Lakukan performa tanpa henti dengan 'menguji darah mesin'

Pada pertengahan 2000-an, sistem udara bertekanan di pabrik Toyota Amerika Utara di Georgetown, KY, rata-rata mogok lebih dari sekali dalam setahun. Hal itu membuat beberapa orang di pabrik bertanya-tanya apakah memanfaatkan pembelajaran mesin dan AI dapat mengatasi masalah ini dengan menyediakan deteksi anomali, identifikasi kesalahan, dan, yang paling penting, prediksi kegagalan yang akan datang sebelum terjadi.

Waktu henti yang tidak direncanakan dari sistem udara tekan berarti, tentu saja, seluruh pabrik mengalami masalah. Toko cat menggunakan udara bertekanan untuk menyemprotkan cat kendaraan baru. Sistem ini menghidupkan alat udara, dan tidak ada apa-apanya dibandingkan dengan udara terkompresi untuk meniup pengamplasan dan residu lainnya.

Dengan kendaraan yang sudah selesai meluncur dari salah satu dari tiga jalur di pabrik setiap 25 detik selama dua shift, konsekuensinya signifikan jika utilitas udara tekan gagal.

"Biayanya, jika saluran terputus, sangat besar," kata Mark Rucker, manajer proyek dan ahli materi listrik di pabrik. “Jadi, ada insentif yang bagus untuk memiliki utilitas yang baik, andal, dan stabil.”

Sistem udara tekan bernilai jutaan dolar terdiri dari selusin kompresor udara sentrifugal Ingersoll Rand, masing-masing seukuran truk semi kecil. Baling-baling tahap akhir dari setiap kompresor berputar pada 20.000 rpm sepersekian inci dari rumah mereka. Jika pisau beroperasi sedikit di luar spesifikasi dan menyentuh rumahan, itu akan mati. Seluruh mesin harus dibangun kembali dengan biaya sekitar $100.000.

Namun, goyangan bilah bukanlah penyebab kecelakaan; ini hasilnya.

Kecelakaan itu—alias. lonjakan atau aliran balik—terjadi ketika sesuatu menyebabkan aliran udara normal dari kompresor ke pipa mencoba untuk membalikkan dirinya sendiri dan udara di dalam pipa mendorong kembali.

Frekuensi, biaya, dan konsekuensi kecelakaan mendorong Toyota untuk menghubungi Jay Lee, direktur pendiri Intelligent Maintenance Systems, untuk meminta bantuan.

Jay Lee berada di depan kurva Industri 4.0

Pada awal milenium baru, sebelum panggilan dari Toyota, Lee adalah seorang profesor teknik di Universitas Cincinnati yang membayangkan semua mesin di pabrik terhubung dan menyediakan data untuk perawatan cerdas. Namun, pada saat itu, sebagian besar teknologi yang dibutuhkan untuk mewujudkan visi Lee belum ada.

“Dua puluh tahun yang lalu, sangat sedikit orang yang percaya bahwa itu mungkin,” kata Lee, yang saat ini sedang cuti mengajar dan merupakan wakil ketua dan anggota dewan Foxconn Technology Group di Wisconsin.

Dalam visi industrinya, mesin seperti pasien dan data yang dikumpulkan dari sensor yang memantau mesin memberikan informasi tentang kesehatan mereka. Para ahli mendapatkan prognosis dengan menafsirkan data yang mereka kumpulkan dan analisis.

"Saya berkata, 'Mengapa tidak menguji darah mesin itu?' Dan apa darah mesin itu?" kata Lee. "Data. Pertanyaannya adalah, 'Data apa yang ingin Anda dapatkan?' Itu tergantung pada apa yang ingin Anda analisis. Kita perlu memahami konteks dan isinya, dan selanjutnya merumuskan model hubungan di antara hal-hal yang tidak diketahui yang tidak terlihat.”

Tersembunyi dalam data berarti tentang perilaku menyimpang dari mesin atau proses. Membuka makna itu mengarah pada prediksi kualitas, penentuan stabilitas mesin atau proses, dan pencegahan potensi kegagalan. “Itulah tepatnya tentang Industri 4.0 hari ini,” kata Lee.

Istilah “Industri 4.0”, tentu saja, tidak dipopulerkan sampai sekitar waktu inisiatif pemerintah Jerman pada tahun 2013.

