سود:
- امکان پاکسازی داده های حسگر با هوش مصنوعی و علامت گذاری ناهنجاری ها و روندها با قوانین SPC
- امکان تمایز بین همبستگی و علیت با استفاده از فیلتر قابلیت اطمینان برای تشخیص اینکه آیا انحراف یک رویداد فرآیند واقعی است یا یک مشکل حسگر/اندازه گیری
- درک اینکه هوش مصنوعی یک لایه پشتیبان تصمیم است و ایمنی زندگی و تاسیسات متعلق به سیستم های امنیتی مستقل (SIS) است.
همانطور که یک کارخانه کار می کند، بی سر و صدا سیل داده تولید می کند: دما، فشار، جریان، سطح، pH و نتایج تجزیه و تحلیل محصول از ده ها حسگر در هر ثانیه جریان می یابد. این داده ها "نبض" فرآیند هستند. این شامل شواهدی از سلامت فرآیند و نشانه های اولیه شکست قریب الوقوع یا انحراف کیفیت است. در این بخش، یاد خواهید گرفت که چگونه از هوش مصنوعی به عنوان کمکی در نظارت بر این داده ها، پرچم گذاری ناهنجاری ها و تفسیر روندهای کیفیت استفاده کنید. اما ما یاد خواهیم گرفت که چرا هنوز به عهده مهندس است که تصمیم بگیرد کدام انحراف واقعی است و چه اقدامی باید انجام دهد.
بیایید با دو مفهوم اساسی شروع کنیم. SPC (کنترل فرآیند آماری؛ روشی که بر تغییرپذیری یک فرآیند با محدودیتهای آماری نظارت میکند و نوسانات عادی را از انحراف واقعی متمایز میکند) و نمودار کنترل (نمودار کنترل - نموداری که یک متغیر را در برابر زمان، با محدودیتهای کنترلی بالا/پایین نشان میدهد). ماهیت SPC تمایز بین تنوع طبیعی (علت مشترک - نوسان طبیعی و اجتناب ناپذیر فرآیند) و علت خاص - یک انحراف واقعی از خارج است که باید بررسی شود. هوش مصنوعی در ایجاد این تمایز و یافتن الگوها در کلان داده قدرتمند است. اما علت اصلی انحراف و تصمیم به مداخله متعلق به مهندس است.
پشتیبانی گام به گام هوش مصنوعی در داده های کیفیت و کنترل
1. داده ها را آماده و پاک کنید. مقادیر از دست رفته، جهش های ناشی از خرابی سنسور، ناهماهنگی واحد. هوش مصنوعی طرح کلی و چک لیست کد پایتون را برای پاکسازی تولید می کند. اما شما با دانش فرآیند تصمیم می گیرید که چه چیزی به عنوان "داده های نامعتبر" به حساب می آید.
2. نشانه گذاری روند و ناهنجاری. هوش مصنوعی الگوهایی مانند دریفت آهسته، پرش های ناگهانی یا افزایش نوسانات را در حسگر مشخص می کند. اینها نامزدهایی هستند که باید مورد بررسی قرار گیرند، نه نتایج.
3. نظر SPC. هوش مصنوعی میتواند قوانین نمودار کنترل را به خاطر بیاورد (به عنوان مثال، وقتی یک نقطه از محدوده خارج میشود، نقاط متوالی در یک جهت میروند) و آنها را روی دادهها اعمال میکند. باز هم، قضاوت مهندسی تصمیم می گیرد.
4. کشف همبستگی. هوش مصنوعی روابطی مانند "به نظر می رسد خلوص با افزایش دما کاهش می یابد." همبستگی علیت نیست (همبستگی ≠ علیت - این واقعیت که دو کمیت با هم متفاوت هستند ثابت نمی کند که یکی باعث دیگری می شود). شما این رابطه را با دانش فرآیند آزمایش می کنید.
5. فرضیه های علت ریشه ای. هوش مصنوعی دلایل احتمالی انحراف (تغییر تغذیه، پیری کاتالیزور، خرابی سنسور) را فهرست می کند. اینها موضوعات تحقیقاتی هستند نه تشخیص.
6. تصمیم اقدام. برای جدی گرفتن زنگ هشدار، متوقف کردن فرآیند یا انجام تنظیمات - این تصمیم ایمنی و کیفیت بر عهده مهندس است.
نکته: وقتی هوش مصنوعی یک ناهنجاری در دادههای حسگر را علامتگذاری میکند، اولین سوال این است که "آیا این یک رویداد واقعی فرآیند است یا شکست حسگر/اندازهگیری؟" باید باشد. اکثر "ناهنجاری ها" یک حسگر شکسته یا رانش کالیبراسیون هستند. قبل از مداخله، اندازه گیری را بررسی کنید.
