Page 56 - Inżynieria & Utrzymanie Ruchu - Styczeń / luty 2020

FABRYKA 4.0
cenci mogą wykorzystywać gromadzone dane, aby znacznie poprawić wydajność produkcji, jakość produktu i bezpieczeń- stwo pracowników. Machine learning można wykorzystać do tego, by zbliżyć się do podstawowego celu każdej firmy produkcyjnej – osiągnięcia jak najwyż- szej jakości przy jak najniższym koszcie. Machine learning pozwala na to dzięki temu, że zapewnia uzyskanie jak najwięk- szej ilości informacji o prowadzonym procesie produkcyjnym wraz z efektyw- nym jej przetworzeniem, a ostatecznie usprawnianie procesu na podstawie tych informacji.
Uczenie maszynowe – jak to działa
Wszyscy znamy 6 największych źródeł strat, z którymi borykają się firmy pro- dukcyjne, powiązanych ze wskaźnikiem OEE [3]: nieplanowane i planowane prze- stoje produkcyjne, redukcja dostępności
i krótkie przerwy w pracy między np. róż- nymi seriami, odrzuty produkcyjne i roz- ruchowe [1]. Aby podwyższać OEE i prze- ciwdziałać stratom, wdrażane są metody predykcyjnego utrzymania ruchu oparte na systemach SCADA, wykorzystujące zestawy reguł zaprojektowanych przez człowieka i niezmienianych w czasie dzia- łania procesu. Nawet wykorzystanie logiki rozmytej w towarzystwie licznych para- metrów powoduje jedynie niewielką ela- styczność w ramach ustalonych reguł. Nie zastępuje ostatecznie jednak ludzkiej ela- styczności, opartej na bieżącej obserwacji i wyciąganiu wniosków.
Uczenie maszynowe oferuje w tym zakresie zupełnie nową jakość. Algorytmy obliczeniowe oparte na machine learning są zasilane wszystkimi danymi z produk- cji: na temat otoczenia procesu, stanu maszyn, natężenia produkcji, wydaj- ności urządzeń, z czujników, sterowni- ków PLC, sieci, systemów SCADA i ukła- dów do tymczasowego zapisu danych.
Do tego dochodzi dostęp do historii pro- dukcji wraz z wszystkimi jej informa- cjami i danymi. Dodatkowo do algorytmu można wprowadzić informacje o działa- niu procesu, przepływie materiałów i pro- duktów, pożądanej efektywności i para- metrach jakościowych. Algorytm sam roz- poznaje występujące w danych anomalie
i korelacje, z punktu widzenia oczekiwa- nych parametrów wynikowych procesu.
Sam na bieżąco dostosowuje poszcze- gólne etapy procesu w taki sposób, by był on najbardziej efektywny. Jedyne, co jest konieczne, to dostęp do wszystkich informacji, jakie system może genero- wać i posiadać, oraz precyzyjne oczekiwa- nia co do wyników operacji. Na początku układ przechodzi tzw. trening na repre- zentacyjnej grupie danych, by móc sfor- mułować odpowiednie schematy algoryt- micznie. Następnie, już na docelowych danych, przeprowadza te procesy i dosto- sowuje sposób działania do bieżących warunków produkcyjnych [4].
Uczenie maszynowe może również zostać wykorzystane np. do przewidywa- nia spadków jakości, będących wynikiem różnych innych procesów pozostających w korelacji. Dzięki temu nie dochodzi do marnotrawstwa zasobów i dostępności maszyn na wytwarzanie wyrobów o zbyt niskiej jakości. System sugeruje również listę modyfikacji, które powinny zostać zrealizowane, by oczekiwane parame-
try jakości mogły być osiągnięte na odpo- wiednim poziomie.
