Машинно обучение в производството и експлоатацията на полезни изкопаеми

Когато кажем машинно обучение в производството, вероятно голямата част от хората ще си представят футуристично изглеждащи роботи, работещи в затворена среда за производство на чипове, коли или някаква друга техника. Докато това е част от общата картина, в много отношение може би обаче не е най-важната. Не казваме, че индустриалните роботи не са важни – те със сигурност са предизвикали революция в множество сфери – до степен до която компании като Fanuc сега правят своите роботите си в лайтс-аут фактори (без хора, без светлини, без отопление). Казваме сега, но това се случва вече почти 20 години, преди революцията на AI да достигне масовите технологии. Има ли някаква игра тук, може би те са знаели предварително за предимствата на AI и машинното обучение и са ги използвали преди толкова време? Всъщност, вероятно не. Много индустриални роботи работят с добре дефинирани и предефинирани задачи. Роботът знае точно кога и къде да направи заварка например. Това не значи, че няма включени сензори и някакви предварително определени алгоритмични решения. Ако задачата е добре дефинирана обаче и всички стъпки по изпълнение са ясни от самото начало, може да се каже, че тази задача не задължително включва машинно обучение. Тя изисква стъпков, детерминиран подход. Поради тази причина докато индустриалните роботи със сигурност променят индустрията и производството радикално (например променяйки производствени практики, заменяйки хора, повишавайки качеството и скоростта на операциите), те нямат капацитета на машинно обучение, за да научат системата да прави нещо реактивно (или про активно) спрямо средата, където динамичната адаптация е необходимост.

Днешните производствени единици работят ефективно когато хората и машините работят в колаборация. Докато машините обикновено правят самите дейности, хората обикновено вземат решенията и управляват процеса на база наличната информация. Тези решения често включват сложни преценки, експертни технически задачи като например какво количество химикали да се сложи в процеса на флотация, за да се максимизира производството на медна флотационна фабрика, или какво количество от съответния тип гориво да се подаде при специфичните условия в циментова пещ, така че да се получи добро качество клинкер, или коя част от кариерата да се експлоатира на следващата стъпка предвид на нужния материал и наблюдаваните химически и физически характеристики на полето. Във всички тези случаи експертно мнение обикновено се използва за решения, не винаги с напълно успешни резултати.

Истинският въпрос в производството и експлоатацията на полезни изкопаеми днес е дали сме готови да използваме машинно обучение и да променим нашето човешко разбиране, и съответно да подобрим процесите отвъд решенията, вземани само на база на експертно мнение. Много обучени експерти биха казали, че работата им е сложна, комбинира много опит и критично мислене, дори усещания, и това вероятно е напълно вярно. Те обаче може би подценяват възможностите на AI. Бихме предложили идеята, че бъдещето принадлежи все повече на или напълно компютъризирани системи, или на системи, оперирани съвместно от човек и компютър, работейки заедно за постигане на правилните решения и действия. В някои случаи това може да се постигне директно с PLC модули (миналата година Siemens стартира neural processing единица за тяхната S7 линия), но вероятно по-често ще имате нужда от по-сериозен хардуер, за да анализирате големи обеми от данни и да ускорите процеса на вземане на решение (например за търсене на нови депозити, ако сте в минната индустрия).

Докато някои от изследванията в областта на машинното обучение изискват съществени инвестиции и вероятно ще се правят от специализирани производители с широк мащаб, други идеи могат да се тестват и изпълняват на много по-малък мащаб. Дори без да имате огромни инвестиции или да заменяте цели линии от оборудване, дейността може да се подобри съществено. Ето примери за това:

  • Прогнозна поддръжка. Една от сферите, където е извършена много работа последните години, е в прогнозната поддръжка. Стандартната поддръжка включва проверки на определен интервал от време, на определени моточасове, километри и др., и смята на масло и резервни части по препоръка на производителя. Но често оборудването работи в много различни среди. Някое оборудване може да се използва с високо абразивни скали, увеличавайки износването на губи, трошачки и др. Друго оборудване може да се използва в много прашни среди, потенциално водейки до чести проблеми с филтри. Понякога повреди стават извън стандартните програми за поддръжка и подмяна на резервни части. Можем ли да се опитаме да подобрим ремонта в тези случаи с цел намаляване на времето за престой или разходите за ремонт/поддръжка? За да отговори на този въпрос идва раздел на машинното обучение, наречен прогнозна поддръжка. Той се фокусира върху различни техники от статистиката и машинното обучение, целящи прогнозиране и дефиниране на действия за подобряване на оперативната дейност (например части, които трябва да се подменят). Има множество техники от машинното обучение, които могат да се използват за целта, но обикновено тези методи имат нужда от колкото се може повече данни, така че ако имате добра история с данни за вашето оборудване, прогнозната поддръжка може да е възможен начин да оптимизирате работоспособността на оборудването и да намалите разходите.
  • Контрол на качеството. Често проверките за качество се извършват от обучени професионалисти. Модели за машинно обучение обаче могат да се използват широко за подобряване на управление на качеството. Това включва четене на сензорна информация, анализ на база предефинирани модели и вземане на решение за потенциален проблем с качеството. Използвайки машинно обучение е възможно да се използва визуална информация – например скан на продукта, за откриване на пукнатини и други дефекти. Обучаването на алгоритми за извършване на тази задача намалява разходите за персонал и опростява оперативната дейност. Искаме да отбележим също, че техники за машинно обучение могат да се използват и само за анализ на големи обеми от информация за качеството, за да се достигне до определени заключение за процесите и практиките по качество. Машинното обучение позволява извършване на сложни анализи между връзките между факторите, включително човешкия фактор и качеството.
  • Последният но доста важен елемент от машинното обучение, който искаме да отбележим, е възможността да се използва голямото количество PLC информация за управление на оборудването като настройки и действия. Това звучи наистина широко, но въпросът е, че когато имаме събиране на големи обеми на данни от сензори и целеви параметър (качество на продукта, температура в пещта, производителност на инсталация и др.), алгоритми за машинно обучение могат да се използват, за да може той да се постигне. Машинното обучение позволява да се анализира целевия параметър и да се оценят наличните данни в рамките на съответните модели. Ако има модел, който има добри качества, той може да се използва за съществени спестявания и подобрения. Целта тук е да се позволи на човека да управлява процеса на високо ниво, а системата да взема оперативни решения. Такива алгоритми намаляват стреса на работното място, могат да елиминират уморителна работа (например наблюдение на оборудването през нощни смени) и да позволят на човешкият фактор да се фокусира на това какво трябва да се случи, а не как точно да стане.

https://fanuc.co.jp/en/profile/production/factory1.html

https://new.siemens.com/global/en/products/automation/systems/industrial/plc/simatic-s7-1500/simatic-s7-1500-tm-npu.html

https://www.nasdaq.com/articles/how-artificial-intelligence-is-taking-over-oil-and-gas-2018-08-10

https://www.petroleum-economist.com/articles/low-carbon-energy/energy-transition/2020/thomas-siebel-ai-to-transform-oil-and-gas

https://www.fiixsoftware.com/maintenance-strategies/predictive-maintenance/

https://www.ibm.com/services/technology-support/multivendor-it/predictive-maintenance

https://www.itcinfotech.com/blogs/product-quality-improvement-in-manufacturing-using-machine-learning-and-stochastic-optimization/

https://towardsdatascience.com/quality-inspection-in-manufacturing-using-deep-learning-based-computer-vision-daa3f8f74f45