داده های حسگر: هر انحرافی واقعی نیست
حسگرها می توانند دروغ بگویند: یک کالیبراسیون می لغزد، یک ترموکوپل شل می شود، یک خط انتقال صدا را دریافت می کند. هوش مصنوعی ممکن است جهشی در داده ها ببیند و بگوید "فرآیند تغییر کرده است". با این حال، این فرآیند نیست که تغییر می کند، بلکه سنسور است. بنابراین، یک سیگنال ناهنجاری ابتدا برای قابلیت اطمینان داده ها فیلتر می شود: آیا با سنسور دیگری سازگار است، آیا از نظر فیزیکی امکان پذیر است، آیا با سابقه نگهداری مطابقت دارد؟ تنها پس از تصویب این موارد، به عنوان یک رویداد فرآیند واقعی بررسی می شود.
احتیاط: یک سیستم ناهنجاری/هشدار اولیه مبتنی بر هوش مصنوعی جایگزینی برای یک سیستم ابزار ایمنی (SIS - یک لایه حفاظت ایمنی مستقل و تایید شده) نیست. مدل AI یک لایه نظارت و پشتیبانی تصمیم است. آنها سیستم های امنیتی حفاظتی، مستقل و تایید شده ای هستند که ایمنی زندگی و تاسیسات را تضمین می کنند.
سه کیف کوچک
مورد 1 - گرفتن دریفت اولیه. در یک راکتور، هوش مصنوعی یک حرکت آهسته را در حسگر دما نشان داد که به طور متوسط 0.3 درجه سانتیگراد در روز در طی 10 روز افزایش یافت. تیم بررسی کرد؛ رسوب در یک مبدل حرارتی شروع شده بود. مداخله اولیه از توقف برنامه ریزی نشده جلوگیری کرد. سیگنال از هوش مصنوعی، تشخیص و تصمیم از تیم گرفته شد.
مورد 2 - هشدار کاذب حذف شد. هوش مصنوعی یک جهش ناگهانی در حسگر فشار دید و آن را به عنوان "نشت احتمالی" علامت گذاری کرد. مهندس مشاهده کرد که دو سنسور همسایه تغییر نکردند و در آن لحظه یک فرآیند کالیبراسیون انجام شد. سیگنال از سنسور بود. فیلتر قابلیت اطمینان داده ها از خرابی غیر ضروری جلوگیری می کند.
مورد 3 - تله همبستگی. YZ همبستگی را مشخص کرد: "خلوص محصول با افزایش نرخ جریان خوراک کاهش می یابد". مهندس دریافت که علت واقعی نرخ جریان نیست، بلکه دمای عرضه است که در همان جابجایی تغییر میکند. سرعت جریان و خلوص فقط با هم بودند. اشتباه گرفتن همبستگی برای علیت منجر به یک تنظیم اشتباه می شود.
چهار قالب قابل کپی
1) پیش نویس کد پاکسازی داده:
برای من یک اسکریپت پاکسازی پایتون برای مجموعه داده حسگر فرآیند بنویسید. ورودی: CSV مهر زمانی، ستونها [فهرست]. (1) پرچمگذاری مقادیر گمشده (حذف، گزینههای پر کردن)، (2) پرچمگذاری مقادیر غیرممکن فیزیکی (میزان جریان منفی، دمای خارج از محدوده)، (3) سازگاری واحد را بررسی کنید، (4) تصمیمهای تمیز کردن را گزارش کنید، اما به طور خودکار حذف نکنید. تایید میکنم مفروضات دولتی
2) تفسیر نمودار SPC / کنترل:
نقش شما: مهندس کیفیت من سری زمانی و محدودیت های کنترل (UCL/LCL) یک متغیر را به شما می دهم. قوانین استاندارد SPC (خارج از محدوده، روند متوالی، خوشه در یک طرف) را اعمال کنید و مشخص کنید که کدام نقاط کاندیدای "علت خاص" هستند. برای هر علامت، همچنین نشان دهید که آیا این یک رویداد واقعی فرآیند است یا یک مشکل احتمالی اندازه گیری. تصمیم با من است؛ شما نامزد و توجیه را ارائه می دهید. داده ها: [چسباندن]
3) فیلتر قابلیت اطمینان ناهنجاری:
شما ناهنجاری زیر را علامت گذاری کرده اید: [توضیح]. قبل از تصمیمگیری، یک چک لیست قابلیت اطمینان را اعمال کنید: (1) آیا با حسگرهای مجاور/مرتبط سازگار است، (2) آیا از نظر فیزیکی امکانپذیر است، (3) آیا با سابقه نگهداری و کالیبراسیون مطابقت دارد، (4) آیا این یک نقطه یا تداوم است؟ ارزیابی کنید که آیا این یک "رویداد واقعی فرآیند" است یا یک "مشکل احتمالی حسگر". تشخیص قطعی؛ عنوان تحقیق را بدهید
4) فرضیه علت ریشه (نه تشخیص):
انحراف کیفیت/فرآیند زیر مشاهده شد: [شرح، اعداد]. علل اصلی احتمالی را به ترتیب احتمال (تغذیه، کاتالیزور، حسگر، شرایط عملیاتی، نگهداری) فهرست کنید. برای هر فرضیه، بنویسید که چه دادهها یا آزمونهایی را برای تأیید/رد کردن آن باید بررسی کنم. این یک تشخیص نیست، یک طرح تحقیق است. دلیل قطعی اعلام نکنید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا داده های این سنسور مشکلی دارد؟
"مشکل" تعریف نشده است، هیچ زمینه ای وجود ندارد. هوش مصنوعی ممکن است پرش های تصادفی را اغراق کند یا دریفت واقعی را از دست بدهد.
