Automatyczne wykrywanie odchyłek zwiększa efektywność produkcji

Fot. rawpixel.com - www.freepik.com

Oprogramowanie przemysłowe bazujące na sztucznej inteligencji i uczeniu maszynowym ? w połączeniu z czujnikami dalekiego zasięgu ? coraz częściej jest wykorzystywane do przewidywania odchyłek. A to zapewnia przedsiębiorstwom realne profity: zwiększa ich produktywność i zysk operacyjny.

Chcąc zapewnić rentowność swojej działalności, przedsiębiorstwa przemysłowe muszą robić wszystko, aby zwiększyć bezpieczeństwo i efektywność produkcji, ograniczyć jej koszty oraz zmaksymalizować wykorzystanie poszczególnych maszyn i urządzeń. W przypadku nowych zakładów produkcyjnych zadanie to nie wymaga wielu starań. Wraz ze starzeniem się wyposażenia powtarzające się awarie i będące ich efektem akcje serwisowe stają się jednak coraz bardziej problematyczne. Jak sobie z nimi radzić? Najlepiej zacząć od zapewnienia sobie dostępu do danych zbieranych z maszyn i na tej podstawie zidentyfikować te z nich, które wymagają podjęcia działań serwisowych. W praktyce nie jest to jednak łatwe: uzyskanie wglądu w procesy na podstawie manualnej analizy danych wymaga bowiem sporo czasu, doświadczenia i wiedzy procesowej. Alternatywą może być zastosowanie oprogramowania bazującego na sztucznej inteligencji (AI) i uczeniu maszynowym (ML). Najpierw należy jednak wybrać taki jego typ, który okaże się opłacalny zarówno w implementacji, jak i w obsłudze.

Nierzadko najlepiej w tym rankingu wypada tzw. oprogramowanie z katalogu (np. programy do gromadzenia i archiwizacji danych), które, umożliwiając automatyczne wykrywanie odchyłek i wysyłanie komunikatów alarmowych, ułatwia pracownikom identyfikację problemów z wyposażeniem, zanim doprowadzą one do jego awarii. Oprogramowanie tego typu może być także wykorzystywane jako centralne repozytorium danych pochodzących z różnych urządzeń, w tym pomiarów rejestrowanych przez bezprzewodowe czujniki IIoT dalekiego zasięgu. W efekcie odgrywa ono istotną rolę w zwiększaniu efektywności procesów, przeciwdziała występowaniu usterek sprzętowych, a także ułatwia planowanie prac serwisowych i okresowych przeglądów.

Jak można wykorzystać oprogramowanie AI?

Standardowe oprogramowanie bazujące na sztucznej inteligencji i uczeniu maszynowym ma do spełnienia trzy podstawowe zadania:

1.Zapewnienie właściwego funkcjonowania maszyn i urządzeń dzięki rejestrowaniu wszystkich danych wyjściowych, w tym odchyleń od wartości zadanych.

2. Przewidywanie konieczności podjęcia prac serwisowych na podstawie wykrytych odchyłek: jeśli parametry pracy urządzenia różnią się od wartości zadanych, oprogramowanie rejestruje to zachowanie i informuje personel o konieczności podjęcia działań serwisowych.

3. Zapewnienie dostępu do sztucznej inteligencji bez konieczności posiadania wiedzy eksperckiej z zakresu AI czy zatrudniania drogich specjalistów zewnętrznych.

Pakiet oprogramowania AI dedykowany systemom automatyki przemysłowej zwykle zawiera w sobie czujniki i sterowniki umożliwiające akwizycję danych, oprogramowanie PC do organizacji i automatycznej analizy danych z wykorzystaniem sztucznej inteligencji i uczenia maszynowego, a także rejestrator umożliwiający wizualizację danych (rys. 1). Oprogramowanie takie wskazuje pracownikom standardowe parametry pracy systemu obliczone na podstawie pomiarów historycznych, a także informuje ich o wykryciu wszelkich odchyleń od normy.

