Jak využít možností umělé inteligence v údržbě výrobních závodů

Nové technologie vždy přichází s něčím novým, co dokáže zase naši společnost lehce posunout v před. Stačí se podívat, jak se svět změnil s příchodem internetu či chytrých telefonů. A k vynálezu elektřiny přirovnávají někteří pokrok v oblasti umělé inteligence. Jednak je důležité zmínit, že neuronové sítě nejsou zcela novým vynálezem.

Čeká nás opravdu tak dramatická změna?

Během posledních let se počítače naučili například hrát jednoduché hry pouze sledováním obrazovky a mačkáním kláves. V roce 2016 porazili nejlepší lidské hráče planety ve hře GO, která měla být nedobytná ještě nejméně celá desetiletí. A právě to je nejnázornější příklad, jak moc se přístup v řešení složitých problémů změnil.

Momentálně to není o síle výpočetního výkonu jako byla hra šachy, ale o kvalitě algoritmu! Ten využívá tzv. hlubokých neuronových sítí a tím se učí na základě dat a historických zkušeností nápodobně jako lidé.

Můžeme si to vysvětlit na příkladu rozeznávání objektů v obrazu. Jak se liší kůň od osla. Můžete zkusit vymyslet rovnici, jak je od sebe rozlišit s použitím poměrů velikostí uší, vzdálenosti očí atd. Ale pak vám někdo dá fotku z jiného úhlu a pracně připravená rovnice přestane fungovat.
Naopak, když poskytnete neuronové síti stovky obrázků zvířat, naučí se je sama rozpoznávat. Jako když se učí malé dítě, nejprve si koně s oslem plete, ale když je párkrát správně pojmenujete, naučí se je rozlišovat.

Využití neuronových sítí pro audio diagnostiku

Vibrace a zvuk jsou často nejjednodušší metoda rozpoznání mechanických závad u motorů, převodů nebo výhybek. Akustická emise je příliš složitá, než aby bylo možné ji přímo zpracovávat. Signál byl tedy příliš chaotický. Proto se v praxi uplatňovala pouze v jednoduché formě. Například v případě ložisek se hledali tzv. vyšší harmonické frekvence.

Většina z nás ovšem zažila situaci, kdy jste například jeli automobilem a měli pocit, že něco nezní úplně v pořádku. A to je možné jen díky naší lidské schopnosti porozumět zvukům velmi komplexně.

A tuto schopnost rozpoznávání zvuku je nyní možné replikovat v počítači. Diagnostika tedy může nabýt mnohem komplexnější podoby. Neuronové sítě mají schopnost odlišovat od sebe složité vzory například rozborem spektrogramu. Může se zaměřovat na krátké události dlouhé jen desítky či stovky milisekund. Dokáže ovšem stejně dobře zpracovávat i zvuky dlouhé mnoho vteřin.

Technologie akustických senzorů není omezena frekvenčním pásmem lidského ucha. Citlivý mikrofon dokáže zaznamenat pomalé chvění až po vysoký ultrazvuk. Zvuk reprezentuje to, co se fyzicky odehrává uvnitř stroje a reflektuje mechanizmus zařízení.

Jaké možnosti využití se nabízí?

Zkušenost zahrnuje zpracování audio záznamů z rozmanitým mechanických zařízení – od eskalátorů, přes výhybky, klimatizační jednotky až po atypické zvuky z věterných elektráren. Jelikož se technologie učí z dat, tak je její využití všeobecné.

Nabízí se technologie využít pro vývoj složitějších prediktivních modelů – například akustické stopy ložisek. Z jemných odstínů zvuku ložiska může neuronová síť odhadnout životnost ložiska či dalších mechanických částí. Každý stroj by mohl mít individuální algoritmus, který ho bude sledovat v reálném čase a bude hlásit do centrálního systému, s jakou pravděpodobností a kdy dojde k výpadku. Místo pravidelných prohlídek by bylo možné přejít na systém průběžné kontroly, podle potřeby nebo naopak minimalizovat počet neplánovaných výpadků. S dalším rozvojem algoritmů a rozrůstajícím se množstvím dat lze pak očekávat i zpřesňování kvality analýzy. Řada dnešních řešení na prediktivní údržbu by mohla být rozšířena o informace získané prostřednictvím audio diagnostiky. Zvýší se tím přesnost a spolehlivost celého řešení.

Svět IoT a edge computing

Světovému rozvoji též nahrává fakt, že pro analýzu zvuku stačí malé snímací zařízení s mikropočítačem. Data potom není třeba posílat k analýze do cloudu ale výsledným algoritmem po dokončení učení je jen malá knihovna, která může pracovat na relativně levném hardwaru a odhalovat mechanické závady. Dochází tak k efektivnímu propojení výpočtů v cloudu a koncových zařízení. Nově vzniklý odborný název toto označuje slovem fog-computing.

Je zřejmé, že trend miniaturizace a zvyšování výpočetního výkonu bude i nadále pokračovat. Svět internetu věcí rozšíří diagnostické možnosti strojů. Mechanik tak již nebude odkázán na své smysly, tak jako byl v předchozích stoletích. Odpadnou také jednorázové a drahé kontroly specializovanými firmami.

Současné systémy monitoringu budou v nejbližší době zdokonaleny a jednotlivé stroje budou vylepšeny o senzory umělé inteligence, které budou odhalovat poruchy novým a komplexním způsobem. Stroje se zatím ještě sami neopraví, ale rozhodně budou sami sobě rozumět mnohem lépe. A to napomůže snížení nákladů na provoz a údržbu.