Узнайте об ограничениях ИИ в аналитике на примере анализа данных вибрации подшипников.
Делиться
Новые модели ИИ, такие как GPT-4, Claude 3 и Gemini, способны обрабатывать и обобщать большие объёмы неструктурированных данных, генерировать прогнозы и делать аналитические выводы. Генеративный ИИ моделирует белки, оптимизирует логистику и предсказывает поведение потребителей. По оценкам McKinsey, его экономический потенциал может достигать 4,4 триллиона долларов в год.
Несмотря на впечатляющие достижения, возможности ИИ в некоторых областях аналитики остаются существенно ограниченными. Он по-прежнему не способен делать долгосрочные экономические прогнозы и с трудом предсказывает внезапные рыночные изменения. Аналитика данных промышленного оборудования — одна из областей, где ИИ пока неэффективен.
Я работаю в сфере промышленной аналитики более 10 лет и стал свидетелем того, как эта отрасль претерпевала трансформацию и развивалась благодаря внедрению новых технологий. Сегодня искусственный интеллект способен обнаруживать даже малейшие признаки неисправности. Но я убеждён: ИИ всё ещё не может работать самостоятельно. В предиктивном техническом обслуживании роль человека-аналитика остаётся критически важной.
Как ИИ участвует в предиктивном обслуживании
Прогностическое обслуживание прогнозирует отказы оборудования, используя исторические и текущие данные с датчиков IIoT, а также машинное обучение и искусственный интеллект.
Температура, вибрация, нагрузка и давление — алгоритмы ИИ обучаются на основе всех этих показателей производительности оборудования. Они анализируют потоки данных в реальном времени и выявляют закономерности, предшествовавшие прошлым отказам. Системы ИИ способны улавливать даже самые незначительные отклонения от нормальных условий эксплуатации, которые человек не заметил бы. Это может произойти, когда дефект только начинает проявляться.
Современные системы PdM не только анализируют причины, приведшие к сбою, но и предлагают превентивные меры для специалистов по техническому обслуживанию, например, снижение нагрузки на оборудование, замену детали или смазочного материала. Таким образом, проблемы решаются до того, как они перерастут в дорогостоящие аварии. Среди компаний, внедривших предиктивное обслуживание, 95% сообщают о финансовой выгоде, а 27% окупили свои инвестиции менее чем за год.
Однако системам ИИ всё ещё не хватает полной автономии, и инженеры-аналитики остаются важнейшей частью рабочих процессов предиктивного технического обслуживания. Существует три основные причины, по которым ИИ пока не может полностью заменить человеческий опыт:
- Отсутствие обучающих данных
Мы все знаем, что модели ИИ требуют для обучения огромных объёмов исторических (и высококачественных!) данных. В случае с промышленным оборудованием ситуация усложняется: даже по скромным оценкам, случаев дефектов могут быть миллионы. Однако, когда нам нужны данные, в которых тип оборудования, стадия развития дефекта, условия эксплуатации и другие параметры соответствуют конкретной ситуации, оказывается, что таких данных мало. Если оборудование новое или редкое, исторических данных об отказах может вообще не быть. В таких случаях именно опыт инженера позволяет принимать обоснованные решения. - ИИ не обладает контекстной осведомленностью
Пока мы заняты подсчётом сэкономленных денег на распродажах в Чёрную пятницу, радуясь тому, что купили всё необходимое (и кое-что лишнее), в фулфилмент-центрах всё только начинается. Конвейеры работают на полную мощность, и даже малейший дефект в подшипнике ускорит его износ. Результат: внезапная поломка, остановка линии и жалобы клиентов, чьи заказы задерживаются. Повышенная нагрузка на оборудование в пиковые периоды, такие как Чёрная пятница, — это контекст. И ИИ может его не учитывать. Система ИИ отслеживает тенденции и реагирует на изменения в поведении оборудования, но не всегда может связать эти изменения с причинами и характером изменения условий эксплуатации. Это затрудняет точную диагностику и выявление первопричины сбоя. Для более надёжных выводов необходимы данные, охватывающие широкий спектр сценариев, а их могут быть сотни. - Проблемы с качеством данных
Технологии IIoT радикально меняют подход к техническому обслуживанию, но качество их работы напрямую зависит от качества данных, передаваемых датчиками. И здесь даже самый продвинутый алгоритм может дать сбой. Производственные данные могут быть зашумлёнными, неполными или искажёнными. Почему это происходит? Например, датчики вибрации могут улавливать посторонние колебания, передаваемые соседним оборудованием. В этом случае ИИ может интерпретировать их как признак неисправности и выдать ложное оповещение. Если человек, знающий об увеличении мощности соседнего оборудования, не оценит это, команда обслуживания, в лучшем случае, потратит время на ненужные проверки. Долгосрочным последствием таких инцидентов является потеря доверия к системе и игнорирование оповещений. Данные датчиков также могут быть потеряны из-за технического сбоя в соединении или разряда батареи беспроводного датчика. Неправильно установленный или откалиброванный датчик также может давать ложные показания. Инженер-аналитик может интерпретировать такие данные в контексте конкретного производственного процесса и отличить реальную неисправность от ошибки измерения.
