Uczenie maszynowe i sztuczna inteligencja przyszłością analizy oleju

Analiza oleju jest niezbędna do utrzymania niezawodności i żywotności sprzętu. W tym procesie analitycy danych oceniają, czy próbki wskazują na nieprawidłowe zużycie i rozerwanie powierzchni roboczej, które może pogorszyć wydajność lub skrócić żywotność określonego sprzętu. Problem polega na tym, że po fakcie następuje tradycyjna analiza. Do tego czasu oznaki zużycia po ostatecznym wykryciu zagrażają optymalnej pracy i zwiększają prawdopodobieństwo przestoju.

Ale co, jeśli algorytmy tworzące analizy predykcyjne mogłyby zostać wykorzystane do wykrycia potencjalnych nieprawidłowości w silnikach, turbinach, hydraulice i innym sprzęcie z pozornie normalnej próbki oleju przed ich wystąpieniem? W rzeczywistości takie algorytmy zostały już z powodzeniem wykorzystane i stają się coraz bardziej akceptowalne w postaci platformy sztucznej inteligencji.

W połączeniu z doświadczeniem analityków danych i koncepcją uczenia maszynowego sztuczna inteligencja stała się niezbędna do konserwacji sprzętu i zapewnienia jego żywotności.

Proces analizy oleju

Analiza oleju, zwana także monitorowaniem stanu oleju, rozpoczyna się od małej próbki dostarczonej przez firmę do laboratorium w celu analizy zużycia, stanu płynu i zanieczyszczenia. Jeśli którykolwiek z tych warunków występuje w próbce, analityk zaleca działanie naprawcze. Analiza każdej próbki może potrwać do pięciu minut, co może nie zabrzmieć zbyt długo, ale wydaje się wiecznością, gdy weźmie się pod uwagę liczbę próbek przesyłanych codziennie.

Ciekawostka: Jedna firma w Stanach Zjednoczonych zgłosiła 1,2 miliona próbek do analizy oleju w roku 2018.

Tradycyjna analiza ma ograniczony zakres i skalę, co stwarza poważny problem. Jest tylko tyle punktów danych, na ile analityk ma czas do rozważenia. Typowa liczba wynosi 100, co może być nieodpowiednie, biorąc pod uwagę pozornie nieskończoną liczbę punktów danych i, co równie ważne, wzajemne powiązania tych punktów w określaniu jednej z czterech klasyfikacji dotkliwości próbek: normalna, monitorująca, nienormalna i krytyczna. Niektóre nieprawidłowości, takie jak niepożądana obecność żelaza i ołowiu w próbce, są oczywiste pod względem zużycia, ale inne mogą nie być łatwo widoczne.

Po analizie większość próbek jest klasyfikowana jako normalna, ale nie zmienia to czasu, który należy poświęcić każdej z nich. Nawet normalne ustalenia mogą być czasochłonne, dlatego niektórzy w branży zwrócili się ku dwóm zaawansowanym technologicznie zasobom w celu szybszej, dokładniejszej i wydajniejszej analizy danych: sztucznej inteligencji i uczeniu maszynowemu.

Transformacja procesu analizy oleju

Aby zrozumieć, jak to wszystko odnosi się do konserwacji sprzętu, zacznijmy od tego, co powszechnie nazywa się Big Data. Dostęp do potencjalnie istotnych informacji zakopanych w ryzach dużych zbiorów danych jest równie ważny dla utrzymania, jak dla ekonomii i inwestycji. W przypadku sprzętu, takiego jak silniki, przekładnie i hydraulika, SI stała się platformą umożliwiającą identyfikację niepokojących trendów w próbce. Uzyskuje dostęp do tysięcy punktów danych, z których wiele jest niedostępnych podczas tradycyjnej analizy, i tworzy raport do analizy dla analityka.

Uczenie maszynowe jest podzbiorem sztucznej inteligencji. Tutaj nacisk kładziony jest na wzorce i relacje między danymi. Maszyna uczy się na podstawie materiałów danych historycznych dostarczanych przez analityka. Informacje tego typu są przekształcane w model, który umożliwia komputerowi naukę. Model, w przeciwieństwie do tradycyjnej analizy próbek oleju, nie jest oparty na regułach, co pozwala na łatwe uwzględnienie różnych interpretacji.

Istnieje bezpośredni związek między jakością tradycyjnej analizy oleju, a modelem uczenia maszynowego. Jakość potwierdzona doświadczeniem analityka na wiele sposobów jest tak samo fundamentalna dla uczenia maszynowego, jak dla platformy sztucznej inteligencji. Obaj uczą się z doświadczenia w taki sam sposób, jak uczeń uczy się rzemiosła od długoletniego praktyka.

Rzeczywistość jest taka, że maszyna kontynuuje naukę po tym, jak SI wykonuje ciężkie podnoszenie punktów danych przed oceną analityka. Wpływ tego procesu na konserwację jest wyraźny. W przeciwieństwie do tradycyjnej analizy i późniejszego wykrywania nieprawidłowych trendów, analiza oleju oparta na platformie SI identyfikuje prekursory zużycia sprzętu lub zmiany warunków płynowych. Dział może podjąć działania, zanim nastąpi przestój lub skrócenie okresu użytkowania sprzętu.

Dane historyczne w środowisku sztucznej inteligencji/uczenia maszynowego są podzielone na dwie części: jedną na szkolenie, a drugą na testowanie modelu. W tym drugim przypadku obszary z potencjalnymi problemami z jakością danych są identyfikowane i rozwiązywane. Model wnika głęboko w relacje danych, badając cechy i/lub kombinacje cech z milionów próbek. Szczegóły z każdej próbki są zapisywane w laboratoryjnym systemie zarządzania informacjami i wysyłane na platformę SI w celu interpretacji na poziomie ważności. Jeśli okaże się, że próbka jest nienormalna lub krytyczna, system wraz z analitykiem ocenia możliwe działania naprawcze, a następnie przeprowadza kontrolę kontroli jakości w celu zapewnienia dokładności ustaleń przed zwróceniem próbki do firmy, która ją przedłożyła.

Sztuczna inteligencja i przyszłość konserwacji smarów

Sztuczna inteligencja i uczenie maszynowe nie stanowią zagrożenia dla pracy analityków. Ponieważ platforma może natychmiast określić normalne próbki, analitycy mogą lepiej poświęcić czas na bardziej szczegółową analizę wyjątkowych próbek. Jednak nadal będzie kilka normalnych, które sprawdzą w ramach bieżącej kontroli jakości.

Ponadto ustalenia i relacje podlegające analizie danych są nieodłącznym elementem ciągłego uczenia maszynowego i rozwoju analiz predykcyjnych dotyczących konserwacji. Oba okazują się niezbędne do konserwacji silników lub innego sprzętu poprzez zmniejszenie nieplanowanych przestojów i możliwości awarii maszyn przy jednoczesnym zwiększeniu zwrotu z inwestycji.