Jak bude vypadat třetí generace umělé inteligence v oblasti výkonnosti zařízení a optimalizace procesů?

Obrázek 1: Diagnostický nástroj APM 360. Obrázek poskytnut se svolením společnosti Symphony AzimaAI Obrázek 1: Diagnostický nástroj APM 360. Obrázek poskytnut se svolením společnosti Symphony AzimaAI

Je čas zabývat se „zjistitelnými neznámými“.

Zhruba každé desetiletí jsme svědky dramatických posunů v technologiích, které se stávají novými platformami, na nichž je postavena aplikační technologie. Viděli jsme to v rámci výpočetní techniky, kdy se přecházelo od sálových počítačů k minipočítačům, pracovním stanicím, PC, notebookům, tabletům až po virtuální stroje ovládané přes cloud.

Vývoj v oblasti umělé inteligence (AI) se tomuto vzorci velmi podobá. V rámci AI jsme se přesunuli od povrchního učení 1. generace a ručně zadávaných funkcí do hlubokého učení 2. generace, které bylo účinné při učení vzorců chování. To je místo, ve kterém se průmyslový svět pohybuje z hlediska predikce. Pokud jste nebyli schopni definovat vzorec, nejste schopni zachytit nepoznané neznámé. Nyní jsme vstoupili do 3. generace AI, která se vyznačuje stále samostatnějším uvažováním strojů – kdy stroj je schopen určité interpretace, i když mu předtím nebyly definovány všechny podrobnosti.

Řešení 3. generace

S více než 50 lety zkušeností s poskytováním inovačních řešení v oblasti průmyslových aplikací se tým společnosti Symphony AzimaAI snaží získat maximum z vrcholu vlny, která nás vynáší do 3. generace AI. Dvě nedávná představení jejich produktů, která se již osvědčila u zákazníků po celém světě, zahrnují modely APM 360 a Performance 360.

Model APM 360 představuje cloudové řešení správy podnikových zdrojů (APM-asset performance management), které zahrnuje informace o celkovém „zdravotním“ stavu zařízení, umožňuje normativní monitorování v reálném čase a zavádí systém prediktivní údržby. Avšak na rozdíl od jiných řešení APM disponuje vyšší hodnotou, jelikož doporučuje provedení konkrétních nápravných opatření – pokyny jsou velmi detailně propracované, a hlavně přicházejí dříve, než dojde k selhání zařízení. Řešení využívá IIoT (Průmyslový internet věcí) a strojové učení založené na umělé inteligenci k detekci anomálií a zohlednění složitých, dynamických vzorců chování a kontextových dat vztahujících se k výrobnímu procesu jako celku.

Ve srovnání se staršími systémy správy podnikových zdrojů můžeme zjistit následující rozdíly:

Posun směřující od procesních dat s hodnotami nízkofrekvenčních vibrací až po procesní data s hodnotami vysokofrekvenčních vibrací: Společnost Symphony AzimaAI (SIAI) vybudovala za více než 30 let solidní technologickou základnu pro sběr vysokofrekvenčních vibrací a provádění prediktivní analýzy. Díky integraci dat s hodnotami vibrací 10 kHz + je k dispozici model AI umožňující přesnější predikci.

Posun směřující od vysoké míry falešně pozitivních výsledků po nízkou míru falešně pozitivních výsledků v souvislosti s AI a FMEA: Je známo, že tradiční systémy APM fungující na základě rozpoznávání vzorců chování, vykazují vysokou míru selhání s neustále vyskakujícími falešnými alarmy. Modul AI APM 360 vyhledává anomálie v systému. Následně analyzátor FMEA (analyzuje možný výskyt a vliv vad) dohromady se speciálním nástrojem společnosti SIAI vyhodnocující náležité chování stroje fungují jako dvojitý filtr, díky kterému je zajištěno, že nevyskakují žádné falešné anomálie.

Posun směřující od vytváření diagnostických příznaků po automatizovanou analýzu zjevných příčin: Model APM 360 přechází od tvorby diagnostických příznaků dle průmyslových standardů na makroúrovni k podrobnému diagnostickému hodnocení na mikroúrovni, které poskytuje uživatelům užitečnější informace. U diagnostických příznaků se potýkáme s příliš zobecněnými aspekty problému. Původní nástroj nám pouze naznačuje, že máme problém s chladicím systémem kompresoru. Kdežto model APM 360 disponuje propracovaným nástrojem, prostřednictvím kterého se dostaneme až k samotnému kořeni problému. Je schopen přesně určit konkrétní ventil, který omezuje průtok a je příčinou problémů s chladicím systémem.

Obrázek 1 zobrazuje způsob, jakým model APM 360 provádí identifikaci drobných problémů s chladicím systémem, jejichž výskyt je ovlivněn dlouhou dobu trvajícími vibracemi v odstředivém kompresoru.

Co vše tyto nástroje dokážou kromě detekce chyb?

