નફો:
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સેન્સર ડેટા સાફ કરવાની ક્ષમતા અને SPC નિયમો સાથે વિસંગતતાઓ અને વલણોને માર્ક કરવાની ક્ષમતા
- વિચલન એ વાસ્તવિક પ્રક્રિયાની ઘટના છે કે સેન્સર/માપની સમસ્યા છે તે પારખવા માટે વિશ્વસનીયતા ફિલ્ટરનો ઉપયોગ કરીને સહસંબંધ અને કાર્યકારણ વચ્ચે તફાવત કરવાની ક્ષમતા
- સમજવું કે કૃત્રિમ બુદ્ધિ એ નિર્ણય-સહાયક સ્તર છે અને જીવન અને સુવિધા સલામતી સ્વતંત્ર સુરક્ષા પ્રણાલીઓ (SIS) ની છે.
જેમ જેમ પ્લાન્ટ ચાલે છે, તેમ તેમ તે ચુપચાપ ડેટાનો પૂર પેદા કરે છે: તાપમાન, દબાણ, પ્રવાહ, સ્તર, pH અને ઉત્પાદન વિશ્લેષણના પરિણામો દર સેકન્ડે ડઝનેક સેન્સરમાંથી વહે છે. આ ડેટા પ્રક્રિયાની "પલ્સ" છે; તે પ્રક્રિયાના સ્વાસ્થ્યના પુરાવા અને તોળાઈ રહેલી નિષ્ફળતા અથવા ગુણવત્તાના વિચલનના પ્રારંભિક સંકેતો બંને ધરાવે છે. આ એકમમાં, તમે આ ડેટાને મોનિટર કરવા, વિસંગતતાઓને ફ્લેગ કરવા અને ગુણવત્તાના વલણોનું અર્થઘટન કરવામાં સહાયક તરીકે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો તે શીખીશું; પરંતુ આપણે શીખીશું કે કયું વિચલન વાસ્તવિક છે અને શું પગલાં લેવા તે નક્કી કરવાનું હજુ પણ એન્જિનિયર શા માટે છે.
ચાલો બે મૂળભૂત ખ્યાલોથી શરૂઆત કરીએ. SPC (આંકડાકીય પ્રક્રિયા નિયંત્રણ; પદ્ધતિ કે જે આંકડાકીય મર્યાદાઓ સાથે પ્રક્રિયાની પરિવર્તનશીલતાને મોનિટર કરે છે અને વાસ્તવિક વિચલનથી સામાન્ય વધઘટને અલગ પાડે છે) અને નિયંત્રણ ચાર્ટ (નિયંત્રણ ચાર્ટ - એક ચાર્ટ જે ઉપલા/નીચલી નિયંત્રણ મર્યાદાઓ સાથે સમય સામે ચલ દર્શાવે છે). SPC નો સાર એ કુદરતી પરિવર્તનશીલતા (સામાન્ય કારણ - પ્રક્રિયાની સામાન્ય, અનિવાર્ય વધઘટ) અને વિશેષ કારણ વચ્ચેનો તફાવત છે - બહારથી વાસ્તવિક વિચલન જેની તપાસ થવી જોઈએ. AI આ તફાવત બનાવવા અને મોટા ડેટામાં પેટર્ન શોધવામાં શક્તિશાળી છે; પરંતુ વિચલનનું મૂળ કારણ અને દરમિયાનગીરી કરવાનો નિર્ણય એન્જિનિયરનો છે.
ગુણવત્તા અને નિયંત્રણ ડેટામાં સ્ટેપ-બાય-સ્ટેપ AI સપોર્ટ
1. ડેટા તૈયાર કરો અને સાફ કરો. ગુમ થયેલ મૂલ્યો, સેન્સરની નિષ્ફળતાને કારણે કૂદકા, એકમની અસંગતતા. AI સફાઈ માટે પાયથોન કોડ રૂપરેખા અને ચેકલિસ્ટ બનાવે છે. પરંતુ તમે પ્રક્રિયા જ્ઞાન સાથે નક્કી કરો કે "અમાન્ય ડેટા" તરીકે શું ગણાય છે.
