مع زيادة تعقيد الماكينة ، أثبتت طرق اكتشاف الشذوذ التقليدية غير كافية
تعتمد العمليات الصناعية وأنظمة التصنيع على الاتساق والدقة. يمكن لقراءات البيانات غير العادية ، أو الحالات الشاذة ، الإشارة إلى مشكلات مثل عطل المعدات أو المكونات المعيبة أو تدهور المستشعرات التي تعطل التدفق التشغيلي المتوقع. يساعد اكتشاف الشذوذ القائم على الذكاء الاصطناعي المهندسين في تحديد هذه المشكلات المحتملة في وقت مبكر ، مما يمكّنهم من تحسين جداول الصيانة وتحسين كفاءة العملية. وفقًا لـ Deloitte ، يدرك 86 ٪ من المديرين التنفيذيين في التصنيع أن المصانع الذكية ستقود القدرة التنافسية في السنوات الخمس المقبلة ، وسوف تلعب الذكاء الاصطناعى دورًا مهمًا في التصنيع.
تحديات التعقيد
مع زيادة تعقيد الماكينة في المصانع الحديثة ، أثبتت طرق اكتشاف الشذوذ التقليدية أنها غير كافية. يستخدم المهندسون والفنيون للاعتماد على فحص البيانات اليدوي أو التنبيهات الآلية عندما عبرت قيم المستشعر عتبات محددة. اليوم ، لا يمكن للمهندسين تحليل الآلاف من أجهزة الاستشعار في وقت واحد ، ويفتقد حتما الحالات الشاذة التي تظهر على أنها أنماط معقدة ومخفية عبر العديد من أجهزة الاستشعار.
لمواجهة هذه التحديات ، يستخدم المهندسون في صناعة التصنيع منظمة العفو الدولية لتحسين مقياس ودقة اكتشاف الشذوذ. يمكن تدريب خوارزميات AI على كميات هائلة من البيانات من الآلاف من أجهزة الاستشعار لتحديد الحالات الشاذة المعقدة التي لا يمكن للبشر تحديدها عن طريق العين. من خلال الجمع بين مقياس الذكاء الاصطناعى مع معرفة المجال السياقي للمهندسين ، يمكن لمؤسسات التصنيع إنشاء حل شامل للكشف عن الشذوذ.
استراتيجية الشذوذ
يعد تصميم الشذوذ القائم على الذكاء الاصطناعي عملية شاملة ، من التخطيط وجمع البيانات إلى النشر والتكامل. يجب أن يكون لدى المهندسين فهم عميق لكل من تطوير الخوارزمية والبيئة التشغيلية لتطوير حل يمكنه تحديد المشكلات المحتملة بشكل فعال.
تبدأ عملية التصميم لنظام الكشف عن الشذوذ القائم على الذكاء الاصطناعي بتعريف المشكلة. يتضمن ذلك تقييم بيانات المستشعر المتاحة والمكونات أو العمليات وأنواع الحالات الشاذة التي يمكن أن تحدث. بالنسبة للمؤسسات الجديدة على الذكاء الاصطناعى ، من المهم أن نبدأ بمشروع إثبات المفهوم الذي سيوفر نجاحه قيمة واضحة للمؤسسة قبل الانتقال إلى مبادرات أكبر.
البيانات عالية الجودة أمر بالغ الأهمية لأنظمة الذكاء الاصطناعي. يجب على المهندسين أولاً تحديد ما يشكل الشذوذ والظروف التي تصنف البيانات على أنها شاذة. يتضمن جمع البيانات استخدام أجهزة استشعار لمراقبة المعدات والعمليات بشكل مستمر ، والتحقق اليدوي لضمان دقة البيانات.
استكشاف البيانات
تأتي معظم بيانات الكشف عن الشذوذ الصناعي من أجهزة استشعار تجمع بيانات السلاسل الزمنية مثل درجة الحرارة والضغط والاهتزاز والجهد والقياسات الأخرى التي تم جمعها مع مرور الوقت. قد يشمل أيضًا الكميات ذات الصلة مثل البيانات البيئية وسجلات الصيانة والمعلمات التشغيلية. تتضمن الخطوة الأولى في تصميم خوارزمية اكتشاف الشذوذ تنظيم البيانات والمعالجة المسبقة بحيث تكون مناسبة للتحليل. ويشمل ذلك إعادة تنسيق وإعادة هيكلة البيانات ، واستخراج القطع ذات الصلة للمشكلة ، والتعامل مع القيم المفقودة ، وإزالة القيم المتطرفة.