Systémy dosud vyhledávaly známé příznaky poruch a spouštěly analytické nástroje za účelem jejich porovnávání se zadanými vzory. V případě, že nezaznamenají žádnou shodu, tyto systémy nespustí žádný alarm. To bohužel neznamená, že se tam vada nevyskytuje. Modely AI APM 360 jsou schopny vyhledávat odchylky od běžných provozních vlastností a používají modely učení pod dohledem i bez dohledu k detekci a diagnostice „dosud nezjištěných neznámých.“

Naše řešení zajišťující optimalizaci procesů a provozního stavu zařízení je určeno pro různá průmyslová odvětví a lze jej aplikovat např. v rámci petrochemického, farmaceutického, potravinářského či energetického průmysl. Kombinuje informace o stavu procesu, metriky výkonu a historii procesů. Model Performance 360 ​​využívá IIoT a pečlivě upravenou technologii umělé inteligence a hlubokého učení k předpovědi, jak bude proces v budoucnu fungovat, a zároveň identifikuje potenciální narušení procesu, problémy s kvalitou a podmínky spouštění alarmů. Poskytuje tyto informace v dostatečném časovém předstihu tak, abyste mohli proaktivně jednat a vyhnuli se zastavením výrobního procesu, ztraceným dávkám, snížené kvalitě a ztrátě výnosů kvůli sníženému výtěžku. Ve srovnání se staršími systémy řízení procesů narážíme na následující rozdíly:

Posun směřující od časově náročného modelování procesů až po datový model řízený umělou inteligencí: Místo toho, aby velké týmy IT specialistů potřebovaly 6 měsíců na spuštění konkrétních výpočtů online, jsme díky šablonám nástroje Process 360 schopni zprovoznit online procesy během několika týdnů. Fyzické modely rovněž vyžadují školení a rekvalifikaci na základě různých stavů strojů. Model Performance 360 se nepřetržitě přizpůsobuje dynamice procesu pomocí našeho nástroje AI. Tempo k získání přidané hodnoty je velmi rychlé.

Posun směřující od získání přehledu trendu KPI po detekci stavu procesu a anomálií: Co se týče KPI tak například účinnost kompresoru je definována trendy, aby se zjistilo, zda se dostává mimo nastavené meze. Detekce anomálií v rámci modelu Performance 360 je zachycována prostřednictvím vzájemné závislosti několika událostí, ke kterým dochází, a zdůrazňuje anomálie, i když byly dříve neznámé. Pokud pouze trendujete data, zobrazí se, že je vše v normálu, zatímco prostřednictvím aplikace modelu Performance 360 jsme schopni objevit i docela jemné odchylky od ideálního stavu.

Posun směřující od statické formy poradenství založené na vytýčených pravidlech až po dynamické optimalizátory řízené AI: Expertní systémy založené na vytyčených pravidlech, které se opírají o to, co je v nich nastaveno, mohou rychle ztrácet na účinnosti. Optimalizátory implementované v modelu Performance 360 AI jsou aktivními prvky a neustále se přizpůsobují jakékoli změně podmínek procesu. Na obrázku 2 je ilustrativní příklad obvodu reálné mlýnice rudy, kdy použitý ovladač, který byl vybaven neadaptivním procesním modelem nebyl schopen dosáhnout cílové výrobní kapacity, jakmile se změnily vlastnosti rudy. Situace se dramaticky změnila k lepšímu díky použití adaptivního modelu optimalizátoru řízeného AI.

Posun směřující od empirických modelů/pravidel po člověkem sledovanou a nesledovanou umělou inteligenci (dosud nezjištěné neznámé: Modely jsou obvykle trénovány k tomu, aby byly schopny najít řadu známých podmínek nebo poruch procesu. To funguje velmi dobře v rámci jasně definovaných cílů. Model Performance 360 AI se neustále učí novým skutečnostem a odděluje dosud nezjištěné neznámé provozní zóny od známých provozních zón a ihned upozorní operátora na jakékoli nesrovnalosti.

PLE2011 MAG Symphony Azima fig2Obrázek 2: Adaptivní versus neadaptivní chování modelu. Obrázek poskytnut se svolením společnosti Symphony AzimaAI

Kam to celé povede?

Ve 30. letech 21. století se dočkáme 4. generace umělé inteligence u strojů, které se učí učit a které budou dynamicky shromažďovat nově nabyté znalosti a dovednosti. Do roku 2040 nastoupí 5. generace umělé inteligence se stroji, které budou mít svou vlastní představivost a fantazii, takže již nebudou závislé na tom, aby je lidé čemukoli učili. Už jsme toho byli svědky u AlphaGo Zero od společnosti DeepMind, který porazil AlphaGo 100 ku 0, když se naučil vše úplně sám bez jakéhokoli lidského přispění. Přemýšlejte o tom, co to bude znamenat pro výkon vašich aktiv a podniku.

Dominic Gallello je generálním ředitelem společnosti Symphony AzimaAI.

Řízení a údržba průmyslového podniku

Časopis Řízení a údržba průmyslového podniku již přes 10 let patří mezi neodmyslitelný zdroj informací v oblasti průmyslové údržby a diagnostiky. Část obsahu je z pera licenčních autorů Plant Engineering z USA.

www.udrzbapodniku.cz