Rys. 1. Pakiet oprogramowania AI składa się z czujnika, oprogramowania do zbierania i analizy danych oraz rejestratora umożliwiającego wizualizację danych. | Źródło: Yokogawa

AI w predykcyjnym utrzymaniu ruchu

Komunikaty ostrzegawcze i alarmowe nie są de facto niczym nowym: wiele systemów sterowania dysponuje funkcją zdefiniowania specyficznych dla danej aplikacji wartości granicznych poszczególnych parametrów, których przekroczenie wyzwala komunikat alarmowy. Zautomatyzowana identyfikacja odchyleń oferuje jednak znacznie więcej zalet niż tylko standardowa reakcja na przekroczenie zadanego stanu. 

Po wdrożeniu i uruchomieniu oprogramowania bazującego na sztucznej inteligencji początkowo nie podejmuje ono konkretnych działań, lecz przechodzi fazę nauki, w czasie której monitoruje warunki pracy urządzeń i określa wartości wyjściowe dla trybu normalnej pracy. Czas trwania tej fazy zależy od aplikacji i może zostać zdefiniowany przez użytkownika. Po zakończeniu nauki i określeniu wartości wyjściowych oprogramowanie zaczyna stale monitorować pracę urządzeń, generuje raporty umożliwiające pracownikom wgląd w zbierane dane, a także przesyła komunikaty alarmowe w sytuacji, gdy parametry pracy urządzenia odbiegają od wartości bazowych. Alerty te zawczasu ostrzegają użytkowników o możliwości wystąpienia problemów z urządzeniem.

Oprogramowanie AI/ML powinno być łatwe w konfiguracji i umożliwiać szybką zmianę parametrów, ułatwiając użytkownikom nastawę systemu. Stopień zgodności rzeczywistych wyników pomiarów z wartościami wyjściowymi na ogół przybiera tu formę tzw. wskaźnika stanu urządzenia, który zawczasu sygnalizuje wystąpienie odchyleń i wizualnie definiuje ich wielkość (rys. 2).

Oprócz funkcji identyfikacji odchyłek oprogramowanie bazujące na sztucznej inteligencji umożliwia również tworzenie prognoz z zakresu predykcyjnego utrzymania ruchu. W sytuacji, gdy dane rzeczywiste odbiegają od wartości bazowych, program informuje użytkownika o tym fakcie, obniżając wartość wskaźnika stanu urządzenia. Na tej podstawie pracownicy serwisu mogą opracować harmonogram przeglądów poszczególnych urządzeń, zanim ulegną one awarii. Co więcej, tego typu zautomatyzowane wizualizacje skracają czas analizy danych i planowania przeglądów, umożliwiając pracownikom koncentrację na innych zadaniach.

Rys. 2. W zaprezentowanym przykładzie wskaźnik stanu urządzenia sygnalizuje odchyłkę, która może zakończyć się awarią sprzętu. | Źródło: Yokogawa

Funkcje oprogramowania AI

Duża część dostępnych na rynku pakietów oprogramowania AI dysponuje możliwością zbierania danych z różnych urządzeń i punktów pomiarowych podłączonych do sieci, a następnie ich gromadzenia w jednej lokalizacji, umożliwiając użytkownikom ich wizualizację na grafikach i wykresach. Sama wizualizacja nie dostarcza jednak informacji o tym, czy dane te mieszczą się w normalnym przedziale wartości. Aby rozwiązać ten problem, oprogramowanie AI/ML jest wyposażane w algorytmy, które automatycznie nakładają trendy i wskazują odchyłki ? i to bezpośrednio w interfejsie użytkownika.

