Nutzung von maschinellem Lernen für eine erweiterte Zustandsüberwachung

Wir hören viel darüber, was im Bereich der Zustandsüberwachung in Bezug auf das industrielle Internet der Dinge (IIoT) und andere digitale Transformationsstrategien passiert. Die versprochenen Ergebnisse durch den Einsatz von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) als Form der Zustandsüberwachung haben viele Unternehmen in verschiedenen Branchen dazu ermutigt, die Datenwissenschaft für sich einzusetzen.

Auf diese Weise hoffen sie, die Effektivität ihrer Wartungsbemühungen zu steigern und den dauerhaften Zustand ihrer kritischen Anlagen zu gewährleisten. Wie Menschen können Computer aus vergangenen Erfahrungen lernen, um fundierte Vorhersagen über mögliche zukünftige Ergebnisse zu erstellen.

Aber ist Zustandsüberwachung wirklich so einfach?

Die Antwort ist nein. 

Stellen Sie sich vor, Sie sagen Ihrem Unternehmen, dass Sie einen bestimmten Fehlermodus identifizieren können, wenn die Maschine mindestens dreimal ausfällt. So können Sie aus den Daten lernen und Muster für diesen bestimmten Fehlermodus identifizieren. Dies würde wahrscheinlich dazu führen, dass Sie vom Gelände eskortiert werden und Ihre Technik verspottet wird. Daher das Problem mit maschinellem Lernen.

Maschinelles Lernen

Eine Datentechnologie mit künstlicher Intelligenz, die die Fähigkeit eines Datensoftwareprogramms verbessert, zukünftige Ergebnisse, wie z. B. drohende Anlagenausfälle, mit wenig menschlicher Interaktion über die anfängliche Einrichtungsphase hinaus vorherzusagen.
Quelle:Reliable Plant

Man könnte argumentieren, dass wir Modelle nicht trainieren wollen, um einzelne Fehlermodusniveaus zu erkennen, und dass wir nur benachrichtigt werden müssen, wenn eine bestimmte Anlage Daten präsentiert, die von den etablierten Standards abweichen. Maschinelles Lernen kann dabei wunderbare Arbeit leisten. Dies gilt jedoch auch für Trenddaten, die seit Jahrzehnten verwendet werden und keine zusätzlichen Kapitalinvestitionen erfordern.

Der Wert des maschinellen Lernens in der Zustandsüberwachung

Was ist also der wahre Wert der Erstellung dieser Modelle für maschinelles Lernen?

Nicht viel, wenn wir die Geschichte hier beenden würden. Aber uns steht eine enorme Menge an Daten zur Verfügung, die uns helfen und unterstützen; Auf diese Weise können wir ein maschinelles Lernmodell trainieren, um zu verstehen, wie akzeptable Bedingungen im Vergleich zu inakzeptablen Bedingungen aussehen.

Wir können auch Multi-Technologie- und Prozessdaten auf diese Strategie anwenden und so genau identifizieren, welches Datenelement oder welcher spezifische Sensor den Ausreißer erzeugt. Dies kann dann zum gezielten Fokus des Analyseteams werden.

Aber welchen Wert hat es, dies zu tun?

Historische Daten deuten darauf hin, dass die meisten Einrichtungen etwa 80 % ihrer Anlagen in gutem Zustand haben, was bedeutet, dass etwa 20 % ihrer Anlagen einen erkennbaren Defekt aufweisen. Durch die Nutzung dieses Prozesses können wir nahezu 80 % der von den Analysten benötigten Datenüberprüfungszeit effektiv einsparen.

Dies entlastet ihre Zeitpläne und ermöglicht es ihnen, sich auf übergeordnete Daten und komplexere Probleme zu konzentrieren, für deren Lösung eine Kombination aus Geräte-, Prozess- und Domänenkenntnissen erforderlich ist. Auf diese Weise können sie den Anteil fehlerfreier Geräte erhöhen und die Anzahl erkennbarer Mängel verringern.

Maschinelles Lernen zur Analyse

Den meisten Ingenieuren und Analysten macht es keinen Spaß, Datensätze durchzublättern, in der Hoffnung, ein Problem zu finden. In den meisten Fällen besteht ihre wahre Freude darin, die Ursache des Problems herauszufinden. Maschinelles Lernen kann genutzt werden, um die Zeit des Analysten zu maximieren, was einen größeren Wartungs- und Zuverlässigkeitsreaktionsaufwand ermöglicht und eine Programmerweiterung durch das Hinzufügen zusätzlicher Assets oder Technologien ermöglicht.

