چرا یادگیری ماشین و هوش مصنوعی آینده تحلیل روانکارها هستند

تجزیه و تحلیل روغن‌(روانکارها) برای حفظ قابلیت اطمینان و افزایش طول عمر قطعات ضروری می‌باشد.در این فرایند تحلیل‌گران داده‌های جمع‌آوری شده را تحلیل می‌کنند تا دریابند که آیا نمونه‌های جمع آوری شده نشانگر وجود علائم ساییدگی و خراشیدگی در سطوح به گونه‌ای که طول عمر پیش‌بینی شده قطعات را کاهش دهد یا باعث کاهش کارایی قطعات گردد،‌می‌باشند. مشکل در اینجا است که معمولا تجزیه و تحلیل به روش سنتی، پس از آن صورت می‌گیرد که ساییدگی در سطوح رخ داده و احتمال وقوع خرابی، کاهش طول عمر و فرسایش قطعات بسیار افزایش یافته است.

چه می‌شد اگر ما الگوریتم‌هایی در اختیار داشتیم که قادر بودند ناهنجاری‌های احتمالی را در سیستم‌های هیدرولیک، موتورها، توربین‌ها و سایر تجهیزات از یک نمونه‌گیری به ظاهر ساده از روغن‌های مصرفی، پیش‌بینی کرده و تشخیص دهند. خبر خوش اینکه ، این الگوریتم ها با موفقیت مورد استفاده قرار گرفته و در قالب بسترهای هوش مصنوعی (AI) در حال رشد هستند. هوش مصنوعی با همراهی متخصصین علم تحلیل داده و مفاهیم یادگیری ماشی، برای نگهداری از تعمیرات و اطمینان از افزایش عمر مفید آن‌ها امری حیاتی شده است

تجزیه و تحلیل روغن که با عنوان پایش وضعیت ورغن(OCM) نیز شناخته می‌شود، با نمونه کوچکی از روانکار که توسط یک شرکت جهت تحلیل میزان پوشش دهی،‌شرایط سیال و میزان آلودگی آن به آزمایشگاه ارئه می‌شود، آغاز می‌گردد. اگر هر یک از این شرایط در نمونه موجود باشد ، تحلیلگران – بسته به شرایط- یک سری اقدامات اصلاحی را توصیه می کنند. تجزیه و تحلیل هر نمونه می تواند تا پنج دقیقه طول بکشد ، که شاید خیلی زمان زیادی به نظر نرسد ، اما وقتی تعداد نمونه های ارسالی روزانه را در نظر بگیرید به نظر می‌رسد که زمان انجام تحلیل‌ها تمام نشدنی باشد. در سال ۲۰۱۸ یک شرکت آمریکایی ۱.۲ میلیون گزارش تجزیه و تحلیل روغن ارائه کرده است.

تحزیه و تحلیل به روش سنتی از نظر محدوده و مقیاس با محدودیت‌هایی مواجه می‌باشد. یک تحلیل‌گر در زمانی که در اختیار دارد، تعداد فاکتورهای مشخصی را در یک نمونه ارسالی می‌تواند بررسی کند، شاید حداکثر ۱۰۰ مورد، که این مقدار با توجه به تعداد زیاد فاکتورهایی که برای درجه بندی نمونه‌ ارسالی براساس یکی از چهار طبقه بندی رایج – عادی ، نیازمند پایش ، غیر طبیعی و بحرانی – لازم است بررسی شوند و همچنین اهمیت ارتباط بین آن‌ها، بسیار ناچیز می‌باشد.برخی از ناهنجاری ها مانند مشاهده ناخواسته آهن و سرب در یک نمونه، برای مشخص شدن وجود سایش آشکارا قابل تشخیص است ، اما برخی موارد دیگر ممکن است به راحتی آشکار نباشند.

پس از تجزیه و تحلیل ، اکثر نمونه ها به صورت عادی طبقه بندی می شوند ، اما این مسئله تاثیری در زمان لازم برای هر بررسی و نتیجه‌گیری نهایی هر یک از نمونه‌های نمی‌گذارد. بررسی نمونه‌های عادی نیز می تواند زمان گیر باشد ، به همین دلیل برخی در صنایع فعال در زمینه OCM برای تجزیه و تحلیل سریعتر ، دقیق و کارآمدتر داده ها به دو منبع فناوری پیشرفته روی آورده اند: هوش مصنوعی و یادگیری ماشین.

تحول در فرآیند تجزیه و تحلیل روانکارها

برای درک این مسئله که چگونه همه این موارد در نگهداری و تعمیرات دستگاه تاثیرگذار خواهند بود، با آنچه که بطور رایج بزرگ داده‌ها (Big Data) خوانده می‌شود، شروع می‌کنیم. دسترسی به داده‌های حیاتی که در زیر آوار بزرگ‌داده‌ها دفن شده‌اند، برای نگهداری و تعمیرات به همان اندازه ارزشمند است که در علم اقتصاد و سرمایه‌گذاری‌ دارای ارزش می‌باشد. برای تجهیزات از قبیل موتورها ، چرخ دنده ها و سیستم‌های هیدرولیک ، هوش مصنوعی(AI )به بستری تبدیل شده است که امکان شناسایی روندهای نگران کننده در یک نمونه را فراهم کند. هوش‌مصنوعی به هزاران نقطه داده ، که بسیاری از آنها از طریق تجزیه و تحلیل سنتی غیرقابل دسترسی هستند دسترسی دارد ، و گزارشی را برای بررسی تحلیلگر تهیه می کند.

