https://manufacturingtomorrow.com/images/facebooknews.jpg
Duy trì thời gian hoạt động trong sản xuất là điều tối quan trọng. Để ngăn chặn tình trạng ngừng hoạt động, các nhà sản xuất thường dựa vào hai chiến lược: bảo trì phản ứng và bảo trì phòng ngừa. Với bảo trì phản ứng, thiết bị sẽ được sửa chữa khi bị hỏng. Điều này hầu như luôn dẫn đến thời gian ngừng hoạt động tốn kém, trong một số trường hợp có thể lên tới hàng trăm nghìn đô la một giờ. Để giảm thiểu những hỏng hóc này, nhà sản xuất còn dựa vào biện pháp bảo trì phòng ngừa – thường xuyên thay thế các bộ phận để tránh thời gian ngừng hoạt động ngoài dự kiến. Tuy nhiên, cách làm này làm tăng chi phí bảo trì vì thiết bị thường được thay thế sớm hơn và thường xuyên hơn mức cần thiết. Nó cũng không tính đến các thành phần bị hỏng bất ngờ.
Với trí tuệ nhân tạo và học máy (ML), các nhà sản xuất hiện đang ngày càng chuyển sang bảo trì dự đoán để xác định, phát hiện và giải quyết các vấn đề trong thời gian thực. Bằng cách thu thập dữ liệu và sử dụng các phân tích nâng cao, nhà sản xuất có thể tăng tuổi thọ của máy móc, đảm bảo thiết bị hoạt động hiệu quả hơn và giảm lãng phí. Ngoài ra, việc tránh hỏng hóc linh kiện ngoài ý muốn đảm bảo các bộ phận bị hỏng không tác động tiêu cực đến các bộ phận khác của máy hoặc khiến người vận hành gặp nguy hiểm.
Lợi ích của bảo trì dự đoán cho sản xuất
Gần đây, một nhà sản xuất có trụ sở tại Hoa Kỳ sử dụng hệ thống thủy lực phức tạp đang tìm cách giảm thiểu rủi ro liên quan đến thời gian ngừng hoạt động ngoài dự kiến bằng cách phát triển hệ thống bảo trì dự đoán. Mục tiêu của họ là tạo ra một mô hình ML có thể dự đoán sự xuống cấp của các bộ phận cụ thể, bao gồm bộ làm mát, van, máy bơm và bộ tích lũy thủy lực.
Khi một trục trặc ở một bộ phận có thể làm gián đoạn toàn bộ hệ thống thủy lực, việc phát hiện lỗi trước khi chúng trở thành vấn đề lớn hơn là rất quan trọng. Nhóm khoa học dữ liệu làm việc trên hệ thống thủy lực đã lắp đặt các cảm biến giám sát tình trạng và thu thập bộ dữ liệu có gắn nhãn mức độ xuống cấp cho từng thành phần riêng biệt. Tuy nhiên, việc biến nó thành một chương trình AI hoạt động nằm ngoài chuyên môn của họ.
Cuối cùng, công ty đã chuyển sang NineTwoThree, một công ty kỹ thuật AI có trụ sở tại Boston, để tạo ra một hệ thống dựa trên Machine Learning phòng ngừa. Nhà sản xuất đặt mục tiêu đạt độ chính xác 95%.
Đối với dự án này, các kỹ sư AI đã triển khai các cảm biến mới, cài đặt mới và các thành phần đã thay đổi của hệ thống. Điều này cung cấp một tập dữ liệu thô dựa trên các thông số đo được của nhiều cảm biến vật lý trong chu kỳ tải của hệ thống thủy lực. Cảm biến ảo cũng được thêm vào thiết kế.
Phân tích dữ liệu
Việc thu thập và phân loại dữ liệu thường chiếm một phần lớn trong bất kỳ dự án học máy nào. Các dự án bảo trì dự đoán có thể trở nên cực kỳ phức tạp khi xử lý một lượng lớn dữ liệu và quá nhiều dữ liệu có thể tạo ra các vấn đề về độ chính xác.
Bạn có thể thích
Với tất cả các cảm biến và chu trình tải, dữ liệu của dự án ban đầu đã vượt quá tổng số 43.000 tính năng. Sau khi phân tích thăm dò, nhiều cảm biến được phát hiện có mối tương quan cao. Điều này có thể dẫn đến vấn đề đa cộng tuyến khi có nhiều hơn hai biến độc lập có mối tương quan với nhau. Sự cố này có thể ảnh hưởng tiêu cực đến dự đoán mô hình trên dữ liệu không nhìn thấy được.
Các kỹ sư AI của NineTwoThree đã có thể giảm số lượng tính năng từ 43.680 xuống còn 136 tính năng dễ quản lý và phân tích hơn.
Làm Model
Khi tất cả dữ liệu cảm biến được sắp xếp, một học máy cho sản xuất mô hình được phát triển để dự đoán mức độ xuống cấp của từng bộ phận trong hệ thống thủy lực. Việc hiểu nên sử dụng mô hình nào và giả thuyết nào để kiểm tra có thể tiết kiệm rất nhiều thời gian và đào tạo, do đó đạt được độ chính xác của mô hình nhanh hơn.
Đối với dự án này, bốn mô hình học máy đã được sử dụng để dự đoán trạng thái của từng bộ phận chính – tình trạng bộ làm mát, tình trạng van, rò rỉ bơm bên trong và ắc quy thủy lực.
Với độ chính xác lớn hơn 99,0%, các mô hình hiện có thể xác định hoạt động kém hiệu quả của một bộ phận và nhóm bảo trì của nhà sản xuất sẽ nhận được thông báo ngay lập tức về sự cố. Cảnh báo này cung cấp dữ liệu về chính xác thành phần nào của hệ thống thủy lực cần được chú ý và vấn đề có thể xảy ra. Điều này cho phép bảo trì phòng ngừa, thông minh nhằm hạn chế thời gian ngừng hoạt động, giảm chi phí bảo trì và kéo dài tuổi thọ của thiết bị.
Cho dù nhà sản xuất có mức độ hoàn thiện dữ liệu cao hay mới bắt đầu nhận thức được lợi ích của việc bảo trì dự đoán thì việc sử dụng học máy đang chứng tỏ là đáng để đầu tư.
Nguồn: https://www.manufacturingtomorrow.com/story/2024/10/machine-learning-unlocks-predictive-maintenance-for-manufacturer-/23634/ .
