Bagaimana untuk memperkasakan aplikasi industri dengan pembelajaran mesin?

Kegagalan peralatan menimbulkan masalah serius kepada sektor perindustrian, yang membawa kepada kerugian pengeluaran dan masa henti yang tidak dirancang. Keadaan ini merupakan cabaran yang serius untuk memproses pengeluar di seluruh dunia, menyebabkan kerugian yang boleh mencecah berbilion dolar setiap tahun. Sebagai contoh, jika peralatan pengeluaran utama tiba-tiba gagal, ia boleh menyebabkan keseluruhan barisan pengeluaran ditutup selama beberapa jam, sekali gus menjejaskan operasi keseluruhan rantaian bekalan.

Nasib baik, pembelajaran mesin moden (ML) menawarkan penyelesaian terobosan. Dengan menganalisis sejumlah besar data penderia, algoritma ML boleh meramalkan kegagalan dan tunggakan sebelum ia berlaku, membolehkan pembaikan proaktif dan mengurangkan masa henti dengan ketara. Tetapi bukan itu sahaja, ML juga mendedahkan corak tersembunyi dalam data pengeluaran, mengoptimumkan proses, mengurangkan pembaziran dan meningkatkan kecekapan keseluruhan.

Sebelum organisasi dapat merealisasikan potensi penuh pembelajaran mesin, mereka mesti mula mengukuhkan elemen asas kerjasama pasukan. Untuk membina model yang tepat dan memberi kesan, saintis data dan pakar domain perlu membangunkan kerjasama rapat dan pemahaman mendalam tentang kerumitan peralatan industri. Kerjasama mereka akan menterjemahkan kepakaran di tingkat kedai ke dalam bahasa data, memacu kejayaan penerapan penyelesaian pembelajaran mesin.

Mengatasi kekurangan data industri tradisional

Menggunakan cerapan ML untuk meningkatkan kecekapan operasi bukanlah sesuatu yang boleh dicapai dalam sekelip mata. Cabaran pertama ialah memahami data industri mentah.

Dalam format asalnya, data industri adalah besar, pelbagai dan sering diisi dengan maklumat yang salah atau tidak berkaitan, seperti log gangguan. Tanpa bimbingan, saintis data sering membuang masa dan sumber yang berharga menyaring kerumitan yang tidak berkaitan, membuang masa yang berharga dan sering menghasilkan model yang mengelirukan. Inilah sebabnya mengapa pakar domain, termasuk jurutera proses dan pengendali, adalah penting dalam menyediakan data untuk model yang tepat. Pengetahuan proses mereka yang luas membantu menentukan data yang betul dan tempoh masa yang berkaitan.

Namun, mengenal pasti data yang betul hanyalah langkah pertama. Data industri mentah selalunya tidak kemas dan memerlukan konteks untuk difahami. Bayangkan mempunyai model yang bacaan suhu semasa penyelenggaraan bercampur dengan bacaan suhu semasa operasi: ini akan menyebabkan model ramalan menjadi huru-hara Memasukkan data ke dalam model tanpa petunjuk boleh mendatangkan malapetaka, mencadangkan bahawa semasa melakukan analisis Kepentingan membersihkan dan mengkontekstualisasikan data! terlebih dahulu. Pakar proses boleh membantu mengenal pasti pertimbangan sedemikian, mengurangkan ralat algoritma, memastikan konsistensi, dan mengenal pasti keadaan operasi khusus yang paling penting untuk memodelkan kejayaan.

Selepas data dibersihkan, masih banyak kerja yang perlu dilakukan untuk menyiapkannya untuk ML. Kejuruteraan ciri merapatkan jurang ini, memerlukan kerjasama berterusan antara saintis data dan pakar proses untuk mengubah bacaan mentah kepada cerapan kontekstual yang secara langsung menangani masalah yang dihadapi. Cerapan maklumat atau "tandatangan" ini termasuk ringkasan statistik, corak kekerapan dan gabungan pintar data penderia lain yang membantu algoritma ML menemui corak tersembunyi, meningkatkan ketepatan model dan membantu dengan keputusan operasi yang rumit.

Menggunakan model ML dalam tetapan industri memerlukan lebih daripada sekadar ketepatan. Untuk benar-benar menjana nilai, model mesti mudah dipindahkan kepada pengendali untuk digunakan dalam proses pengeluaran. Ini bermakna antara muka mestilah mudah dibaca dan membentangkan ramalan, makluman dan data masa nyata dengan jelas dan padat. Selain itu, jika boleh, termasuk penjelasan dalam antara muka operasi membina kepercayaan dan pemahaman di kalangan pengguna akhir.

Proses industri berubah dari semasa ke semasa, jadi kejayaan menggunakan pembelajaran mesin memerlukan model dilatih semula dengan kerap dengan data baharu untuk memastikan ketepatannya. Ini memerlukan kerjasama rapat antara saintis data dan pasukan operasi untuk memantau prestasi dan terus mengulang model.

