Một dự án nghiên cứu tại Đại học Công nghệ Luleå ở miền bắc Thụy Điển, hợp tác với SKF, đang mang sức mạnh của trí tuệ nhân tạo vào thế giới về độ tin cậy của máy móc.
Công nghệ giám sát tình trạng tiên tiến đã thay đổi cách các công ty công nghiệp quản lý và bảo trì tài sản của họ. Bằng cách phân tích các thông số máy móc như mức độ rung, biến động nhiệt độ và mức tiêu thụ điện năng, người vận hành có thể nhận được chỉ báo sớm về các vấn đề tiềm ẩn. Điều này giúp họ lập kế hoạch và thực hiện các biện pháp can thiệp bảo trì kịp thời để tối đa hóa thời gian hoạt động và duy trì sản xuất đúng tiến độ.
Tuy nhiên, việc tự động hóa giám sát tình trạng là rất khó khăn. Karl Löwenmark, một nghiên cứu sinh tiến sĩ tại Đại học Công nghệ Luleå cho biết: “Mối quan hệ giữa tín hiệu rung và một số lỗi ổ trục đã được nghiên cứu và hiểu rõ trong phòng thí nghiệm”. “Nhưng thực hiện tương tự trong môi trường sản xuất thì khó khăn hơn nhiều và đòi hỏi một kỹ sư ứng dụng có nhiều năm kinh nghiệm”.
Các nhà tài trợ công nghiệp của Löwenmark bao gồm một số người dùng công nghệ giám sát tình trạng khắt khe nhất thế giới. Ngoài SKF, còn có hai nhà máy giấy lớn, mỗi nhà máy vận hành những máy làm giấy khổng lồ được trang bị hàng nghìn cảm biến. Ông giải thích: “Những chiếc máy mà tôi làm việc có thể dài tới hàng chục mét”. “Một máy làm bột giấy và giấy bao gồm nhiều bộ phận quay khác nhau, có thể hoạt động trong điều kiện khắc nghiệt bao gồm độ ẩm và nhiệt độ cao. Do đó, một lượng thông tin đáng kể được ẩn trong các tín hiệu cảm biến.
Việc sử dụng AI trong việc tự động hóa giám sát tình trạng ổ trục có tiềm năng đáng kể,
Cees Taal , nhà nghiên cứu cao cấp, Nghiên cứu và Phát triển Công nghệ SKF
Löwenmark nói tiếp: “Việc chẩn đoán các vấn đề trong tín hiệu từ máy móc đòi hỏi rất nhiều kỹ năng và chuyên môn, nhưng khối lượng dữ liệu khổng lồ có thể rất lớn”. Trong trường hợp xấu nhất, điều này có nghĩa là các nhà phân tích phải dành nhiều giờ mỗi ngày để sàng lọc các cảnh báo sai và dữ liệu sai khác trước khi họ có thể bắt đầu xác định và chẩn đoán các vấn đề tiềm ẩn của máy móc.
Dự án Tiến sĩ của Löwenmark, bắt đầu vào năm 2020, nhằm mục đích khám phá cách các công nghệ AI mới nổi có thể giảm bớt gánh nặng cho các nhà phân tích chuyên gia này, giải phóng họ để dành nhiều thời gian hơn cho các hoạt động có giá trị gia tăng giúp các nhà máy giấy hoạt động đáng tin cậy hơn. Điều này sẽ loại bỏ rào cản chính đối với việc áp dụng rộng rãi hơn việc giám sát tình trạng, vì những người có kiến thức và kinh nghiệm để vận hành các hệ thống này thường rất thiếu.
“Việc sử dụng AI trong việc tự động hóa giám sát tình trạng ổ trục có tiềm năng đáng kể”, đồng tài trợ dự án Cees Taal, một nhà nghiên cứu cao cấp trong nhóm chẩn đoán và tiên lượng, SKF Research and Technology Development, Houten, Hà Lan, cho biết. “Tuy nhiên, việc áp dụng các khái niệm này trong lĩnh vực này không đơn giản như trong lĩnh vực thị giác và ngôn ngữ”.