2. વલણ અને વિસંગતતા માર્કિંગ. AI સેન્સર પર ધીમી ગતિ, અચાનક કૂદકા અથવા વધેલા ઓસિલેશન જેવી પેટર્નને ચિહ્નિત કરે છે. આ પરીક્ષા લેવાના ઉમેદવારો છે, પરિણામો નહીં.
3. SPC ટિપ્પણી. AI નિયંત્રણ ચાર્ટ નિયમોને યાદ કરી શકે છે (દા.ત., જ્યારે કોઈ બિંદુ સીમાની બહાર જાય છે, ત્યારે સળંગ પોઈન્ટ એક દિશામાં જાય છે) અને તેને ડેટા પર લાગુ કરી શકે છે. ફરીથી, ઇજનેરી ચુકાદો નિર્ણય લે છે.
4. સહસંબંધ શોધ. AI સંબંધોને ધ્વજિત કરે છે જેમ કે "તાપમાન વધવાથી શુદ્ધતા ઘટતી લાગે છે." સહસંબંધ કાર્યકારણ નથી (સહસંબંધ ≠ કાર્યકારણ — હકીકત એ છે કે બે માત્રા એકસાથે બદલાય છે તે સાબિત કરતું નથી કે એક અન્યનું કારણ બને છે); તમે પ્રક્રિયા જ્ઞાન સાથે આ સંબંધની કસોટી કરો છો.
5. મૂળ કારણ પૂર્વધારણાઓ. AI એ વિચલન માટેના સંભવિત કારણોની યાદી આપે છે (ફીડની વિવિધતા, ઉત્પ્રેરક વૃદ્ધત્વ, સેન્સર નિષ્ફળતા). આ સંશોધનના વિષયો છે, નિદાન નથી.
6. ક્રિયા નિર્ણય. એલાર્મને ગંભીરતાથી લેવા માટે, પ્રક્રિયાને રોકવા માટે અથવા ગોઠવણો કરવા માટે - આ સલામતી અને ગુણવત્તાનો નિર્ણય એન્જિનિયરનો છે.
ટીપ: જ્યારે AI સેન્સર ડેટામાં વિસંગતતાને ફ્લેગ કરે છે, ત્યારે પહેલો પ્રશ્ન એ છે કે "શું આ એક વાસ્તવિક પ્રક્રિયાની ઘટના છે કે સેન્સર/માપન નિષ્ફળતા?" હોવું જોઈએ. મોટાભાગની "વિસંગતતાઓ" એ તૂટેલા સેન્સર અથવા કેલિબ્રેશન ડ્રિફ્ટ છે; હસ્તક્ષેપ પહેલાં માપન પોતે ચકાસો.
સેન્સર ડેટા: દરેક વિચલન વાસ્તવિક નથી
સેન્સર જૂઠું બોલી શકે છે: કેલિબ્રેશન સરકી જાય છે, થર્મોકોલ છૂટી જાય છે, ટ્રાન્સમિશન લાઇન અવાજ ઉઠાવે છે. AI ડેટામાં જમ્પ જોઈ શકે છે અને કહી શકે છે કે "પ્રક્રિયા બદલાઈ ગઈ છે"; જો કે, તે પ્રક્રિયા નથી કે જે બદલાય છે, પરંતુ સેન્સર. અસંગતતા સિગ્નલ તેથી ડેટાની વિશ્વસનીયતા માટે પ્રથમ ફિલ્ટર કરવામાં આવે છે: શું તે અન્ય સેન્સર સાથે સુસંગત છે, શું તે ભૌતિક રીતે શક્ય છે, શું તે જાળવણી રેકોર્ડ સાથે મેળ ખાય છે? આ પાસ થયા પછી જ તેની વાસ્તવિક પ્રક્રિયા ઘટના તરીકે તપાસ કરવામાં આવે છે.
