سود:
- توانایی درک رویکردهای تعمیر و نگهداری و شاخص های نظارت بر وضعیت (ارتعاش، دما، فشار، تجزیه و تحلیل روغن) و علامت گذاری ناهنجاری ها از ابتدا با هوش مصنوعی
- توانایی ارزیابی سیگنال ناهنجاری در زمینه (بار، هوا، سیکل)، بررسی فیزیکی آن و واگذاری تصمیم گیری در مورد تعمیر و نگهداری به مهندس ارشد.
- توانایی درک این موضوع که هوش مصنوعی میگوید «عیب وجود دارد» یک فرضیه است، در حالی که سکوت آن تضمینی برای «بدون مشکل» نیست و کنترل معمول انسان ضروری است.
موتورخانه قلب یک کشتی است. موتور اصلی (موتور اصلی که کشتی را به حرکت در می آورد)، ژنراتورها، دیگ های بخار، پمپ ها، جداکننده ها، سیستم های خنک کننده و سوخت 24 ساعته کار می کنند. یک گسل در وسط دریا بسیار خطرناک تر از یک گسل در خشکی است: نزدیکترین سرویس ممکن است چند روز دیگر باشد. تعمیر و نگهداری پیش بینی - برنامه ریزی تعمیر و نگهداری با نظارت بر وضعیت تجهیزات و پیش بینی خرابی قبل از وقوع - این خطر را به حداقل می رساند. هوش مصنوعی در استخراج الگوها و ناهنجاری ها از داده های حسگر قدرتمند است. اما تصمیمات تشخیص و نگهداری بر عهده مهندس ارشد است.
در این واحد، نحوه استفاده ایمن از هوش مصنوعی در نظارت بر ماشین (مانیتورینگ وضعیت)، تشخیص ناهنجاری و تعمیر و نگهداری پیش بینی را خواهید آموخت.
رویکردهای تعمیر و نگهداری و جایگاه هوش مصنوعی
سه روش اصلی نگهداری وجود دارد:
- تعمیر و نگهداری پس از خرابی: گران ترین و پرخطرترین. در صورت خرابی دستگاه تعمیر کنید.
- نگهداری برنامه ریزی شده (PMS - Planned Maintenance System، تعمیر و نگهداری بر اساس دوره های ثابت/ساعت کاری): در کشتی ها استاندارد است، اما گاهی زود (غیر ضروری) و گاهی دیر می شود.
- تعمیر و نگهداری پیش بینی شده (مبتنی بر شرایط): بر اساس وضعیت واقعی تجهیزات؛ مانند "لرزش و دما افزایش یافته است، بلبرینگ در عرض 200 ساعت به تعمیر و نگهداری نیاز دارد".
هوش مصنوعی به طور خاص تعمیر و نگهداری پیش بینی را تقویت می کند. نظارت بر وضعیت، اندازه گیری مداوم سلامت تجهیزات است. شاخص های اصلی:
- لرزش: نشانگر اولیه خرابی بلبرینگ، دنده و عدم تعادل.
- دما: یاتاقان، اگزوز، دمای مایع خنک کننده.
- فشار: روغن، سوخت، هوا، فشار خنک کننده.
- تجزیه و تحلیل روغن روغن: ذرات فلز در روغن نشان دهنده سایش است.
- عملکرد: قدرت، دور در دقیقه، مصرف سوخت، توزیع دمای اگزوز.
هوش مصنوعی تاریخچه این داده ها را می آموزد و انحرافات را از خط پایه - رفتار عادی سالم تجهیزات - نشان می دهد. اما انحراف به چه معناست (کدام نقص، چقدر فوری) تعبیر یک مهندس است.
نکته: هنگام داشتن پرچم ناهنجاری هوش مصنوعی، مطمئن شوید که پایه سالم و شرایط عملکرد عادی تجهیزات را ارائه دهید. مقادیر سنسور معمولاً با تغییر بار، آب و هوا و سرعت تغییر می کند. هوش مصنوعی که این را نمی داند آلارم های کاذب تولید می کند.
از علامت گذاری ناهنجاری تا تشخیص
هنگامی که هوش مصنوعی یک ناهنجاری را نشان می دهد، روند به این صورت پیش می رود:
- علامت: "دمای اگزوز سیلندر 4 25 درجه سانتیگراد بالاتر از سایرین است و در 12 ساعت گذشته افزایش یافته است."
- بررسی زمینه: آیا این افزایش به دلیل تغییر بار/دور در دقیقه است یا یک انحراف واقعی؟ با شاخص های دیگر به صورت متقاطع نگاه می شود.
- تأیید فیزیکی: مهندس صفحه ابزار را به صورت دستی می خواند، تجهیزات مربوطه (انژکتور، سوپاپ اگزوز) را بررسی می کند.