“Dự án của tôi trùng với giai đoạn phát triển mạnh mẽ của công nghệ AI”, Löwenmark giải thích. “Khi tôi bắt đầu, các mô hình ngôn ngữ lớn như hệ thống GPT của OpenAI đang trong giai đoạn phát triển ban đầu và chưa được công khai như hiện nay. Phần lớn công việc của tôi là theo kịp tiến độ đã đạt được trong bốn năm qua, sau đó tìm cách chuyển tiến độ này sang các thách thức cụ thể của ngành”.
Từ hình ảnh đến tín hiệu
Phân loại hoặc phát hiện các đối tượng trong hình ảnh đã có bước tiến đáng kể trong thập kỷ qua. Tuy nhiên, việc áp dụng các phương pháp này vào dữ liệu giám sát tình trạng để chẩn đoán hoặc dự đoán lỗi ổ trục không phải là chuyện đơn giản. Thách thức đầu tiên là phải cho mô hình AI biết phải tìm kiếm điều gì. Löwenmark giải thích: “Các hệ thống này được đào tạo trên lượng dữ liệu khổng lồ”, “Các công ty AI xây dựng các tập dữ liệu đào tạo khổng lồ bằng cách sử dụng các ví dụ được dán nhãn và phân loại cẩn thận từ internet. Mặt khác, dữ liệu giám sát tình trạng rất phong phú nhưng khó sử dụng vì nó không có cấu trúc, không đồng nhất và quan trọng nhất là không được dán nhãn”.
Tuy nhiên, Löwenmark đã có một số nguồn lực. Trong nhiều năm, các chuyên gia giám sát tình trạng tại SKF và hai nhà máy giấy đã tích lũy được hàng trăm báo cáo ghi lại các lỗi máy, hành động khắc phục và dữ liệu được sử dụng để chẩn đoán chúng. Ông cho biết, kế hoạch là sử dụng các báo cáo này để đào tạo một mô hình AI đa năng để xử lý dữ liệu giám sát tình trạng.
Không dễ dàng. “Báo cáo giám sát tình trạng rất khác so với văn bản và hình ảnh thông thường được sử dụng để đào tạo các mô hình AI”, Löwenmark nói. “Dữ liệu có thể được trình bày theo nhiều cách khác nhau và ngôn ngữ mà các nhà phân tích sử dụng rất kỹ thuật và bao gồm thuật ngữ chuyên ngành và công ty hiếm khi được sử dụng ở nơi khác”.
Về phía “hình ảnh”, hệ thống được thiết kế để xử lý sự phức tạp của các tín hiệu giám sát tình trạng. “Nếu bạn huấn luyện AI để nhận dạng hình ảnh một con chó, thì điều đó thật dễ dàng vì bạn biết có một con chó trong hình ảnh huấn luyện”, ông nói. “Trong quá trình giám sát, các tín hiệu có thể là tạm thời và phát triển theo thời gian, vì vậy bạn cần xem xét dữ liệu lịch sử ngoài tín hiệu hiện tại và có thể xem xét các biểu diễn khác nhau của dữ liệu đó nữa”.
Hiểu ngôn ngữ kỹ thuật
Giải quyết những vấn đề này đòi hỏi sự khéo léo. Löwenmark đã sử dụng một loạt các kỹ thuật để chuyển đổi dữ liệu và báo cáo của các kỹ sư thành định dạng mà các hệ thống AI ngày nay có thể diễn giải. Ông đã đưa các giải thích về dữ liệu và định nghĩa của các thuật ngữ chính vào các lời nhắc được sử dụng để chạy mô hình AI và cung cấp cho hệ thống các liên kết đến các tài liệu giải thích.
Löwenmark đã sử dụng các yếu tố này để tinh chỉnh các mô hình AI “giám sát kép”. Loại hệ thống này được thiết kế để xử lý dữ liệu văn bản và hình ảnh đồng thời. Đây là công nghệ được sử dụng để tự động tạo mô tả về ảnh hoặc video clip hoặc để tạo hình ảnh tổng hợp từ lời nhắc do người dùng cung cấp.