Tidak ada kerusakan sejak 2006

Sesampai di Toyota, Lee dan tim analis datanya bergabung dengan Rucker dan sekelompok pekerja pemeliharaan terampil dan insinyur pabrik untuk mengatasi masalah sistem udara bertekanan.

Kesederhanaan pertanyaan mereka menutupi kerumitan tugas di depan.

"Bisakah kita memprediksi masalah aliran balik sebelum menyebabkan crash?" kata Ruker. “Bisakah kita melihat sesuatu berkembang pada waktunya untuk melakukan sesuatu?”

Melalui percobaan dan kesalahan selama berbulan-bulan pada tahun 2005, tim mengumpulkan dan menganalisis data dengan ketelitian tinggi dari salah satu kompresor dan mencari anomali. Terkadang tim akan membuat kondisi lonjakan atau pendekatan ke lonjakan sehingga mereka dapat memaksa mesin untuk mulai menunjukkan perilaku menyimpang dan melihat seperti apa tampilannya dalam kumpulan data.

Akhirnya, kerja tim terbayar. Anggotanya melihat prediktor terbaik dari kondisi lonjakan baru jadi terjadi pada tahap dua (dari empat tahap kompresor berjalan melalui kemajuan dari tekanan normal menjadi 120 pon tekanan per inci persegi, atau PSI).

"Apa fisika di balik itu, mengapa ini prediktornya?" kata Ruker. “Tidak tahu, tidak peduli. Kami baru saja melihat bahwa ini memprediksi lonjakan masa depan dengan andal, dan memprediksinya dengan peringatan beberapa detik.”

Langkah selanjutnya adalah menempatkan sensor diferensial pada setiap kompresor dan membuat algoritma pembelajaran mesin untuk unit kontrol pusat. Pengujian mengkonfirmasi bahwa segera setelah tahap kedua mulai "goyang", kompresor akan mulai mundur.

“Setiap kali kami mengujinya, itu membuat kami keluar dari masalah,” katanya. “Kami tidak mengalami crash sejak 2006.”

Sementara proyek kompresor-lonjakan sukses, proyek lain yang berfokus pada mencoba memprediksi masa pakai bantalan di raksasa udara terkompresi gagal. Tim tidak dapat menemukan data perawatan yang cukup andal dan memasangkannya dengan data operasional alat berat untuk menarik korelasi yang berguna, kata Rucker.

"Itu mungkin tentang campuran R&D yang tepat," katanya. “Anda mencoba banyak hal, dan Anda tidak tahu apakah itu akan berhasil atau tidak. Dan jika separuh waktu Anda mendapatkan uang Anda kembali, itu adalah kemenangan. Dan sering kali Anda menemukan yang membayar untuk yang lainnya—seperti kontrol lonjakan arus.”

Fleksibilitas adalah kuncinya

Lee kemudian menerbitkan sebuah makalah tentang proyek Toyota dan, pada tahun 2013, membantu mendirikan Predictronics bersama Patrick Brown, seorang karyawan di Intelligent Maintenance Systems, dan dua mahasiswanya, David Siegel dan Edzel Lapira. Cokelat. Lapira dan Siegel membentuk rangkaian Predictronics C.

Seperti halnya Rucker dari Toyota yang meminta bantuan AI kepada Lee, perusahaan datang ke Predictronics untuk meminta bantuan dengan aspirasi zero-downtime mereka.

“Pelanggan yang berbeda biasanya memiliki tingkat kedewasaan yang berbeda,” kata Lapira, yang merupakan CEO. “Kami memiliki beberapa pelanggan yang sudah memiliki struktur pengumpulan data:Mereka memiliki data lake tetapi mereka tidak tahu apa yang harus dilakukan dengan data tersebut. Kami juga memiliki beberapa pelanggan yang harus memulai dari awal.”

Pelanggan dengan aset berusia 50 atau 60 tahun harus memulai lebih awal.

Semakin, Predictronics didekati oleh pelanggan dengan mesin warisan. Lapira dan rekan-rekannya mengirim mereka berbelanja komponen seperti akselerometer dan transduser.

“Ini adalah konverter analog-ke-digital yang berbeda yang kita butuhkan untuk mengeluarkan data itu,” katanya.