قد تشير أنماط غير متوقعة في بيانات المستشعر (الحالات الشاذة) إلى مكون معيفي أو مستشعر متدهور.
والخطوة التالية هي اختيار تقنية اكتشاف الشذوذ ، والتي تتطلب تقييم خصائص البيانات وطبيعة الحالات الشاذة والموارد الحسابية المتاحة.
اختيار النموذج والتدريب
يعد تجربة أساليب التدريب المختلفة لنموذج الذكاء الاصطناعي أمرًا بالغ الأهمية للعثور على أفضل ملاءمة لمجموعة بيانات معينة. على مستوى عال ، يمكن تقسيم تقنيات الذكاء الاصطناعي إلى أساليب التعلم الخاضعة للإشراف وغير الخاضعة للإشراف اعتمادًا على نوع البيانات المتاحة.
يتم استخدام التعلم الخاضع للإشراف للكشف عن الشذوذ عندما يمكن تصنيف أجزاء البيانات التاريخية بوضوح على أنها طبيعية أو شاذة. غالبًا ما يتم وضع العلامات يدويًا من قبل المهندسين الذين يمكنهم محاذاة سجلات الصيانة أو الملاحظات التاريخية. من خلال التدريب على مجموعة البيانات المسمى ، يتعلم نموذج التعلم الخاضع للإشراف العلاقات بين الأنماط في البيانات والعلامات المقابلة لها (انظر ملف FACT – العبوة البلاستيكية).
لا تملك العديد من المؤسسات البيانات الشاذة المطلوبة لنهج التعلم الخاضع للإشراف. قد يكون هذا بسبب عدم أرشفة البيانات الشاذة ، أو لأن الحالات الشاذة لا تحدث في كثير من الأحيان بما يكفي لمجموعة بيانات تدريب كبيرة. عندما يكون معظم أو كل بيانات التدريب طبيعية ، هناك حاجة إلى التعلم غير الخاضع للإشراف.
في نهج التعلم غير الخاضع للإشراف ، يتم تدريب النموذج على فهم خصائص البيانات العادية ، ويتم وضع علامة على أي بيانات جديدة خارج المعدل الطبيعي كإشارة شذوذ. يمكن للنماذج غير الخاضعة للإشراف تحليل بيانات المستشعر لتحديد الأنماط غير العادية التي قد تشير إلى مشكلة ، حتى لو لم يتم مواجهة هذا النوع من الفشل مسبقًا.
ميزة الهندسة
على الرغم من أن بعض نماذج الذكاء الاصطناعي يتم تدريبها على بيانات المستشعر الخام ، إلا أنه غالبًا ما يكون أكثر فعالية لاستخراج ميزات مفيدة من البيانات قبل التدريب من خلال عملية تسمى هندسة الميزات.
هندسة الميزات هي عملية استخراج كميات مفيدة من البيانات الخام ، والتي تساعد نماذج الذكاء الاصطناعى على التعلم بكفاءة أكبر من الأنماط الأساسية. قد يعرف المهندسون ذوو الخبرة بالفعل أنواع الميزات المهمة لاستخلاص بيانات المستشعر. يمكن للأدوات التفاعلية استخراج وتصنيف الميزات الأكثر صلة في مجموعة البيانات لتعزيز أداء نماذج الذكاء الاصطناعى الخاضعة للإشراف أو غير الخاضعة للإشراف.
تستفيد بعض أنواع البيانات ، مثل الصور أو النص ، من أساليب التعلم العميقة التي يمكنها استخراج الأنماط تلقائيًا دون الحاجة إلى استخراج ميزة صريحة (انظر ملف حقيقة كابلات الطاقة). تعتبر أساليب التعلم العميقة هذه قوية ، ولكنها تتطلب أيضًا مجموعات بيانات تدريب أكبر وموارد حسابية.
التحقق من الصحة والتكامل
التحقق من صحة واختبار نماذج الذكاء الاصطناعى يضمن موثوقيتها ومتانة. عادة ، يمكن تقسيم البيانات إلى ثلاثة أجزاء: مجموعات التدريب والتحقق من الصحة والاختبار. يتم استخدام بيانات التدريب والتحقق من صحة لضبط معلمات النموذج خلال مرحلة التدريب ، ويتم استخدام بيانات الاختبار بعد تدريب النموذج لتحديد أدائه على البيانات غير المرئية. يمكن للمهندسين أيضًا تقييم النموذج باستخدام مقاييس الأداء ، مثل الدقة والاستدعاء ، والضبط لتلبية احتياجات مشكلة اكتشاف الشذوذ المحددة.
