nie je problém s ich riešením. Často však porucha nemá zjavnú príčinu, prípadne jej odstránenie môže byť netriviálne. Tu môže umelá inteligencia skutočne ušetriť desiatky hodín bádania a skrátiť dobu odstavenia zariadenia.
Systém dokáže sám nájsť iné – podobné poruchy, ktoré boli v minulosti riešené a obsahujú popis riešenia aj príčinu. Pracovník, ktorý problém rieši môže byť z inej prevádzky, či dokonca iného podniku. Cenné rady kolegov, ktorí sa už s daným problémom stretli môžu byť na nezaplatenie.

Možnosti, ako môže táto informácia zásadným spôsobom pomôcť pri riešení:
a) Problém už niekto v minulosti vyriešil a úspešne
– v tomto prípade je rozumné preveriť či na aktuálny problém nevieme aplikovať postupy, ktoré v minulosti pomohli a neobjavovať už raz objavené.
b) Problém v minulosti riešili, prijali nápravné opatrenia, ale tieto nezabrali
– v tomto prípade je dôležité vyvarovať sa rovnakým chybám, aké už raz niekto v minulosti urobil a navrhnúť také opatrenia, aby sa problém už pokiaľ možno neopakoval.
V oboch prípadoch môžu byť tieto informácie v danej situácií neoceniteľné a výrazným spôsobom zefektívnia samotný proces riešenia daného problému.
Okrem samotného neustáleho zlepšovanie algoritmov je určite výzvou do budúcnosti aj lepšie rozlíšenie prípadov, kedy má zmysel podobné problémy pracovníkovi vôbec ponúkať. V tomto prípade je však dôležitá personifikácia príslušného algoritmu, aby rôznym pracovníkom s rôznymi skúsenosťami boli ponúkané len tie údaje, ktoré sú pre nich relevantné.

obr4
Obr. 4 Ukážka emailu zaslaného systémom XMatik s upozornením na podobnú poruchu identifikovanú v minulosti

 

Multilinquistické porovnávanie textu
V kontexte hľadania podobných porúch, ktoré vznikli v minulosti, môže byť zaujímavé aj prepojenie databáz viacerých pobočiek po celej Európe. Riešenie, ktoré sme zvolili, umožňuje pristupovať k informáciám obsiahnutým v texte ako ku hierarchicky členeným významom príslušných slov. Významy majú svoj vlastný identifikátor a ich interpretácia je možná v rôznych rečiach. Toto zabezpečí skutočne multilinguistické porovnávanie textov napísaných v rôznych rečiach.

Vyhodnotenie nápravných opatrení
Po odstránení závad dochádza často k prijatiu nápravných a preventívnych opatrení, ktoré majú zabezpečiť, aby k danej či podobnej poruche v budúcnosti nedochádzalo. Častým problémom je spätné vyhodnotenie, či prijaté opatrenia boli efektívne. Toto je ďalšia z oblastí, ktorá môže zefektívniť a uzavrieť celý proces riešenia porúch. Vďaka efektívnemu hľadaniu podobných poruchových udalostí je možné priebežne sledovať vznik porúch, pre ktoré už boli prijaté opatrenia.

obr5
Obr. 5: Automatizovaná analýza dôležitosti parametrov pri určovaní koróznych úbytkov

 

Hľadanie nezrejmých súvislostí
Predikcia významu jednotlivých parametrov na koróziu
Ďalšou oblasťou, kde umelá inteligencia výrazne zjednoduší prácu je hľadanie súvislostí. U jedného zákazníka sme sa venovali analýze vplyvu jednotlivých faktorov na koróziu. Na obrázku č. 5 je znázornený automaticky vygenerovaný prehľad najdôležitejších prediktorov, ktoré majú vplyv na korozivitu technológie. Tento graf vznikol automatickými metodikami machine learning (strojové učenie) spracovania dát. Do nášho analytického modulu boli vložené surové dáta z viac ako 10 ročnej histórie ultrazvukových meraní. Algoritmy postavené na základe stromových regresorov automaticky identifikovali najviac kritické parametre, ktoré majú vplyv na korozívne úbytky na danom zariadení. V tomto konkrétnom prípade bolo do modelu vložených celkom vyše 1 300 potenciálnych prediktorov, pričom algoritmus sám vyhodnotil, ktoré pre neho majú zmysel a dokonca akou váhou sa podieľajú na samotnej korozivite zariadení. Zvolené riešenie spadá do kategórie Unsupervized learning, keďže správne hodnoty nie sú k dispozícií. Model musel sám identifikovať čo má na korozívny úbytok najväčší vplyv.

obr6
Obr. 6: Vizualizácia skupín dát transformovaná z vyše 2000-rozmerného priestoru do 3D

 

Automatické zoskupovanie dát
V praxi sa bežne stretávame so situáciou, keď je dát tak veľa, že ich nevieme uchopiť. Tu môžeme opäť využiť pokročilé algoritmy, ktoré dokážu identifikovať vzájomné vzťahy a zoskupiť údaje na základe ich podobností. V dnešnej dobe je však údajov tak veľa, že nájsť rozumné a ucelené množiny, s ktorými by sa dalo ďalej pracovať je často výzvou. Samoučiace sa algoritmy ako K-means a EM clustering poskytujú práve možnosti pri automatickom združovaní dát do rozumných celkov na základe ich podobností. Vyhodnocovanie týchto podobností prebieha v multidimenzionálnom priestore, pričom na obrázku č. 6 bolo toto združenie pretransformované do umelo vytvoreného virtuálneho 3D priestoru pre lepšiu vizualizáciu.

TEXT/FOTO: Juraj Bezděk, Sféra, a. s., Miroslav Rakyta, Žilinská univerzita
Lektoroval: doc. Ing. Juraj Grenčík, PhD.

Použitá literatúra:
[1] Manažment konfigurácie údržby pre "Priemysel 4.0" /Rakyta, M. – Fusko, M/ In: Údržba 2016 = Maintenance 2016 : sborník mezinárodní odborné konference : 12. a 13. října 2016, Konferenční centrum AV ČR - zámek Liblice. - Praha: Česká zemědělská univerzita, 2016. - ISBN 978-80-213-2668-2. - S. 25-33.
[2] Maintenance support system for reconfigurable manufacturing systems [Systém podpory údržby pre rekonfigurovateľné výrobné systémy] /Rakyta, M. - Fusko, M. - Haluška, M - Grznár, P./ In: Annals of DAAM [elektronický zdroj] : proceedings of the 26th DAAAM international symposium on intelligent manufacturing and automation. - ISSN 1726-9679. - Vienna: DAAAM International Vienna, 2016. - ISBN 978-3-902734-07-5. - online, s. 1102-1108.
[3] Technológia dolovania dát a jej prínos v podnikovej praxi /Bubeník, P. – Rakyta, M./
In: Manufacturing systems today and tomorrow 2014 [elektronický zdroj] : 8th annual international conference. - Liberec: Technická univerzita, 2014. - ISBN 978-80-7494-150-4. - CD-ROM, [6] s.
[4] WordNet: An Electronic Lexical Database. /Christiane Fellbaum (1998, ed.)/ Cambridge, MA: MIT Press