Strojové učenie (ML)

Strojové učenie (ML) je oblasť umelej inteligencie (AI), ktorá sa zameriava na tvorbu systémov schopných učiť sa z dát a rozhodovať na ich základe bez toho, aby boli výslovne naprogramované pre každý scenár. V priemyselnej výrobe, logistike a prostrediach digitálnych dvojčiat algoritmy ML analyzujú rozsiahle prúdy historických dát a dát v reálnom čase zo senzorov, programovateľných logických automatov (PLC), systémov plánovania podnikových zdrojov (ERP) a systémov dispečerského riadenia a zberu dát (SCADA). Vďaka rozpoznávaniu zložitých nelineárnych vzorcov v dátach môžu systémy predpovedať poruchy zariadení, optimalizovať trasy v dodávateľskom reťazci, automatizovať kontroly kvality a dynamicky upravovať prevádzkové parametre.

V digitálnom dvojčati, ktoré virtuálne zobrazuje fyzické zariadenie, proces alebo systém, slúži strojové učenie ako analytický nástroj prepájajúci statické fyzikálne modely s dynamickým správaním v reálnom svete. Tradičné simulačné modely sa opierajú o deterministické rovnice založené na fyzikálnych zákonoch, ktorých výpočet môže byť náročný a aktualizácia v reálnom čase zložitá. ML ich dopĺňa o pravdepodobnostné poznatky vychádzajúce z dát. Digitálne dvojča sa tak môže priebežne učiť z prevádzkovej histórie fyzického zariadenia a prispôsobovať jeho virtuálny obraz opotrebovaniu, zmenám prostredia a prevádzkovým anomáliám.

Pri prechode priemyselných prevádzok na Priemysel 4.0 tvorí ML technologický základ autonómneho rozhodovania. Systémy využívajúce ML dokážu predpovedať výsledky a odporúčať alebo priamo vykonávať optimálne stratégie riadenia, takže sa prevádzka nemusí spoliehať iba na operátorov, ktorí vyhodnocujú alarmy a ručne upravujú nastavené hodnoty. Priemyselné prevádzky tak namiesto reakcie na vzniknuté udalosti prechádzajú na proaktívny a prediktívny prístup, čím maximalizujú dostupnosť zariadení, bezpečnosť a účinné využitie zdrojov.

Hlavné súčasti

Zber a predspracovanie dát: Z rôznych edge zariadení a podnikových systémov sa zbierajú vysokofrekvenčné časové rady, obrazové prenosy a transakčné záznamy. Dáta sa následne čistia, filtrujú a zosúlaďujú, aby sa odstránil šum a spracovali chýbajúce hodnoty.

Príprava príznakov: Výber, transformácia a kombinovanie premenných zo surových dát do samostatných prediktorov, ktoré modelu ML pomáhajú lepšie sa učiť. Príkladom je výpočet kĺzavých priemerov teploty alebo extrakcia frekvenčných príznakov zo senzorov vibrácií.

Trénovanie modelu a algoritmy: Historické súbory dát sa spracúvajú matematickými algoritmami, ako sú náhodné lesy, stroje s podpornými vektormi alebo neurónové siete, aby sa určili štatistické vzťahy a minimalizovali chyby predikcie.

Inferenčný nástroj: Nasadené výpočtové prostredie v cloude alebo na edge gateway používa natrénovaný model ML na prichádzajúce dátové toky v reálnom čase a okamžite vytvára predikcie, klasifikácie alebo odporúčania pre riadenie.

Sledovanie a opätovné trénovanie modelu: Priebežný proces správy sleduje výkonnosť nasadených modelov v čase, odhaľuje pokles presnosti spôsobený fyzickými zmenami strojov, takzvaný drift modelu, a spúšťa automatické alebo manuálne opätovné trénovanie na nových dátach.

Využitie vo výrobe a logistike

Vo výrobe patrí medzi najvýznamnejšie využitia strojového učenia prediktívna údržba (PdM). Modely ML analyzujú dáta z viacerých senzorov, napríklad vibrácie, teplotu, akustické emisie a elektrický prúd, a dokážu odhaliť nenápadné anomálie predchádzajúce mechanickým poruchám dôležitých zariadení, ako sú CNC vretená, čerpadlá a turbíny. Tímy údržby tak môžu naplánovať opravy počas plánovaných odstávok, predchádzať katastrofickým poruchám a znižovať náklady na zásoby náhradných dielov. Na montážnych linkách sa na automatickú kontrolu kvality široko používajú aj systémy počítačového videnia využívajúce ML. Výrobky kontrolujú vysokou rýchlosťou v reálnom čase a povrchové chyby, rozmerové odchýlky či chyby montáže odhaľujú oveľa konzistentnejšie než ľudskí kontrolóri.

V logistike a riadení dodávateľského reťazca ML optimalizuje zložité plánovanie trás, riadenie zásob a predpovedanie dopytu. Na základe historických údajov o predaji, sezónnych trendov, vývoja počasia a makroekonomických ukazovateľov modely ML vytvárajú veľmi presné prognózy dopytu. Výrobcovia tak môžu prispôsobiť výrobné plány potrebám trhu a minimalizovať náklady na skladovanie zásob. V sklade algoritmy ML riadia automaticky riadené vozidlá (AGV) a mobilné roboty, optimalizujú trasy vychystávania a dynamicky upravujú stratégie optimalizácie slottingu podľa aktuálneho tempa objednávok. Po začlenení do digitálneho dvojčaťa logistickej siete ML simuluje rôzne scenáre narušenia, napríklad preťaženie prístavov alebo meškanie dodávateľov, a automaticky počíta alternatívne trasy a stratégie obstarávania na zachovanie odolnosti dodávateľského reťazca.