Machine learning wraz ze swoimi dwoma podstawowymi akcjami – klasyfi- kacją i regresją – to także dobry materiał do wykorzystania w utrzymaniu ruchu do klasyfikacji zdarzeń. Układ sam klasyfi- kuje zdarzenia i parametry na te będące potencjalnym zagrożeniem i na te nieszko- dliwe, na podstawie danych historycz- nych i bieżących informacji z linii produk- cyjnej. Tak samo rzecz się ma z weryfika- cją jakości – można wykorzystać klasyfi- kację do weryfikacji, który wyrób, zgod- nie z danymi historycznymi, reprezen- tuje wystarczającą jakość, by mógł być zaakceptowany przez dział odbioru wyro- bów [4].
Regresji z kolei można użyć, gdy dane z czujników występują w określonym zakresie, np. waga, temperatura, wil- gotność, chropowatość itp. Regresję sto- suje się w produkcji np. do szacowania pozostałego czasu użytkowania danego zasobu, czyli do określania, ile cykli pracy maszyny mamy przed sobą do kolej-
nej usterki. Najczęściej stosowaną regre- sją jest tutaj regresja liniowa, relatyw-
nie szybka i łatwa do wdrożenia. Wyniki regresji liniowej są również stosunkowo łatwe w interpretacji. Przykładem mogą być systemy przewidujące temperaturę lub wilgotność, będące wartościami cią- głymi, łatwymi do wytrenowania [4].
Wyzwania
Kiedy jednak mówi się o uczeniu maszy- nowym w produkcji, nie należy się sku- piać wyłącznie na pozytywach aplika-
cji. Na samym początku powinno się zadać pytanie o dojrzałość tej technolo- gii i jej opłacalność w kontekście dyspo- nowania sprawdzonymi rozwiązaniami półautomatycznymi. Uczenie maszy- nowe, zgodnie z podstawowym założe- niem, służy rozwiązywaniu problemów
za pomocą komputera, bez konieczno-
ści projektowania algorytmu docelowego operacji. O tym, co konkretnie się wyda- rzy, decyduje maszyna, podczas gdy czło- wiek – jeśli tego chce – może jedynie zadeklarować oczekiwane efekty działa- nia układu [5]. Dojrzałość poszczególnych metod machine learningu – nadzorowane uczenie maszynowe, uczenie maszynowe bez nadzoru i nauka wzmacniająca – od wielu lat udowadnia branża IT [6]. Pro- dukcja czerpie obecnie z obszaru techno- logii informacyjnych pełnymi garściami, adaptując metody i działania na ogromną skalę. Zyskuje dzięki temu kontrolę nad danymi, których szeroki strumień każ- dego dnia zalewa produkcyjne serwery,
a także zdefiniowaną na nowo kontrolę nad procesem.
Wykorzystanie machine learningu bez nadzoru oznacza oddanie pełnej kon-
troli systemowi komputerowemu. Klu- czowe jest tutaj odpowiednie przygotowa- nie pliku treningowego, na podstawie któ- rego system wykształci wewnętrzne algo- rytmy postępowania. Źle przygotowany plik treningowy może oznaczać wyciągnię- cie przez system błędnych wniosków, co w konsekwencji, pozbawione nadzoru, może doprowadzić do problemów. Plik uczący powinien również zawierać cały przekrój istotnych danych, nie jedynie wyjątek wybranych parametrów. Nie da się ocenić sytuacji całościowo bez wglądu do wszystkich informacji. Uczenie nad- zorowane z kolei nadaje machine learnin- gowi kolejnego wymiaru. To dzięki niemu możliwe jest osiągnięcie najbardziej pre- cyzyjnych wyników, także przy pracy offline. To tutaj wyróżnia się klasyfika-
cję i regresję, podczas gdy uczenie niena- dzorowane skupia się głównie wokół kla- strowania i reguły asocjacji. Podejście bez nadzoru to rozwiązanie do stosowa- nia w sytuacjach, kiedy człowiek nie ma pomysłu na korelacje i tendencje, które
54
INŻYNIERIA & UTRZYMANIE RUCHU