يصبح نموذج الذكاء الاصطناعى المدربين والمختبرين مفيدًا عند نشره أثناء التشغيل ويبدأ في عمل تنبؤات على بيانات جديدة. عند اختيار بيئة نشر مناسبة ، سواء كانت أجهزة الحافة قريبة من عملية التصنيع إلى الخوادم المحلية والمنصات السحابية ذات الطاقة الحسابية غير المحدودة تقريبًا ولكن يجب النظر في عوامل مثل الاحتياجات الحسابية والكمون وقابلية التوسع.
تمكن أدوات النشر وأدوات المبرمج المهندسين من إنشاء تطبيقات ورمز مستقل يمكن دمجها في أنظمة البرمجيات الأخرى.
يتطلب التكامل تطوير واجهات برمجة التطبيقات للوصول إلى تنبؤات النموذج وإنشاء خطوط أنابيب البيانات لضمان استلام النموذج بشكل صحيح ومدخلات مسبقًا. هذا يضمن أن النموذج يعمل مع مكونات أخرى من التطبيق أو النظام ويقدم قيمته الكاملة.
من خلال الجمع بين خوارزميات الذكاء الاصطناعي والخبرة الهندسية ، يمكن للمصانع تقليل العيوب ، وتبسيط صيانة وزيادة الإخراج. قد يكون دمج الذكاء الاصطناعي في عمليات التصنيع معقدًا ، لكن المكافآت المحتملة هائلة. مع تطور صناعة التصنيع ، سيستمر دور الذكاء الاصطناعي في قيادة الابتكار والتميز التشغيلي في النمو.
دراسة حالة
التعبئة البلاستيكية
من الممكن تجربة أساليب التعلم الآلي المتعددة في وقت واحد لمعرفة النموذج الأفضل. استخدمت شركة Mondi Gronau ، موندي جروناو ، موندي جروناو ، متعلم التصنيف في MATLAB لتطوير تطبيق مراقبة صحي وتطبيق صيانة تنبؤية لتحديد المشكلات المحتملة مع الآلات ، مما يتيح للعمال اتخاذ إجراءات تصحيحية ومنع مشاكل خطيرة.
يتم التحكم في آلات الإنتاج البلاستيكية للشركة من خلال ما يصل إلى خمسة وحدات تحكم منطقية قابلة للبرمجة (PLCs) ، والتي تسجل درجة حرارة وضغط وسرعة ومعلمات أداء أخرى من أجهزة استشعار الماكينة. يسجل كل جهاز 300-400 قيم المعلمات كل دقيقة ، وتوليد 7 جيجابايت من البيانات يوميًا.
يمكن أن يتنبأ النموذج المدرب بما إذا كانت جزء جديد من بيانات المستشعر طبيعيًا أو شاذًا.
دراسة حالة
كابلات الطاقة
تعد أنظمة كابل الطاقة تحت الأرض أقل عرضة من الخطوط العامة إلى البرق وحرائق الغابات والأحداث الجوية الضارة ، لكنها أكثر تكلفة للإصلاح والإخفاقات يصعب تحديدها والاستعادة.
تشير التقديرات إلى أن حوالي 90 ٪ من الفشل في أنظمة الكابلات تحت الأرض ترتبط مع التفريغ الجزئي. هذه ظاهرة تحدث عندما يتجاوز المجال الكهربائي داخل الكبل قدرة العزل العازلة على تحمله. وهي تنتج إشارات عالية التردد ، عادة ، أقل من 100 ميجاوات ، والتي تشير إلى تدهور العزل الكهربائي. يمكن أن يمنع اكتشاف هذه الإشارات مبكرًا فشل الكابل غير المتوقع والسماح بالإصلاح قبل حدوث الفشل.
استخدم مزود خدمة الكابلات تحت الأرض IMCORP MATLAB لتصميم وتدريب شبكات التعلم العميق باستخدام سلسلة زمنية واكتشاف الشذوذ القائم على الصور. تحدد الشبكات أيضًا الموقع التقريبي للتفريغ الجزئي في الكبل ، ونوع العيب الذي أنتجه ، وشدته.
عن المؤلف
راشيل جونسون هي مديرة المنتج الرئيسية ، Mathworks
متعلق ب