اعلان قدرتمند:
نقش شما: مهندس کنترل فرآیند. من 14 روز و 1 دقیقه اطلاعات دمای راکتور را به شما می دهم. محدوده طبیعی 78-82 درجه سانتیگراد، UCL 84، LCL 76. وظیفه: (1) الگوهای رانش آهسته، پرش ناگهانی، افزایش نوسان را علامت گذاری کنید، (2) برای هر علامت نشان دهید که آیا می تواند یک رویداد واقعی باشد یا یک حسگر، (3) لیستی که باید ابتدا بررسی شود. تشخیص قطعی؛ فقط بر اساس داده های واقعی، ساخته نشده است. داده ها: [چسباندن]
تفاوت واضح است: متغیر، محدوده نرمال، محدودیتها و چارچوب «نامزد، نه تشخیص» خروجی را قابل استفاده میکند.
توزیع نقش در داده های کیفیت/کنترل
کسب و کار
نقش هوش مصنوعی
تصمیم مرد
پاکسازی داده ها
کد، پرچم
تصمیم داده نامعتبر است
ناهنجاری
علامت گذاری
تمایز واقعی/حسگر
SPC
اجرای قوانین
تصمیم مداخله
همبستگی
علامت گذاری رابطه
تست علیت
علت اصلی
فهرست فرضیه ها
تشخیص، اقدام
حفاظت امنیتی
- (خارج از محدوده)
SIS مستقل
اشتباهات رایج
- اشتباه گرفتن هر ناهنجاری با یک رویداد فرآیند واقعی. بیشتر آن یک مسئله سنسور/کالیبراسیون است. ابتدا قابلیت اطمینان داده ها فیلتر می شود.
- در نظر گرفتن همبستگی به عنوان علیت. متغیرهایی که با هم عمل می کنند ممکن است باعث یکدیگر نشوند.
- استفاده از هوش مصنوعی به عنوان یک سیستم امنیتی امنیت جانی/محلی بر عهده یک SIS مستقل و دارای گواهی است.
- اجازه حذف خودکار داده ها. مهندس با دانش فرآیندی خود تصمیم می گیرد که چه چیزی نامعتبر است.
- اشتباه گرفتن ریشه هوش مصنوعی باعث ایجاد فرضیه برای تشخیص می شود. فرضیه ها تا زمانی که تایید نشوند، موضوعات تحقیقاتی هستند، نه نتیجه گیری.
به طور خلاصه
هوش مصنوعی در داده های کنترل کیفیت و فرآیند؛ این یک دستیار قدرتمند است که داده ها را پاک می کند، ناهنجاری ها و روندها را علامت گذاری می کند، قوانین SPC را اعمال می کند، و همبستگی ها و فرضیه های علت اصلی را ایجاد می کند. اما این به مهندس بستگی دارد که تصمیم بگیرد که آیا انحراف واقعی است یا حسگر، آیا همبستگی علیت است، علت اصلی و مداخله. هوش مصنوعی یک لایه نظارت و پشتیبانی تصمیم است. آنها سیستم های امنیتی حفاظتی، مستقل و تایید شده ای هستند که ایمنی زندگی و تاسیسات را تضمین می کنند.
وظیفه کاربردی
یک مجموعه داده حسگر (یا نمونه سری زمانی) را در نظر بگیرید. با الگوی «تفسیر نمودار SPC/کنترل»، نامزدهای علت خاص هوش مصنوعی را داشته باشید. برای هر علامت، الگوی "فیلتر قابلیت اطمینان ناهنجاری" را اعمال کنید تا ارزیابی کنید که آیا یک رویداد واقعی است یا یک مشکل حسگر. حداقل یک همبستگی را برای علیت با دانش فرآیندی خود امتحان کنید.
چک لیست
- [ ] من ابتدا سیگنال های ناهنجاری را برای قابلیت اطمینان داده ها (حسگر/کالیبراسیون) فیلتر کردم.
- [ ] من همبستگی را برای علیت با اطلاعات فرآیند آزمایش کردم.
- [ ] من سیگنال های SPC را به یک تصمیم مداخله تبدیل کردم، آن را به هوش مصنوعی سپردم.
- [ ] در پاکسازی داده ها، من تصمیم تایید شده را اعمال کردم، نه حذف خودکار.
- [ ] من حفاظت امنیتی را به سیستم مستقل واگذار کردم، نه هوش مصنوعی.