Wussten Sie schon?

„Algorithmen für maschinelles Lernen können Geräteausfälle mit einer Genauigkeit von 92 % vorhersagen und so die Anlagenzuverlässigkeit und Produktqualität verbessern.“
Quelle:ITConvergence

Wie bereits erwähnt, können Algorithmen generiert werden, um Anomalien bis hin zur Fehlermodusebene zu identifizieren. Sie müssen jedoch von fundiertem Domänenwissen begleitet werden, das mehrere Disziplinen umfasst, beispielsweise solche, die mechanische, elektrische und stationäre Geräte priorisieren. Fachexperten sollten über ein grundlegendes Verständnis von Geräten und Messgeräten verfügen.

Dieser Prozess ist nichts für schwache Nerven, und obwohl er die Zusammenarbeit von Softwareentwicklern, Datenwissenschaftlern und Experten für Zustandsüberwachung erfordert, um diese präzisen Modelle zu erstellen, sind die Vorteile enorm.

Zu den Vorteilen der Generierung von Algorithmen gehören:

• Verringerte Ausfallzeiten durch Erweiterung zustandsbasierter Wartungsabdeckungsmodelle.
• Geringere Ausgaben durch Senkung der Kosten pro überwachtem Asset. 
• Geringere Ausgaben durch Eliminierung zeitbasierter PMs.
• Gesteigerte Produktivität.
• Gesteigerte Mitarbeiterproduktivität.
• Erhöhte Gerätezuverlässigkeit.
• Frühzeitige Fehler- und Ausfallerkennung durch Verfeinerung lokaler Modelle und Schwellenwerte.
• Verbesserung der Lebensqualität für alle Beteiligten.

Wenn wir beispielsweise eine Ölanalyse in Betracht ziehen, muss der Algorithmus Informationen und Wissen über die einzelnen Komponenten, Teile und Metadaten der Anlage enthalten.

Darüber hinaus sind Zuordnungen des Quellmaterials zu den spezifischen Testtafeln ein Muss, und die Kenntnis des richtigen Schwellenwerts ist entscheidend, um die richtigen Modelle für maschinelles Lernen für die Schmierstoffanalyse zu erstellen.

Ebenso ist bei der Schwingungsanalyse die Definition der interessierenden Bereiche und die Entdeckung von Mustern innerhalb der Wellenform und der Fast Fourier Transformation (FFT) nur ein Ausgangspunkt für Ihr Team. Zu diesem Grundwissen gehört das Verständnis der Metadaten und ihrer einzigartigen Berechnungen, die sich auf bestimmte Fehlermodi und Fehlergründe beziehen.

Ihr Team muss außerdem über das Wissen und grundlegende Verständnis für Folgendes verfügen:

• Die inhärenten Fehlermodi.
• Welche Daten können die inhärenten Fehlermodi identifizieren?
• Welche Sensoren sind am leistungsfähigsten und am besten geeignet?
• Wo die Fehlermodi in den Daten identifiziert werden.

Diese fehlen häufig in den meisten, wenn nicht allen, heute erhältlichen Standardangeboten. Wenn Sie dieses grundlegende Wissen außer Acht lassen und sich ausschließlich auf die einfache lineare Regression verlassen, steigt die Zahl der ungenauen Messwerte, die sowohl falsch-positive als auch falsch-negative Ergebnisse umfassen, enorm an. Dies dient nur dazu, der maschinellen Lerntechnologie einen schlechten Ruf zu verschaffen.

Schlussfolgerung

Während sich die Rolle des Zustandsüberwachungsanalytikers im Laufe der Zeit weiterentwickeln wird, sollte dies als positiver Übergang angesehen werden; Ihre Beteiligung an der Erstellung und Wartung dieser Anwendungen für maschinelles Lernen sowie ihre Bemühungen, die Modelle kontinuierlich zu aktualisieren, werden für die Organisation von unschätzbarem Wert sein.

Diese Datenbankerstellung und -pflege werden das Herzstück jedes Zustandsüberwachungsprogramms sein, und die Genauigkeit jedes Algorithmus für maschinelles Lernen und künstliche Intelligenz hängt von den Fähigkeiten, der Hartnäckigkeit und dem Wissen des Analysten ab.