Sztuczna inteligencja
Dane pozyskiwane w środowisku przemysłowym wymagają przetwarzania. W tym zadaniu coraz powszechniej wykorzystuje się sztuczną inteligencję (Artificial Intelligence, AI).
Ważnym jej zastosowaniem jest konserwacja predykcyjna, czyli predykcyjne, proaktywne utrzymanie ruchu. W strategii tej w oparciu o dane historyczne, jak i te pozyskiwane w czasie rzeczywistym wykrywa się i przewiduje anomalie występujące w działaniu maszyn i przebiegu procesów. Dzięki temu można je usunąć, zanim spowodują awarię.
Zapewnia to najmniejszą z możliwych częstość interwencji pozwalającą na uniknięcie usterki bez ponoszenia kosztów częstych przeglądów zapobiegawczych. Dzięki temu można zoptymalizować harmonogram przeglądów i zwiększyć efektywność operacyjną zakładu. W analizowaniu danych na potrzeby konserwacji predykcyjnej wykorzystuje się różne algorytmy uczenia maszynowego, m.in. uczenie nadzorowane (supervised learning).
Sztuczna inteligencja w kontroli jakości
Ważny obszar zastosowań sztucznej inteligencji w przemyśle to kontrola jakości. W tej dziedzinie AI współpracuje głównie z systemami wizyjnymi. Dzięki niej detekcja defektów jest szybsza i dokładniejsza – algorytmy przetwarzania obrazów wykorzystujące techniki sztucznej inteligencji wykrywają nawet najmniejsze skazy, których ludzkie oko nie jest w stanie zauważyć. W inspekcji jakości na podstawie obrazów popularne są takie algorytmy jak: klasyfikacja obrazów, detekcja obiektów, segmentacja i detekcja anomalii. Każda technika ma swoje zalety i ograniczenia, w zależności od złożoności, zmienności i rozmiaru obrazów i specyfiki obiektów kontroli. Klasyfikacja obrazów polega na kategoryzowaniu i przypisywaniu etykiet do grup pikseli w obrazie według określonych kryteriów. W tym zastosowaniu sprawdzają się szczególnie splotowe sieci neuronowe (Convolutional Neural Network, CNN). Jest to specjalny typ wielowarstwowych sieci neuronowych, dla których inspiracją biologiczną jest architektura ludzkiej kory wzrokowej. Algorytmy detekcji obiektówW zakresie lokalizacji i identyfikacji obiektów na obrazach popularne są zwłaszcza techniki głębokiego uczenia. Są to zwykle algorytmy jedno- lub dwuetapowe, zależnie od tego, czy zadania rozpoznania obiektu, jego sklasyfikowania i określenia jego granic są realizowane w jednym, czy w dwóch krokach. Zaletą pierwszych jest duża wydajność, uzyskiwana jednak kosztem precyzji. Są projektowane pod kątem szybkości wnioskowania, dzięki czemu sprawdzają się w aplikacjach czasu rzeczywistego. Trudność sprawia im niestety rozpoznawanie obiektów o nieregularnych kształtach i grup małych obiektów. W algorytmach dwustopniowych najpierw wyszukiwany jest obszar zainteresowania, a dopiero potem przeprowadzana jest klasyfikacja obiektu w oparciu o cechy wyodrębnione z danego fragmentu obrazu za pomocą metody regresji obwiedni. Są dokładniejsze, ale wolniejsze. Segmentację wykorzystuje się w wyodrębnianiu elementów pierwszego planu lub innych obszarów zainteresowania z tła. Wykrywanie anomalii pozwala z kolei znaleźć nieprawidłowe lub nietypowe wzorce na obrazach wskazujące na defekty. Algorytmy sztucznej inteligencji analizują informacje z systemów wizyjnych także w systemach sterowania robotami przemysłowymi. |
AI w konserwacji predykcyjnej
W uczeniu nadzorowanym chodzi o to, żeby dysponując zmienną wejściową i zmienną wyjściową, znaleźć funkcję określającą zależność między nimi. Celem jest jej jak najdokładniejsze przybliżenie, aby na podstawie nowych danych wejściowych można było przewidzieć zmienne wyjściowe. W praktyce więc, ponieważ znane są prawidłowe odpowiedzi, algorytm iteracyjnie, w oparciu o dane treningowe, przedstawia swoje rozwiązania i jest poprawiany do czasu, aż osiągnie zakładany poziom zgodności.
W uczeniu maszynowym nadzorowanym wyróżnia się dwie grupy algorytmów: klasyfikację i regresję. W pierwszej zmienną wyjściową jest kategoria, na przykład: biały/czarny, chory/zdrowy, prawidłowy/nieprawidłowy. W regresji jest to liczba rzeczywista.
Wykorzystując technikę uczenia nadzorowanego w konserwacji predykcyjnej, bazując na danych o stanie, przebiegu eksploatacji i historii awarii maszyny, można wyszkolić model, który będzie potrafił przewidzieć prawdopodobieństwo jej usterki lub pozostały czas jej użytkowania. Modele regresji mogą prognozować na przykład czas, jaki upłynie do kolejnej awarii lub stopień zużycia maszyny, natomiast modele klasyfikacji mogą przypisać maszynie lub jej komponentowi etykietę, jak sprawny albo niesprawny.
Algorytmy w utrzymaniu ruchu
W uczeniu nienadzorowanym (unsupervised learning) dysponujemy tylko danymi wejściowymi, nie są natomiast dostępne odpowiadające im zmienne wyjściowe. Celem algorytmu jest więc odkrycie i zamodelowanie struktury albo rozkładu danych, które pozwoliłyby się o nich więcej dowiedzieć. W przeciwieństwie do uczenia maszynowego nadzorowanego nie są znane prawidłowe odpowiedzi ani nie ma mechanizmu korygującego.
Na przykład jeżeli dysponujemy danymi pomiarowymi o stanie maszyny, algorytm uczenia nienadzorowanego można wykorzystać do wykrycia wzorców świadczących o usterce. Typowe zastosowania modeli tego typu w konserwacji predykcyjnej obejmują grupowanie i wykrywanie anomalii. Pierwsze polega na podziale punktów danych na podstawie podobieństwa według określonych kryteriów. Modele detekcji anomalii natomiast wykrywają odchylenia od wzorców, dzięki czemu sygnalizują potencjalne usterki, awarie i nieprawidłowe działanie maszyny.
Z kolei w uczeniu przez wzmacnianie (reinforcement learning) algorytm eksploruje nieznane środowisko, aby osiągnąć zadany cel. Proces ten nie jest nadzorowany ani nie są dostępne dane treningowe – te model powinien dopiero pozyskać, zbierając doświadczenia przez interakcję z otoczeniem i obserwację jego reakcji. Optymalnego zachowania w danym środowisku musi się nauczyć metodą prób i błędów, w oparciu o wskaźniki sukcesu, krótko- i długoterminowe. W konserwacji predykcyjnej podejście to może zostać wykorzystane m.in. do stworzenia modelu, który będzie optymalizować wydajność lub niezawodność maszyny. W ramce przedstawiamy przykłady wykorzystania AI w kontroli jakości.