Sejak didirikan pada tahun 2013, Predictronics telah membantu lebih dari 70 pabrik dengan solusi AI, banyak di antaranya adalah perusahaan Fortune 500.

Predictronics bekerja dengan satu pelanggan, produsen semikonduktor, untuk membuat solusi prediktif metrologi virtual yang dapat mempelajari hubungan antara sensor dan variabel pengukuran.

Proyek ini menantang karena ratusan sinyal terukur yang dikeluarkan oleh peralatan semikonduktor.

Tetapi ada metode statistik terkenal untuk mempersempit jumlah kemungkinan, kata Siegel.

“Selain metode tersebut, selama beberapa tahun terakhir, komunitas pembelajaran mesin telah mengembangkan metode yang menggabungkan algoritma regresi klasifikasi yang memiliki bagian pemilihan variabel bawaan di dalamnya,” katanya. “Jadi itu menyempit ke 10 besar, atau 20 atau 30 variabel. Kemudian Anda bekerja dengan pelanggan atau menggunakan pengetahuan Anda sendiri untuk menentukan apa yang paling masuk akal untuk disertakan dalam perangkat lunak dan model analisis.”

Apakah Predictronics menerapkan pengetahuan yang diperoleh dari pengalaman sebelumnya dalam pendekatan berbasis template, yang membantu menekan biaya, atau solusi yang diformulasikan di satu bagian perusahaan yang kemudian dapat ditingkatkan skalanya sendiri, “menemukan solusi yang secara langsung menangani masalah paling kritis masalah tetapi juga cukup fleksibel untuk diterapkan pada masalah lain adalah kuncinya,” kata Brown.

AI uji tuntas

Pabrik yang mencari penyedia solusi AI seperti yang dilakukan Toyota untuk masalah udara bertekanannya harus melakukan uji tuntas untuk menemukan yang pas.

Ini membantu untuk mengetahui pertanyaan yang tepat untuk diajukan, kata para ahli di Predictronics:

Di mana layanan Anda pernah digunakan sebelumnya?

Apakah solusi Anda menunjukkan peningkatan yang jelas pada operasi bisnis dalam hal pengurangan waktu henti atau peningkatan kualitas?

Apakah solusi Anda telah digunakan di industri saya?

Apakah tim Anda memiliki pengetahuan domain industri?

Apakah solusi Anda berfungsi dengan peralatan lama?

Apakah solusi Anda berfungsi dengan berbagai sensor?

Apakah solusi Anda menggunakan pembelajaran mesin?

Berapa banyak data yang dibutuhkan untuk melatih model?

Apakah hanya perlu data dari mesin yang sehat atau data dari mesin yang rusak atau rusak juga untuk dipelajari?

Robot juga menginginkan AI

Meskipun peralatan mesin di toko berperforma lebih baik di bawah pengaruh AI, tidak ada alasan mengapa robot tidak dapat melakukan hal yang sama.

Fanuc America baru-baru ini menambahkan “AI Error Proofing” ke pengontrol robotnya dan fungsi penglihatan robot, iRVision, yang menggunakan pembelajaran mesin (ML) untuk inspeksi bagian.

Dengan kemampuan pemeriksaan kesalahan, operator menggunakan gambar untuk melatih ML guna memeriksa dua situasi yang berbeda—misalnya jika ada atau tidak ada mur yang dilas—dan menerima atau menolak bagian.

Karena iRVision dapat mendukung sebanyak 27 kamera, fungsi error-proofing dapat bekerja di banyak titik dalam proses manufaktur.

“Anda ingin mengidentifikasi penolakan atau kesalahan sebelum Anda terus menambahkan nilai ke bagian yang buruk,” kata Josh Person, staf insinyur di grup visi mesin Fanuc.

“Seringkali, Anda dapat melihat kesalahan pada satu tahap dan tahap berikutnya akan menutupinya,” tambahnya.

Selama penyiapan, operator dapat menampilkan beberapa contoh benda kerja dan mengklasifikasikannya ke dalam dua kategori—baik dan buruk. Jika contoh tidak termasuk dalam salah satu kelas, itu akan menampilkan "tidak ditentukan." Contoh yang belum ditentukan kemudian dapat ditambahkan untuk meningkatkan model yang dipelajari.