- تشخیص و تصمیم: علت پیدا می شود. تعمیر و نگهداری برنامه ریزی شده است، به تعویق افتاده یا مداخله فوری انجام می شود.
هوش مصنوعی در مرحله 1 قوی است. مراحل 3 و 4 متعلق به مهندس است. هوش مصنوعی که میگوید «عیب وجود دارد» یک تشخیص نیست، یک فرضیه است.
احتیاط: اگر مدل پیشبینیکننده با وضعیتی متفاوت از دادههایی که در آن آموزش داده شده مواجه شود (نوع سوخت جدید، مشخصات بار متفاوت) ممکن است اشتباه باشد. ممکن است خطای واقعی را از دست بدهد (منفی کاذب) یا تجهیزات سالم را معیوب نشان دهد (مثبت کاذب). بنابراین، در تجهیزات حیاتی، سیگنال هوش مصنوعی بدون کنترل فیزیکی و تفسیر مهندس به تصمیم تعمیر و توقف تبدیل نمی شود.
سه کیف کوچک
مورد 1 - تشخیص زودهنگام خرابی بلبرینگ. در یک ژنراتور، YZ افزایش یک فرکانس خاص (فرکانس خطای بلبرینگ) را در طیف ارتعاش نشان میدهد. مهندس دوم به صورت دستی اندازه گیری ارتعاش را تأیید می کند، افزایش فلز را در آنالیز روغن مشاهده می کند و یاتاقان را در اولین درگاه جایگزین می کند. هیچ نقصی در هنگام ناوبری وجود نخواهد داشت. هوش مصنوعی زودهنگام هشدار داد؛ مهندس تایید و برنامه ریزی شده است.
مورد 2 - هشدار نادرست. هوش مصنوعی یک "ناهنجاری" ناگهانی در دستگاه سر ایجاد می کند. وقتی مهندس ارشد بررسی می کند، می بیند که انحراف ناشی از تغییر بار برنامه ریزی شده در آن زمان بوده است. تجهیزات سالم هستند. مدل این مانور را "به طور معمول" یاد نگرفته بود. هیچ مداخله غیر ضروری انجام نمی شود. درس: ناهنجاری بدون زمینه، آلارم های کاذب تولید می کند. هر سیگنال تایید می شود.
مورد 3 - بدتر شدن آهسته از دست رفته. یک تیم متوجه نمی شود که یک پمپ خنک کننده به آرامی کارایی خود را از دست می دهد زیرا هوش مصنوعی هرگز زنگ خطر را به صدا در نمی آورد. مدل این رانش آهسته را "عادی" در نظر گرفت. نرخ جریان سقوط در کنترل عملکرد معمول (چشم انسان) ثبت می شود. درس: سکوت هوش مصنوعی به معنای "همه چیز خوب است" نیست. بازرسی منظم انسانی ضروری است.
چهار قالب قابل کپی
1) اولویت بندی ناهنجاری:
نقش شما: مشاور نظارت بر وضعیت ماشین. دادههای لرزش/دما/فشار و یک خط پایه سالم برای [تجهیزات] در [دوره] گذشته به شما ارائه میدهم. من همچنین تغییرات بار / چرخه را در آن دوره یادداشت خواهم کرد. وظیفه: علامت گذاری انحرافات قابل توجه از خط پایه. هر یک را به عنوان "آیا ممکن است به دلیل بار / چرخه" ارزیابی کنید؟ تشخیص و تصمیم با من است. شما فقط آن را علامت بزنید.
2) خلاصه روند:
من 30 روز از داده های عملکرد [تجهیزات] را به شما می دهم. روندهای آهسته (افزایش تدریجی دما، کاهش بازده، افزایش مصرف) را خلاصه کرده و در جدولی مانند نمودار قرار دهید. پرش های ناگهانی و سر خوردن های آهسته را متمایز کنید. هر کدام نامشخص است را علامت بزنید.
3) پیش نویس نظر تجزیه و تحلیل روغن:
من مقادیر (ذره فلز، ویسکوزیته، آب، TBN) و محدوده نرمال یک گزارش تجزیه و تحلیل روغن را به شما می دهم. وظیفه: مقادیر DRAFT که از حالت عادی و معانی احتمالی آنها منحرف می شوند. من تشخیص نهایی را انجام خواهم داد. هر نظر را به عنوان "باید تایید شود" علامت بزنید و از ادعای بیش از حد خودداری کنید.