Prínosy a úskalia

Hlavným prínosom začlenenia strojového učenia do priemyselnej prevádzky je prechod od reaktívneho k prediktívnemu rozhodovaniu, ktorý výrazne znižuje neplánované prestoje a optimalizuje využitie zariadení. Modely ML dokážu vo viacrozmerných súboroch dát odhaliť skryté korelácie, ktoré ľudskí operátori nedokážu rozpoznať. Pomáhajú tak zlepšiť energetickú účinnosť, výťažnosť surovín a celkovú efektívnosť zariadení (OEE). V spojení s digitálnymi dvojčatami ML umožňuje aj virtuálne uvedenie do prevádzky a testovanie scenárov bez rizika, takže operátori môžu simulovať dopad zmien procesu pred ich zavedením vo výrobnej hale.

Zavedenie ML v priemyselnom prostredí však prináša aj osobitné úskalia. Hlavnou prekážkou je kvalita dát a ich dostupnosť. Priemyselné dáta sú často izolované v starších systémoch, nesprávne označené alebo skreslené driftom senzorov, čo vedie k problému „nekvalitné dáta na vstupe, nekvalitné výsledky na výstupe“. Priemyselné procesy sú navyše veľmi dynamické a pri mechanickom opotrebovaní strojov či zmene podmienok prostredia môže nastať drift modelu ML, ktorý vyžaduje priebežné sledovanie a opätovné trénovanie. Napokon povaha zložitých modelov ML, ako sú hlboké neurónové siete, pripomína „čiernu skrinku“. To predstavuje problém v prostrediach s vysokými nárokmi na bezpečnosť, kde operátori potrebujú pochopiť logiku automatických odporúčaní zasahujúcich do fyzickej prevádzky, skôr než im začnú dôverovať.

Súvisiace pojmy

Strojové učenie úzko súvisí s umelou inteligenciou (AI), širším pojmom pre napodobňovanie kognitívnych funkcií strojmi, a s hlbokým učením, špecializovanou oblasťou ML, ktorá využíva viacvrstvové umelé neurónové siete. Základné prepojenie má aj s priemyselným internetom vecí (IIoT), ktorý poskytuje sieť senzorov a prenos dát potrebný pre modely ML, a s prediktívnou údržbou, jednou z najčastejších prevádzkových stratégií využívajúcich analytiku ML.

Časté otázky

Aký je rozdiel medzi strojovým učením a fyzikálnou simuláciou v digitálnych dvojčatách? Fyzikálne simulácie využívajú známe matematické rovnice termodynamiky, dynamiky tekutín a mechaniky konštrukcií na predpovedanie správania zariadenia za určitých podmienok. Strojové učenie naopak nepotrebuje výslovnú znalosť fyzikálnych zákonov. Vzorce správania sa učí priamo z historických prevádzkových dát a dát v reálnom čase. Moderné digitálne dvojčatá často kombinujú oba prístupy v hybridnom modeli, kde fyzikálne simulácie určujú základné obmedzenia a ML zohľadňuje skutočné opotrebovanie a anomálie prostredia.

Ako strojové učenie rieši „drift modelu“ v priemyselnom prostredí? Drift modelu nastáva, keď sa fyzické vlastnosti zariadenia časom menia, napríklad opotrebovaním ložiska, alebo keď sa zmenia prevádzkové parametre. Pôvodný model ML je potom menej presný. Na zmiernenie problému sa do priemyselných procesov ML začleňujú systémy, ktoré priebežne porovnávajú presnosť modelu so skutočnými výsledkami. Keď výkonnosť klesne pod vopred stanovenú hranicu, systém automaticky odošle upozornenie alebo spustí opätovné trénovanie, pri ktorom sa model aktualizuje podľa najnovších prevádzkových dát.

Môže strojové učenie bežať priamo na edge zariadeniach vo výrobnej hale? Áno, môže. Tento postup sa nazýva edge AI alebo edge ML. Nasadením optimalizovaných, nenáročných modelov ML priamo na edge gateway, programovateľné logické automaty (PLC) alebo inteligentné senzory môžu výrobcovia vykonávať inferenciu v reálnom čase s mimoriadne nízkou latenciou. To je nevyhnutné pri časovo citlivých úlohách, ako je núdzové zastavenie stroja alebo rýchla vizuálna kontrola kvality, pri ktorých by cesta dát do cloudu a späť spôsobila neprijateľné oneskorenie.

Akú úlohu majú syntetické dáta pri trénovaní priemyselných modelov ML? Závažné poruchy sú v priemysle pomerne zriedkavé, takže historické súbory dát často neobsahujú dosť príkladov porúch strojov na účinné trénovanie modelov ML s učiteľom. Syntetické dáta vytvorené fyzikálnymi digitálnymi dvojčatami alebo generatívnymi algoritmami simulujú tieto zriedkavé typy porúch a neobvyklé prevádzkové podmienky. Používajú sa potom na trénovanie modelov ML, aby dokázali presne rozpoznať a predpovedať poruchy, keď nastanú vo fyzickom svete.