Analitis Lanjutan Meningkatkan Inisiatif Pembelajaran Mesin Industri

Banyak langkah membina dan melaksanakan model ML dalam aliran kerja operasi bukanlah mudah, tetapi penyelesaian analitik lanjutan moden memperkemas proses, menyediakan penyelesaian holistik untuk penyepaduan ML ke dalam proses perindustrian .

Penyelesaian ini menembusi kekusutan data industri biasa dengan menyambungkan berbilang sumber data dalam masa nyata. Sebagai tambahan kepada pengagregatan, alat perisian ini boleh mengautomasikan pembersihan data, menghapuskan banyak pemprosesan dan penyelarasan data manual (Rajah 1).

Rajah 1: Seeq mengautomasikan pembersihan data menggunakan pelbagai kaedah pelicinan terbina dalam untuk memberikan gambaran kontekstual prestasi tumbuhan. Contohnya, dua bacaan suhu buruk dialih keluar secara automatik daripada pembolehubah proses yang telah dimurnikan, yang digunakan untuk pemodelan dan mencipta cerapan proses.

Kebolehsuaian ini penting apabila proses berubah, kerana model ML sentiasa dikemas kini dan menyediakan maklumat yang berkaitan untuk menggambarkan keadaan operasi semasa. Contohnya, dalam senario kegagalan tali pinggang penghantar, penyelesaian analitik lanjutan membolehkan jurutera mengenal pasti anomali dengan cepat, mengendalikan ketidakkonsistenan dan mengekstrak maklumat yang bermakna dengan segera. Data berkualiti tinggi ini kemudiannya boleh memaklumkan langkah penyelesaian masalah, memberikan cerapan ML yang boleh diambil tindakan dan meningkatkan keyakinan dalam keputusan operasi.

Kejuruteraan ciri adalah penting untuk kejayaan pembelajaran mesin dalam tetapan industri, tetapi ia memerlukan kerjasama. Penyelesaian analitis lanjutan membantu memudahkan sinergi yang diperlukan ini melalui profil pengguna yang dipilih susun dengan jelas yang dibina untuk peranan pakar yang berbeza, bersama-sama dengan alatan yang diperlukan untuk berkongsi penemuan dengan lancar merentas pasukan operasi (Rajah 2).

Rajah 2: Seeq memudahkan untuk membina laporan automatik dan papan pemuka di mana jurutera dan saintis data boleh berkongsi analisis mereka dengan barisan perniagaan dan pasukan operasi, melaksanakan ML untuk memacu nilai harian.

Sebagai contoh, Makmal Data Seeq memudahkan saintis data menggunakan model untuk kegunaan langsung oleh pasukan kejuruteraan dan operasi, yang boleh memberikan maklum balas untuk membantu menambah baik model. Ramalan dan makluman kemudian mengalir ke Meja Kerja, Penganjur dan alat visualisasi luaran, yang biasanya boleh diakses oleh pengguna pentadbiran. Penyelesaian analitik lanjutan menjembatani jabatan yang berbeza mengikut sejarah ini, mengubah model menjadi alat berkuasa yang membolehkan kawalan proses yang lebih ketat, pengoptimuman operasi dan membuat keputusan yang lebih bijak di seluruh organisasi.

Kawal kegagalan pemampat dengan analitik ramalan

Hasil sebenar menunjukkan bahawa penyelesaian analitik lanjutan boleh mengurangkan peristiwa masa henti yang mahal dengan berkesan. Sebagai contoh, pengeluar kimia besar yang dilanda kegagalan pemampat kritikal yang tidak dijangka menggunakan penyelesaian Seeq untuk mengenal pasti sisihan halus dalam pemampat dari satu kitaran operasi ke yang lain. Dengan kerugian dianggarkan $1 juta setiap kejadian, mencari cara untuk meramal dan mencegah kegagalan ini dengan cepat menjadi keutamaan.

Syarikat mula mengumpul sejumlah besar data proses, tetapi ia sangat besar dan kompleks, dengan lebih 170 pembolehubah, sehingga sukar untuk membezakan corak sebenar daripada bunyi. Kaedah analisis tradisional tidak dapat mengenal pasti gabungan faktor yang mungkin menyebabkan kegagalan.

Pengilang beralih kepada Seeq, memanfaatkan alatan ML terbina dalam perisian untuk membolehkan pakar domainnya menyelesaikan masalah pembangunan model tanpa bergantung sepenuhnya pada saintis data. Antara muka mesra pengguna penyelesaian itu meletakkan kuasa ML terus ke tangan jurutera proses dengan kepakaran pemampat yang komprehensif, membantu merapatkan jurang pengetahuan antara SMB dan saintis data yang lebih sukar dicapai dengan analitik tradisional. Ini membantu memastikan model ramalan menggabungkan pemahaman dan evolusi domain yang betul.