Niektóre rodzaje zmiennych, takie jak temperatura czy ciśnienie, są na tyle proste w identyfikacji i analizie, że do ich monitorowania i alarmowania o odchyłkach wystarczą klasyczne systemy bazujące na predefiniowanych wartościach granicznych. Inaczej jest w przypadku takich parametrów, jak prędkość silnika czy drgania maszyny ? tutaj niemal nie sposób stwierdzić, czy zbierane dane odbiegają, czy nie odbiegają od normy bez przeprowadzenia manualnej, skrupulatnej analizy danych historycznych. Analiza ta jest jednak czasochłonna i wymaga zatrudnienia wykwalifikowanego analityka danych o sporym doświadczeniu w tej dziedzinie. Analitycy tacy są zaś dziś w odwodzie. Alternatywą jest wykorzystanie oprogramowania AI, które przejmuje od pracowników zadanie analizy danych i dostarcza im gotowych wyników, zrozumiałych dla każdego członka personelu.

Do wykrywania odchyłek oprogramowanie tego typu wykorzystuje na ogół algorytm klasteryzacji, dzięki czemu proces ten nie jest ograniczony do danych w funkcji liniowej czy kwadratowej. Zaawansowane oprogramowanie oparte na sztucznej inteligencji podczas wyznaczania wartości bazowych tworzy bowiem korelacje między wieloma różnymi punktami zbierania danych i to właśnie różnice w tych relacjach stanowią dla niego podstawę do identyfikacji odchyleń. Co więcej, tego typu identyfikacja nie tylko eliminuje konieczność ręcznej analizy, ale także pozwala nierzadko wykryć problemy przeoczone podczas analizy danych z wykorzystaniem narzędzi do wizualizacji, takich jak grafiki czy diagramy. A to wprost prowadzi do wydłużenia żywotności urządzeń i redukcji kosztów serwisowych.

Czujniki IIoT dalekiego zasięgu

W erze Przemysłowego Internetu Rzeczy (IIoT) zbieranie danych wyłącznie z lokalnych procesów i łatwo dostępnych obszarów przestaje mieć praktyczne uzasadnienie. Duże zbiory danych wartych gromadzenia i analizy generują wszak także urządzenia mobilne, pojazdy, rozproszone obiekty rolnicze czy długie rurociągi. Akwizycja danych z tego typu obiektów stanowi jednak spore wyzwanie ze względu na konieczność mobilnego przesyłu informacji na duże odległości z wykorzystaniem niewielkiej ilości energii. W sprostaniu temu wyzwaniu pomóc mogą sieci bezprzewodowe małej mocy (LPWAN), w tym np. LoRaWAN ? sieć szerokopasmowa dalekiego zasięgu, umożliwiająca bezprzewodowe połączenie różnych obiektów z pominięciem ograniczeń typowych np. dla sieci Wi-Fi.

Czujniki pracujące w sieciach LPWAN charakteryzują się kilkoma istotnymi cechami: zużywają niewielkie ilości energii, dzięki czemu ich baterie mogą funkcjonować bez przerwy przez kilka lat, umożliwiają bezprzewodową transmisję danych na duże odległości (nawet kilkanaście kilometrów), a także są wyposażone w wydajne protokoły komunikacyjne, dzięki czemu mają mniejsze wymagania w zakresie przepustowości niż sieci 3G, 4G czy 5G. 

Czujnik tego typu może mierzyć drgania, temperaturę lub ciśnienie, umożliwiając monitorowanie pracy urządzeń zlokalizowanych niemal w dowolnym miejscu. Dane przesyłane przez czujniki zasilają systemy hostów, w tym oprogramowanie bazujące na sztucznej inteligencji. Dzięki połączeniu ich możliwości z funkcją identyfikacji odchyłek oferowaną przez tego typu programy pracownicy fabryki mogą uzyskać pełny wgląd w stan i potrzeby serwisowe danego urządzenia ? niezależnie od jego lokalizacji. A to przekłada się bezpośrednio na wydłużenie jego żywotności oraz minimalizację awarii i kosztownych napraw.


Takayuki Sugizaki jest menedżerem ds. promocji bezprzewodowego Internetu Rzeczy w firmie Yokogawa Electric Corporation.