Споры об эффективности применения искусственного интеллекта (ИИ) в той или иной сфере становятся все более острыми.
Это коснулось и такой значимой области для экономики любого предприятия как техническое обслуживание и ремонты (ТОиР). Главный вопрос – сможет ли ИИ повысить надежность оборудования и снизить расходы на его обслуживание.
Доверяй, но проверяй
У человека более 3 млн болевых рецепторов, которые непрерывно обеспечивают мозг человека информацией для принятия решений в виде различных реакций.
Но даже такой объем «помощников» не всегда позволяет мозгу правильно интерпретировать данные и сделать правильное умозаключение о состоянии организма и необходимой ответной реакции. Для этого существуют врачи-специалисты, которые могут поставить точный диагноз.
Вы также обратитесь к врачу, вне зависимости от того, с какой точностью ИИ поставит диагноз – 50% или 80%. Это как с лампочкой «Check engine» в автомобиле. Для вашего обращения в сервис к специалисту системе достаточно сигнализировать, что в двигателе есть какая-то неисправность. Более точная информация о том, что именно работает не так, зачастую не изменит вашего решения и необходимости обращения в сервис. Если бы в автомобиль ставили более точные диагностические системы, то они бы стоили дороже самой машины, но полезность такой системы осталась бы практически на том же уровне.
В отличие от человека, сенсорная система машины (агрегата) исчисляется всего единицами «рецепторов». Каждая машина уникальна, как и каждый человеческий организм. Уникальна и окружающая среда, и режимы их функционирования. Сколько времени, данных, финансирования понадобится ИИ, чтобы научиться учитывать миллионы факторов, действующих на конкретный механизм? Это открытый вопрос и какой будет результат – неизвестно.
Не все то золото, что блестит
Предиктивная аналитика ТОиР упрощенно состоит из этапов:
— входящий сигнал-оповещение о нештатной ситуации;
— обработка поступивших данных;
— постановка «диагноза»;
— назначение корректирующего воздействия.
Если входящий сигнал неточный, то и вся цепочка отработает неправильным образом. Доверять выводам интеллектуальных систем можно только в том случае, если вы уверены, что исходные данные точные и их достаточно для заключения выводов.
К сожалению, предприятия пытаются использовать для предиктивной аналитики данные с уже имеющихся в технологии контроллеров и датчиков автоматики, не предназначенных для целей раннего обнаружения неисправностей. Поэтому вместо «обвязки» оборудования специализированными датчиками, многие пытаются решить свои задачи с помощью систем ИИ, которые пытаются предсказать неисправности на основе пусть и большого количества данных, но не всегда нужных и актуальных. И чем дольше такая практика сохраняется, тем больше идет деградация института вибродиагностов и все заметнее становится зависимость от программистов, математиков и вендоров, поддерживающих системы ИИ. А если развитие программ с применением ИИ застопорится и не будет выходить на нужные показатели точности? А компетенции профильных специалистов, которые работают с «железом», будут утрачиваться.
Какая из двух моделей построения системы предиктивной аналитики ТОиР лучше, выбирать вам:
1. Максимальный охват оборудования специализированными датчиками, данные и оповещения с которых стекаются в специализированный ситуационный центр, где специалисты-вибродиагносты с помощью специальных программ диагностируют неисправность и назначают корректирующее воздействие. Инвестиции в «обвязку» датчиками и человеческий капитал (повышение количества и качества вибродиагностов и смежных специалистов). Дальнейшее развитие ИИ на основе качественных и правильно интерпретированных данных, собранных за необходимый период.
2. Минимальные вложения в датчики и использование первичных данных с тех, что уже есть, и максимальные инвестиции в системы ИИ, набор математиков и программистов, попытка решения проблемы некачественных (недостаточных) данных за счет применения «умных» программ, зачастую работающих по принципу «черного ящика» (результат, хоть зачастую и правильный, выдаваемый системой ИИ, не может быть обоснован с точки зрения логических умозаключений).
Главные выводы:
1. Основой для качественной ранней диагностики дефектов в оборудовании, являются данные от специализированных датчиков, на основе которых специалист может сделать высокоточный прогноз о состоянии агрегата и выдать эффективные предписания на устранение нештатной работы.
2. Установка необходимых датчиков в нужном количестве + правильная интерпретация сигналов с них о нештатных ситуациях (обязательно профильным специалистом) дают возможность формировать паттерны для создания систем ИИ . В терминах ИИ это называется обучением с учителем, когда специалисты вручную проводят так называемую разметку данных. После накопления нужного количества решенных примеров реальных задач система ИИ сможет работать уже и сама.
3. Отсутствие понимания того, какие вообще данные об оборудовании необходимы, приводит к излишнему сбору данных абсолютно ненужных, при этом игнорируются действительно важные. В итоге инфраструктура хранения и обработки данных перегружается от излишнего их объема, а система ИИ не может выйти на требуемый уровень точности и по сути указывает «пальцем в небо».
4. Даже правильно собранные данные нуждаются в грамотной интерпретации профильным специалистом (проведении разметки данных). Да, системы ИИ могут выявлять закономерности и из неразмеченных данных, но чем меньше такой работы перекладывается на ИИ, тем лучше. Ведь в таком случае есть вероятность, что ИИ выявит неверные закономерности, а дальше на их основе будет обучаться реагировать на нештатные ситуации (тоже не со 100-процентной точностью). Получается, что таким образом ошибки будут множиться на ошибках.
5. Если точность прогноза, выданного системой ИИ, остается невысокой из-за качества исходных данных, зачем вкладывать временные и финансовые ресурсы в попытки повышения точности таких систем?
6. Накопление правильно собранных и верно интерпретированных данных позволит сформировать качественные и обезличенные дата-сеты для использования всеми участниками рынка при создании систем ИИ. Развитие российской нормативно-правовой базы в сфере промышленных данных способствует этому.
7. И только после всего этого программисты могут прийти и сделать свое также важное дело по созданию систем ИИ, которые позволят во многом автоматизировать процесс выдачи рекомендаций и повысить их точность за счет выверенной выборки используемых данных.
Очевидно, что легкой панацеи в виде ИИ в предиктивной аналитике на данный момент быть не может. Но если пройти полный путь от «железа» к ИИ, то возникнет уже эффект синергии, когда цифровая структура будет дополнять физическую без противоречий между ними.
Кейс
Например, показатель вибрации по среднеквадратичному значению (СКЗ), которые многие часто используют для мониторинга оборудования. СКЗ — это «средняя температура по больнице» измерений по 3-м осям. Если одна ось имеет отрицательные отклонения, а другие положительное, то в среднем все в норме, что не всегда соответствует действительности. Замеряй хоть раз в секунду, данные от этого не станут качественнее, а ИИ будет выдавать ложные заключения. Качественные системы нижнего уровня должны поставлять «сырые» данные для анализа того, что происходит внутри этой точки СКЗ, как меняется динамика показателей по каждой из осей. Для этого не нужно каждую секунду замерять СКЗ, а достаточно раз в час делать замер, снимая по несколько тысяч показаний в секунду по каждой оси для выявления трендов изменений, и это будет несравнимо более качественный материал для анализа.
Алексей Михайлович Митиогло. Директор ООО «Предикта».
Публикация не является рекламой и носит информационный характер.
