Mentenanța predictivă nu începe cu IA

Varianta de marketing a mentenanței predictive este simplă: montăm câțiva senzori, IA învață mașina, apoi ne avertizează înainte ca aceasta să se defecteze.

Realitatea este mai puțin magică, dar mult mai utilă.

Învățarea automată poate într-adevăr să recunoască relații și schimbări greu de tratat cu simple praguri. Dar numai dacă, în prealabil, fundamentele inginerești, de achiziție a datelor și de exploatare sunt puse la punct.

De aceea, mentenanța predictivă nu începe ca un proiect de IA, ci cu o întrebare foarte concretă:

Ce defecțiune vrem să detectăm mai devreme și ce fenomen fizic o precedă?

Nu „mașina” în general trebuie monitorizată

Un motor, o pompă sau un reductor se pot defecta în multe feluri. Uzura rulmenților, dezechilibrul, problemele de ungere, suprasarcina, defectele de izolație și răcirea insuficientă lasă fiecare un semnal diferit.

Primul pas este, așadar, definirea modurilor de defectare și a consecințelor acestora. Trebuie să știm:

• ce se poate strica;
• cât de des se întâmplă;
• cât de mare este oprirea sau paguba produsă;
• dacă poate fi detectată din timp;
• de cât timp dispunem pentru intervenție;
• ce semnal măsurat conține informații utilizabile.

Fără răspunsuri la aceste întrebări, se ajunge ușor la o colectare de date costisitoare, care produce multe curbe, dar sprijină puține decizii de mentenanță.

Senzorul potrivit contează mai mult decât un model spectaculos

Surse de date frecvente în monitorizarea stării echipamentelor industriale:

• vibrații și accelerație;
• temperatură;
• curent electric, tensiune și putere;
• semnal acustic;
• presiune și debit;
• turație;
• umiditate sau alți parametri de mediu.

Contează însă unde amplasăm senzorul, pe ce direcție măsoară, cum este fixat, care sunt frecvența de eșantionare, domeniul de măsurare și nivelul de zgomot.

Fixarea mecanică greșită a unui senzor de vibrații poate face mai mult rău decât un algoritm mai slab: modelul va învăța în mod consecvent din date greșite. Același lucru este valabil pentru un transformator de curent nepotrivit, pentru o măsurare lentă a temperaturii sau pentru un semnal acustic izolat de contextul procesului.

Eșantionarea trebuie adaptată fenomenului

O temperatură a rulmentului care variază lent poate fi monitorizată suficient la intervale de o secundă sau de un minut. Analiza spectrală a vibrațiilor necesită în schimb o eșantionare cu câteva ordine de mărime mai rapidă.

Dacă măsurăm prea rar, fenomenul important dispare. Dacă măsurăm nejustificat de des, creștem inutil traficul de date și costurile de procesare.

De aceea, procesarea la edge poate fi deosebit de utilă. Dispozitivul local poate calcula din semnalul brut de înaltă frecvență caracteristici precum valoarea RMS, valoarea de vârf, kurtosisul sau energia pe benzi de frecvență și poate trimite la nivel central doar evoluția acestora în timp.

Mai întâi trebuie învățată funcționarea normală

Datele unei mașini nu sunt, în sine, normale sau defectuoase. Același consum de curent poate avea altă semnificație la mers în gol, la sarcină maximă, la pornire sau într-un ciclu de curățare.

Pentru o evaluare fiabilă a stării este nevoie, așadar, de contextul de exploatare:

• sarcina actuală;
• regimul de funcționare;
• produsul sau rețeta;
• temperatura ambiantă;
• schimbul;
• starea de mentenanță;
• evenimentele de pornire și oprire.

Baseline-ul nu este o singură valoare medie. Este domeniul multidimensional al funcționării normale, care poate diferi de la o situație de exploatare la alta.

Fără calitatea datelor, IA greșește cu încredere

Datele industriale reale sunt incomplete, zgomotoase și uneori contradictorii. Înlocuirea unui senzor, o întrerupere a comunicației, o marcă temporală greșită, o actualizare de firmware sau o setare de proces modificată pot rupe o serie de date.

Trebuie gestionate:

• eșantioanele lipsă;
• datele duplicate;
• codurile de eroare înregistrate ca valori măsurate;
• schimbările de scalare;
• problemele de sincronizare a timpului;
• deriva senzorilor;
• noua stare de referință de după mentenanță.

IA nu corectează automat aceste erori. Dacă nu le detectăm, modelul poate chiar învăța că o eroare de comunicație este semnul unei defecțiuni iminente a rulmentului.

Nu este întotdeauna nevoie de învățare automată supervizată

În industrie, evenimentele de defectare bine etichetate sunt adesea puține. Este logic: din fericire, nu orice mașină se defectează de o sută de ori, cu toate circumstanțele documentate cu exactitate.

Pot fi luate în considerare, prin urmare, mai multe abordări:

• praguri inginerești și sisteme de reguli;
• detectarea statistică a tendințelor și a schimbărilor;
• detectarea nesupervizată a anomaliilor;
• estimarea stării;
• clasificarea supervizată, dacă există date etichetate adecvate;
• estimarea duratei de viață utile rămase, dacă datele disponibile permit cu adevărat acest lucru.

O soluție bună nu este avansată pentru că folosește cel mai complicat model posibil. Este avansată pentru că sprijină decizia de mentenanță la momentul potrivit, cu o rată acceptabilă a alarmelor false.

Valoarea de business începe după alarmă

Un scor de anomalie nu repară încă nimic. Trebuie stabilit ce se întâmplă în continuare:

• cine primește semnalarea;
• ce date suplimentare vede;
• ce nivel de severitate primește evenimentul;
• dacă este necesară o verificare la fața locului;
• dacă se deschide o comandă de lucru;
• cum ajung înapoi în procesul de învățare diagnosticul și rezultatul reparației.

Punctul forte al OrigSmart este tocmai gestionarea întregului lanț. De la proiectarea senzorilor și a gateway-urilor, prin procesarea seriilor de timp și analiza automată, până la sarcina de mentenanță și feedback, același sistem poate integra întregul proces.

Surse

• NIST – Smart Manufacturing Systems Design and Analysis Program
• NIST SP 800-82 Rev. 3 – Guide to Operational Technology Security
• OrigSmart – Echipamente și exploatare