Dengan memanfaatkan keupayaan terbina khas dalam penyelesaian analitik lanjutan, syarikat mengubah hasil model menjadi cerapan operasi hampir masa nyata. Model memfokuskan pada sisihan halus dalam parameter pemampat yang menunjukkan masalah, dan papan pemuka visual membantu menyedarkan operasi dan pasukan kejuruteraan lebih awal untuk mengambil tindakan pencegahan bagi mengelakkan kegagalan yang mahal. Pendekatan ramalan ini membolehkan pasukan mengubah penyelenggaraan reaktif kepada strategi proaktif.

Dengan membetulkan isu sebelum ia gagal, syarikat mengurangkan dengan ketara peristiwa masa henti yang mahal. Penyelesaian analitik lanjutan bukan sahaja menyediakan tulang belakang teknikal tetapi juga menyediakan kecairan data baharu, memberikan jurutera kawalan yang lebih besar ke atas kesihatan peralatan.

Menyelesaikan isu meter beku dan mengoptimumkan penghantaran gas

Meter beku mengancam keuntungan pembekal minyak dan gas, yang membawa kepada ralat pengukuran dan pembaziran produk yang mahal. Skala masalah ini diperkuatkan oleh rangkaian luas satu operator, yang menjangkau 32,000 batu saluran paip dan mengendalikan 7.4 bilion kaki padu gas asli setiap hari. Data yang berselerak dan pergantungan pada pendekatan berasaskan peraturan untuk mengenal pasti peristiwa pembekuan terbukti memakan masa dan tidak boleh dipercayai, dan mengekalkan peraturan menggunakan sumber yang berharga selain menapis melalui banyak positif palsu dan pengesanan yang terlepas.

Syarikat memerlukan cara baharu untuk menyelaraskan pembersihan dan mengakses sejumlah besar data meternya. Pakar domain menggunakan alatan perisian untuk meningkatkan kualiti data dan menganotasi peristiwa beku yang lalu, manakala saintis data bekerjasama dengan jurutera untuk membangunkan model yang tepat, melangkaui peraturan yang tegar dan menerima ML.

Dalam penyelesaian analitik lanjutan, pengendali mewujudkan aliran kerja automatik sepenuhnya yang merangkumi prapemprosesan data, konfigurasi model dan latihan semula automatik untuk mengekalkan ketepatan model apabila keadaan operasi berubah. Ramalan model suapan terus ke papan pemuka visual dan laporan yang dihuni, memberikan pihak berkepentingan cerapan masa nyata tentang potensi isu pembekuan.

Aliran kerja yang diperkemas ini dapat campur tangan secara proaktif untuk mengurangkan isu pembekuan, dan walaupun terdapat sedikit peningkatan dalam ketepatan di suatu tempat, ia akan menjimatkan berjuta-juta dolar setiap tahun dalam pemberian produk yang dikurangkan. Selain meningkatkan ketepatan, penyelesaian itu memudahkan kerjasama dipacu data, yang penting untuk terus meningkatkan kecekapan operasi.

Kerja ini telah membawa tiga pendedahan penting kepada pembekal:

• Skalabiliti: Penyelesaian analitik lanjutan boleh mengendalikan set data besar syarikat, kelebihan utama untuk pengurusan aset pada skala.
• ML sebagai pengganda kecekapan: Tugas pengesanan automatik membolehkan jurutera memberi tumpuan kepada masalah nilai yang lebih tinggi.
• Dari cerapan kepada keuntungan: Penyelesaian analitik lanjutan memudahkan proses daripada ramalan kepada penjimatan kos, yang merupakan tanda penting penggunaan ML yang berkesan.

Pengenalan pembelajaran mesin yang berkesan dalam persekitaran industri

Tidak dapat dinafikan bahawa pembelajaran mesin mengubah proses pembuatan. Keupayaannya untuk mengautomasikan tugas yang kompleks, mengoptimumkan kitaran pengeluaran dan membolehkan penyelenggaraan ramalan menawarkan kelebihan yang jelas berbanding kaedah tradisional. ML meningkatkan kecekapan dan mencipta penjimatan kos dalam banyak sektor perindustrian dengan meningkatkan masa aktif aset, meningkatkan daya pengeluaran dan mempertingkatkan proses membuat keputusan.

Walaupun melaksanakan ML mempunyai cabarannya sendiri, faedah besarnya jauh mengatasi halangan, dan penyelesaian analitik lanjutan boleh membantu memastikan penggunaan yang berjaya. Alat perisian ini menyediakan keupayaan analisis data yang berkuasa dan direka khusus untuk mengendalikan keperluan data siri masa dan aplikasi ML dalam tetapan industri. Dengan antara muka mesra pengguna dan tumpuan pada kerjasama, penyelesaian ini membolehkan syarikat menerima pakai sepenuhnya cerapan berasaskan pembelajaran mesin, memberikan kecekapan dan kelebihan keuntungan yang ketara dalam pasaran pembuatan yang semakin kompetitif.

Atas ialah kandungan terperinci Bagaimana untuk memperkasakan aplikasi industri dengan pembelajaran mesin?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!