Сколько данных нужно ИИ?
Современные системы предиктивного обслуживания, в зависимости от количества датчиков IIoT, с которыми они работают, могут ежедневно собирать миллиарды данных о производительности оборудования. Алгоритмы сканируют эти данные на наличие закономерностей и отфильтровывают те, которые могут указывать на дефект. Однако это лишь предварительный диагноз, который ещё предстоит проверить опытным аналитикам.
Так почему же ИИ пока не может гарантировать 100% точность диагностики? Возьмём, к примеру, подшипники.
Подшипники присутствуют практически во всём промышленном оборудовании, от двигателей до конвейеров, и на их долю приходится около 40% отказов оборудования. Их состояние оценивается по данным о вибрации, собираемым датчиками IIoT. Эти датчики передают сигнал в систему PdM — по сути, аудиозапись механического гудения. С помощью математического алгоритма, называемого быстрым преобразованием Фурье, этот сигнал преобразуется из временной области в частотную. Нейронная сеть, а затем инженер-человек, анализируют данные о вибрации как во временной, так и в частотной областях, чтобы оценить состояние подшипника.
Ниже приведены крайне приблизительные расчеты, призванные проиллюстрировать масштаб проблемы, с которой сталкиваются разработчики ИИ.
В основу нашей модели лягут компоненты вибросигнала, измеренные по трём осям: X, Y и Z. Каждое измерение состоит из 10 000 точек частотного спектра (типичный пример). Таким образом, входной вектор нейронной сети содержит 30 000 чисел (по 10 000 спектральных значений по каждой из трёх осей).
Для задач с большим количеством входных параметров минимальное количество обучающих примеров должно в 10–50 раз превышать размерность входного вектора. Это помогает предотвратить переобучение и обеспечивает устойчивость к шуму. Однако эта оценка не учитывает условия эксплуатации подшипника и другие важные факторы, влияющие на объём данных, необходимых для обучения модели.
В таблице я перечислил эти факторы с приблизительными значениями, чтобы проиллюстрировать, сколько случаев может потребоваться нейронной сети для точного распознавания и классификации дефектов подшипников.
Лишь небольшая часть данных, ежедневно получаемых системой PdM, указывает на потенциальные проблемы, и не все сигналы тревоги связаны с вибрациями. Даже «проблемные» измерения вибрации обычно указывают на ранние стадии дефекта, а не на его полную стадию развития, поскольку система PdM разработана именно для предупреждения о прогрессировании дефекта.
Следовательно, нейронные сети объективно не обладают достаточным количеством данных для всех типов дефектов, на всех стадиях развития, в каждом контексте и для всех подшипников. Хотя сеть может выявлять закономерности, указывающие на неисправность подшипника, она не всегда может обеспечить точный диагноз или дать точные рекомендации специалистам по техническому обслуживанию. Именно поэтому инженеры и аналитики данных по вибрации остаются незаменимыми в рабочих процессах предиктивного технического обслуживания.
Дальнейшее развитие прогностического обслуживания
Наилучшие результаты в области управления процессами (PdM) сегодня достигаются благодаря подходу «Человек в контуре» (HITL): алгоритмы обрабатывают триллионы сигналов, а эксперты добавляют контекст, отфильтровывают ложные тревоги и обучают модели на реальных случаях, правильно маркируя данные. Скорость машин в сочетании с опытом экспертов позволяет одновременно масштабировать анализ и повышать точность решений.
Однако данные генерируются так быстро, что я не исключаю появления полностью автономных систем искусственного интеллекта в предиктивном техническом обслуживании в ближайшие годы. Следующим этапом развития предиктивной аналитики в целом станет предписывающая аналитика, которая не только предсказывает будущие события, но и автоматически решает проблемы. Уже существуют сервисы, которые прогнозируют потребность в запасных частях и автоматически размещают заказы или перенаправляют производственные нагрузки на другие линии, чтобы избежать простоев. Несомненно, будущее обещает ещё большую автоматизацию процессов технического обслуживания оборудования.
Источник: towardsdatascience.com