یادگیری ماشین، زیر مجموعه‌ای از هوش مصنوعی می‌باشد که در آن دستگاه( ماشین تجزیه و تحلیل) توسط تحلیل گر داده با داده‌ها و اطلاعات تاریخی تغذیه شده و می‌یاد می‌گیرد. در این روش اطلاعات بصورت مدلی‌های که برای کام‍پیوتر قابل فهم باشند تفسیر می‌شوند و به این ترتیب کامپیوتر قادر به یادگیری می‌شود. این مدل ، بر خلاف تجزیه و تحلیل سنتی نمونه های روغن ، مبتنی بر قوانین نیست و اجازه می دهد تا تفسیرهای مختلف به راحتی فاکتور سازی شوند.

بین کیفیت آزمایش‌های انجام شده با یادگیری ماشینن ارتباط مستقیمی وجود دارد. هر چه نتایج ارائه شده به ماشین جهت مدل سازی و یادگیری دقیق‌تر و کامل‌تر باشند دقت یادگیری ماشین افزایش می‌یابد. همچون شاگردی که در کلاس درس استاد مطالب را می‌آموزد.

واقعیت این است که ماشین بعد از آنکه هوش مصنوعی، فرایند سنگین بررسی پارامترهای مختلف را انجام داد، فرایند یادگیری را ادامه می‌دهد، قبل از اینکه تحلیل‌گر نتایج را بررسی کند. تأثیر این فرایند بر نگهداری مشخص است. بر خلاف تجزیه و تحلیل سنتی و تشخیص مشکل پس از رخدادن آن بر اساس مشاهده روندهای غیر طبیعی ، تجزیه و تحلیل روغن مبتنی بر بستر هوش مصنوعی (AI ) پیش‌ران‌های سایش در تجهیزات و تغییر در شرایط سیال را شناسایی می کند. سازمان‌ها می تواند قبل از اینکه خرابی رخ دهد یا عاملی که باعث کاهش عمر مفید تجهیزات می‌شود بوجود آید در جهت رفع آن اقدام کند. یک نمونه از چنین سیستمی در حال حاضر توسط یک آژانس صدور گواهینامه بین المللی مورد استفاده قرار گرفته که متشکل از بسترهای نرم افزاری می‌باشد که میلیون ها نمونه و نتایج حاصل را از بیش از یک دهه تحلیل در خود جای داده است.

جاناتان رودنیکی ، رهبر پروژه OCM برای آژانس صدور گواهینامه بین المللی می گوید: “این یک مجموعه اطلاعاتی بسیار غنی است که ما قادر به استخراج آن بودیم.” به ایم ترتیب ما قادر به جستجوی همبستگی‌ها و ارتباطات بین نتایج متفاوت برای کمک به شناسایی جایگشتهای مختلفی بودیم که شرایط نمونه را به بهترین شکل پیش بینی می کرد و مشخص می‌کرد که آیا نیاز اقدامات خاصی هست یا خیر.”

شکل ۱: یادگیری ماشینی الگوها و همبستگی‌های داده‌ها در طول زمان را مشخص می کند

داده های تاریخی در این محیط یادگیری ماشین/ AI به دو بخش تقسیم می شوند: یکی برای آموزش و دیگری برای آزمایش مدل. در حالت دوم ، مناطقی با موضوعات مربوط به کیفیت داده بالقوه شناسایی و حل می شوند. این مدل درحالیکه که ویژگی ها و / یا ترکیب ویژگی ها را از بین میلیون ها نمونه بررسی می کند به عمق ارتباطات بین داده‌ها می رود . جزئیات هر نمونه در یک سیستم مدیریت اطلاعات آزمایشگاهی ثبت می شود و برای تفسیر شدت مشکلات احتمالی به بستر هوش مصنوعی ارسال می شود. اگر نمونه غیر طبیعی یا بحرانی به نظر برسد ، سیستم به همراه تحلیلگر اقدامات اصلاحی احتمالی را ارزیابی کرده و به دنبال آن یک بررسی کنترل کیفیت برای اطمینان از صحت یافته ها قبل از بازگشت نمونه به شرکتی که آن را ارسال کرده است ، انجام می شود.

هوش مصنوعی و آینده نگهداری روان کارها

هوش مصنوعی و یادگیری ماشین تهدیدی برای نیاز مستمر به تحلیلگران OCM نیست. از آنجا که این بستر می تواند نمونه های عادی را بطور لحظه ای تعیین کند ، تحلیلگران بهتر می توانند وقت خود را صرف تجزیه و تحلیل دقیق تر نمونه های استثنایی کنند. با این حال ، هنوز هم مواردی عادی وجود دارد که این تحلیل‌گران آن‌هار را به عنوان بخشی از بازرسی مستمر کیفیت بررسی می کنند.

علاوه بر این ، یافته ها و روابط منوط تجزیه و تحلیل داده ها هستند برای ادامه یادگیری ماشینی و رشد تجزیه و تحلیل‌های پیش بینانه نگهداری و تعمیرات، مفید هستند. هر دو با کاهش زمان توقفات برنامه ریزی نشده و احتمال خرابی دستگاه ضمن افزایش بازده سرمایه گذاری ، برای حفظ سلامت موتورها یا تجهیزات دیگر ضروری هستند.