4) اولویت بندی تعمیر و نگهداری (با PMS):
من لیست نگهداری PMS و هشدارهای نظارت بر وضعیت فعلی را برای 30 روز آینده به شما می دهم. وظیفه: پیش نویس یک پیشنهاد اولویت بر اساس داده های وضعیت. کدام یک را باید در اولویت قرار داد و کدام را می توان با خیال راحت برنامه ریزی کرد؟ محدودیت: توصیه به تعویق انداختن تجهیزات حیاتی ایمنی. تصمیم نهایی با مهندس ارشد است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا دستگاه مشکلی دارد؟
بدون داده، بدون پایه، بدون زمینه. هوش مصنوعی یا حرف های بیهوده می زند یا چیزهایی درست می کند.
اعلان قدرتمند:
نقش شما: مشاور نظارت بر وضعیت ماشین. تجهیزات: ژنراتور شماره 2. 14 روز آخر ارتعاش/دما/فشار روغن و خط پایه سالم پیوست شده است. توجه: آزمایش بار برنامه ریزی شده در روز 6 انجام شد. وظیفه: انحرافات قابل توجه از خط پایه را علامت گذاری کنید، هر کدام را با اثر بار/آزمایش مقایسه کنید، اهمیت احتمالی DRAFT را بنویسید و "تأیید فیزیکی لازم است" را علامت بزنید. تشخیص و تصمیم با من است.
خط مبنا، زمینه، و درخواست تأیید، سیگنال ناهنجاری را ایمن می کند.
نظارت و نگهداری: توزیع نقش ها
تلاش
سهم هوش مصنوعی
شغل مهندس
تشخیص ناهنجاری
علامت گذاری انحراف
تایید فیزیکی
تحلیل روند
نمایش پیمایش آهسته
نظر، دلیل
نظر روغن/ارتعاش
پیش نویس
تشخیص قطعی
اولویت تعمیر و نگهداری
پیشنهاد
تصمیم، برنامه ریزی
توقف / مداخله
(خارج از تصمیم)
تصمیم مهندس ارشد
تخریب آهسته
ممکن است از دست بدهد
کنترل معمول انسان
اشتباهات رایج
- درخواست برای ناهنجاری ها بدون ارائه خط پایه. مدل بدون زمینه، تغییر بار/هوا را به عنوان یک "عیب" اشتباه می گیرد.
- اشتباه گرفتن سیگنال هوش مصنوعی برای تشخیص سیگنال فرضیه است. بازرسی فیزیکی و تفسیر مهندس ضروری است.
- اعتماد به سکوت هوش مصنوعی. تخریب آهسته ممکن است توسط مدل از دست رفته باشد. کنترل منظم انسانی ادامه دارد.
- به تعویق انداختن تعمیر و نگهداری حیاتی ایمنی با توصیه هوش مصنوعی. به تعویق انداختن تجهیزات حیاتی تصمیم یک مهندس است.
- اعتماد کورکورانه به مدل در شرایط جدید. مشخصات سوخت/بار جدید ممکن است مدل را گمراه کند.
به طور خلاصه
تعمیر و نگهداری پیش بینی شده با شناسایی نقص قبل از وقوع و انجام مداخله برنامه ریزی شده، خطر را در وسط دریا کاهش می دهد. هوش مصنوعی یک ابزار هشدار اولیه قدرتمند در استخراج ناهنجاری ها و روندها از داده های نظارت بر شرایط است. اما هر سیگنال باید در زمینه (بار، هوا، سیکل) ارزیابی شود، از نظر فیزیکی تأیید شود، و تصمیم عیب یابی و تعمیر و نگهداری باید با مهندس ارشد باقی بماند. هوش مصنوعی که میگوید «عیبکاری وجود دارد» یک فرضیه است. سکوت تضمینی برای "بدون مشکل" نیست. چشم انسان و بازرسی معمولی ضروری است.
وظیفه کاربردی
یک قطعه از تجهیزات (ژنراتور، پمپ، سیلندر دستگاه سر) را انتخاب کنید. یک خط پایه سالم و داده های نمونه 14 روزه آماده کنید (یک روند کند و یک جهش ناشی از بار را در آن قرار دهید). از هوش مصنوعی بخواهید آن را با الگوی «اولویتبندی ناهنجاری» علامتگذاری کند و ارزیابی کند که آیا میتواند پرش ناشی از بار را از خطای واقعی تشخیص دهد یا خیر. نحوه تأیید فیزیکی هر علامت را بنویسید.
چک لیست
- [ ] قبل از درخواست ناهنجاری، خط مبنا و زمینه کاری را ارائه کردم.
- [ ] من هر سیگنال هوش مصنوعی را با اندازه گیری/کنترل فیزیکی تأیید کردم.
- [ ] من تغییرات مربوط به بار/هوا را از خطای واقعی جدا کردم.
- [ ] من تصمیم تشخیص و تعمیر و نگهداری را تحت مسئولیت مهندس ارشد نگه داشتم.
- [ ] حتی با وجود اینکه هوش مصنوعی ساکت بود، من کنترل معمولی انسان را حفظ کردم.