Các mô hình mới nhanh chóng chứng minh khả năng xử lý các tác vụ giám sát tình trạng thực tế. Một thành công ban đầu đến khi Löwenmark cho thấy một mô hình AI có thể nhận dạng đáng tin cậy các tín hiệu do lỗi trong cảm biến hoặc cáp cảm biến tạo ra. Những sự kiện này tương đối phổ biến trong các cơ sở giám sát tình trạng lớn. Chúng dễ sửa nhưng việc tìm thấy chúng trong dữ liệu thường đòi hỏi phải mất nhiều thời gian để một nhà phân tích con người xem xét.
“Nếu AI có thể xác định những lỗi này, nhà phân tích chỉ cần xem xét và xác nhận chẩn đoán”, ông nói. “Đây sẽ là một cách tiết kiệm thời gian hữu ích”.
Trợ lý AI đang phát triển
AI cũng có thể giúp chẩn đoán các vấn đề phức tạp hơn. Các phiên bản mới hơn của hệ thống Löwenmark được thiết kế để giúp các nhà phân tích thực hiện công việc này nhanh hơn và chính xác hơn. Löwenmark cho biết: “Trong một ví dụ, một nhà phân tích có thể xem tín hiệu và bắt đầu nhập mô tả về vấn đề”. “Khi họ làm như vậy, hệ thống có thể tự động đưa ra các ví dụ về các sự kiện tương tự đã xảy ra trong quá khứ, cho thấy dữ liệu trông như thế nào và vấn đề là gì. Điều đó có thể giúp nhà phân tích tự chẩn đoán hoặc chỉ cho họ một đồng nghiệp có nhiều kinh nghiệm hơn trong việc chẩn đoán các vấn đề tương tự”.
Phiên bản tiếp theo của hệ thống, hiện đang trong quá trình phát triển, nhằm mục đích mở rộng mô hình AI thành trợ lý ảo tương tác cho các nhà phân tích giám sát tình trạng. Nó sẽ có giao diện “trò chuyện” có thể trả lời các truy vấn văn bản từ người dùng, đưa ra dữ liệu có liên quan, chạy các công cụ phân tích và đề xuất các bước tiếp theo cần thiết để chẩn đoán sự cố.
Điều này có nghĩa là việc giám sát tình trạng AI đã sẵn sàng cho thời điểm vàng không? Löwenmark lạc quan nhưng thận trọng. “Tôi cho rằng chúng tôi có một khuôn khổ mạnh mẽ, nhưng mỗi cài đặt giám sát tình trạng đều khác nhau, vì vậy người dùng sẽ cần đào tạo các mô hình bằng dữ liệu của riêng họ và tinh chỉnh chúng để phù hợp với chính sách và quy trình của họ. Các hệ thống AI có thể sử dụng học tăng cường, do đó mô hình dần cải thiện tính liên quan và độ chính xác của kết quả dựa trên phản hồi từ người dùng.”
SKF hiện đang nghiên cứu khả năng chuyển giao phương pháp của mình. Các cuộc thảo luận đang được tiến hành về một dự án mới để áp dụng phương pháp AI vào các ứng dụng khác.
Công trình của Karl Löwenmark được hỗ trợ bởi chương trình đổi mới chiến lược Công nghệ thông tin và tự động hóa công nghiệp (PiIA), một khoản đầu tư chung của Vinnova, Formas và Cơ quan năng lượng Thụy Điển. Ngoài Đại học công nghệ Luleå và SKF, dự án còn có sự tham gia của viện nghiên cứu RISE và các nhà máy giấy SCA Munksund và Smurfit Kappa Piteå.
 |
Ứng dụng SKF AuthenticateCó hai cách để kiểm tra tính xác thực bằng ứng dụng SKF Authenticate,
Tải xuống ứng dụng SKF Authenticate NGAY BÂY GIỜ trên App Store hoặc Google Play miễn phí bằng cách nhấp vào liên kết có liên quan hoặc quét mã dưới đây.
|