Aproveitando o aprendizado de máquina para monitoramento avançado de condições

Ouvimos muito sobre o que está acontecendo no espaço de monitoramento de condições em relação à Internet Industrial das Coisas (IIoT) e outras estratégias de transformação digital. Os resultados prometidos com a utilização de aprendizado de máquina (ML) e inteligência artificial (IA) como forma de monitoramento de condições encorajaram muitas organizações em diversos setores a colocar a ciência de dados para trabalhar para elas.

Desta forma, esperam aumentar a eficácia dos seus esforços de manutenção e garantir a continuidade da saúde dos seus activos críticos. Tal como os humanos, os computadores podem aprender com experiências passadas para criar previsões informadas sobre potenciais resultados futuros.

Mas será que o monitoramento de condições é realmente tão simples?

A resposta é não. 

Imagine dizer à sua organização que você pode identificar um modo de falha específico se deixar a máquina falhar pelo menos três vezes, permitindo que você aprenda com os dados e identifique padrões para esse modo de falha específico. Isso provavelmente faria com que você fosse escoltado para fora das instalações e que sua tecnologia fosse ridicularizada. Daí o problema com o aprendizado de máquina.

Aprendizado de máquina

Uma tecnologia de dados de inteligência artificial que aprimora a capacidade de um programa de software de dados de prever resultados futuros, como falhas iminentes de ativos, com pouca interação humana além da fase inicial de configuração.
Fonte:Planta Confiável

Pode-se argumentar que não queremos treinar modelos para reconhecer níveis de modo de falha individuais e que só precisamos ser notificados quando um determinado ativo apresentar dados que se desviem dos padrões estabelecidos. O aprendizado de máquina pode fazer um trabalho maravilhoso nisso. No entanto, o mesmo pode acontecer com os dados de tendências, que estão em utilização há décadas e não necessitam de quaisquer investimentos de capital adicionais.

O valor do aprendizado de máquina no monitoramento de condições

Então, qual é o valor real de criar esses modelos de aprendizado de máquina?

Não muito, se terminarmos a história aqui. Mas temos uma enorme quantidade de dados disponíveis para nos ajudar e apoiar; dessa forma, podemos treinar um modelo de aprendizado de máquina para entender como são as condições aceitáveis ​​em comparação com as condições inaceitáveis.

Também podemos aplicar multitecnologia e processar dados a esta estratégia e, ao fazê-lo, podemos identificar com precisão que dados ou que sensor específico está a produzir o valor atípico. Isso pode então se tornar o foco da equipe de análise.

Mas qual é o valor de fazer isso?

Os dados históricos sugerem que a maioria das instalações tem cerca de 80% dos seus activos em boas condições, o que significa que aproximadamente 20% dos seus activos têm um defeito identificável presente. Ao utilizar esse processo, podemos eliminar efetivamente quase 80% do tempo de revisão de dados exigido pelos analistas.

Isso libera seus cronogramas e permite que eles se concentrem em dados de nível superior e em problemas mais complexos que exigem uma combinação de equipamentos, processos e conhecimento de domínio para serem resolvidos. Ao fazê-lo, podem aumentar a percentagem de equipamentos saudáveis ​​e reduzir o número de defeitos identificáveis.

Aprendizado de máquina para análise

A maioria dos engenheiros e analistas não gosta de folhear conjuntos de dados na esperança de encontrar um problema. Na maioria dos casos, a verdadeira alegria vem de descobrir a causa do problema. O aprendizado de máquina pode ser utilizado para maximizar o tempo do analista, o que permite um maior esforço de resposta de manutenção e confiabilidade e permite a expansão do programa adicionando ativos ou tecnologias adicionais.

Você sabia?

"Algoritmos de aprendizado de máquina podem prever falhas de equipamentos com uma precisão de 92%, melhorando a confiabilidade dos ativos e a qualidade do produto."
Fonte:ITConvergência

Conforme mencionado anteriormente, algoritmos podem ser gerados para identificar anomalias até o nível do modo de falha, mas devem ser acompanhados de um conhecimento de domínio robusto que abrange diversas disciplinas, como aquelas que priorizam equipamentos mecânicos, elétricos e estacionários. Os especialistas no assunto devem ter um conhecimento fundamental de equipamentos e dispositivos de medição.

Este processo não é para os fracos de coração e, embora exija a colaboração de engenheiros de software, cientistas de dados e especialistas no domínio do monitoramento de condições para construir esses modelos precisos, os benefícios são profundos.

Os benefícios da geração de algoritmos incluem:

• Redução do tempo de inatividade através da expansão dos modelos de cobertura de manutenção com base nas condições.
• Diminuição dos gastos ao diminuir o custo por ativo monitorado. 
• Diminuição de gastos com a eliminação de MPs baseadas em tempo.
• Maior produtividade.
• Aumento da produtividade dos funcionários.
• Maior confiabilidade do equipamento.
• Detecção antecipada de falhas e falhas refinando modelos e limites locais.
• Melhorias na qualidade de vida de todas as partes interessadas.

Quando consideramos a análise de petróleo, por exemplo, o algoritmo deve conter informações e conhecimento sobre os componentes, peças e metadados individuais do ativo.

Além disso, os mapeamentos do material de origem para as placas de teste específicas são essenciais, e o conhecimento do valor limite adequado é fundamental para criar os modelos de aprendizado de máquina adequados para análise de lubrificação.

Da mesma forma, na análise de vibração, definir as regiões de interesse e descobrir padrões dentro da forma de onda e da Transformada Rápida de Fourier (FFT) é apenas um ponto de partida para sua equipe. Esse conhecimento básico incluiria a compreensão dos metadados e seus cálculos exclusivos, que estão vinculados a modos de falha e motivos de falha específicos.

Sua equipe também deve ter conhecimento e compreensão fundamental de:

• Os modos de falha inerentes.
• Quais dados podem identificar os modos de falha inerentes.
• Quais sensores são mais capazes e apropriados para uso.
• Onde os modos de falha são identificados nos dados.

Muitas vezes, eles estão faltando na maioria, senão em todas, as ofertas disponíveis no mercado hoje. Quando você elimina esse conhecimento fundamental e confia apenas na regressão linear simples, o número de leituras imprecisas, que incluem falsos positivos e negativos, cresce tremendamente. Isso serve apenas para dar uma má reputação à tecnologia de aprendizado de máquina.

Conclusão

Embora o papel do analista de monitorização da condição se desenvolva e evolua com o passar do tempo, isto deve ser visto como uma transição positiva; seu envolvimento na criação e manutenção desses aplicativos de aprendizado de máquina, bem como seus esforços para atualizar continuamente os modelos, serão inestimáveis ​​para a organização.

Esses esforços de criação e manutenção de banco de dados estarão no centro de cada programa de monitoramento de condições, e a precisão de cada algoritmo de aprendizado de máquina e inteligência artificial dependerá da habilidade, tenacidade e conhecimento do analista.