સાવધાન: AI-આધારિત વિસંગતતા/પ્રારંભિક ચેતવણી પ્રણાલી એ સલામતી ઇન્સ્ટ્રુમેન્ટેડ સિસ્ટમ (SIS — એક સ્વતંત્ર, પ્રમાણિત સલામતી સુરક્ષા સ્તર) માટે રિપ્લેસમેન્ટ નથી. AI મોડલ મોનિટરિંગ અને નિર્ણય-સહાયક સ્તર છે; તેઓ રક્ષણ, સ્વતંત્ર અને ચકાસાયેલ સુરક્ષા પ્રણાલીઓ છે જે જીવન અને સુવિધા સલામતીની ખાતરી કરે છે.
ત્રણ નાના કેસો
કેસ 1 - પ્રારંભિક ડ્રિફ્ટ કેપ્ચર. એક રિએક્ટરમાં, AI એ તાપમાન સેન્સર પર ધીમા પ્રવાહને ચિહ્નિત કર્યું, જે 10 દિવસમાં સરેરાશ 0.3°C પ્રતિ દિવસ વધી રહ્યું છે. ટીમે તપાસ કરી; હીટ એક્સ્ચેન્જરમાં ફાઉલિંગ શરૂ થઈ ગયું હતું. પ્રારંભિક હસ્તક્ષેપ બિનઆયોજિત ડાઉનટાઇમ અટકાવે છે. સંકેત AI તરફથી આવ્યો, નિદાન અને નિર્ણય ટીમ તરફથી આવ્યો.
કેસ 2 — ખોટા એલાર્મ દૂર કર્યા. AI એ પ્રેશર સેન્સરમાં અચાનક જમ્પ જોયો અને તેને "સંભવિત લીક" તરીકે ફ્લેગ કર્યું. એન્જિનિયરે જોયું કે બે પડોશી સેન્સર બદલાયા નથી અને તે ક્ષણે એક માપાંકન પ્રક્રિયા હાથ ધરવામાં આવી હતી; સિગ્નલ સેન્સરમાંથી હતું. ડેટા વિશ્વસનીયતા ફિલ્ટર બિનજરૂરી ડાઉનટાઇમ અટકાવે છે.
કેસ 3 - સહસંબંધ છટકું. YZ એ સહસંબંધને ચિહ્નિત કર્યો છે "જ્યારે ફીડ પ્રવાહ દર વધે છે ત્યારે ઉત્પાદનની શુદ્ધતા ઘટે છે". એન્જિનિયરે શોધી કાઢ્યું કે વાસ્તવિક કારણ પ્રવાહ દર નથી પરંતુ પુરવઠાનું તાપમાન હતું, જે સમાન પાળી દરમિયાન બદલાતું હતું; પ્રવાહ દર અને શુદ્ધતા માત્ર એક સાથે ગયા. કાર્યકારણ માટેના સહસંબંધની ભૂલ કરવી એ ખોટી ગોઠવણી તરફ દોરી જશે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) ડેટા ક્લિનિંગ કોડ ડ્રાફ્ટ:
મને પ્રોસેસ સેન્સર ડેટાસેટ માટે ક્લીનઅપ પાયથોન સ્ક્રિપ્ટ લખો. ઇનપુટ: ટાઇમસ્ટેમ્પ્ડ CSV, કૉલમ્સ [સૂચિ]. (1) ધ્વજ ગુમ થયેલ મૂલ્યો (કાઢી નાખો, વિકલ્પો ભરો), (2) ભૌતિક રીતે અશક્ય મૂલ્યોને ધ્વજ કરો (નકારાત્મક પ્રવાહ દર, શ્રેણીની બહારનું તાપમાન), (3) એકમ સુસંગતતા તપાસો, (4) સફાઈ નિર્ણયોની જાણ કરો પરંતુ સ્વતઃ કાઢી નાખશો નહીં; હું પુષ્ટિ કરીશ. રાજ્યની ધારણાઓ.
2) SPC / નિયંત્રણ ચાર્ટ અર્થઘટન:
તમારી ભૂમિકા: ગુણવત્તા ઇજનેર. હું તમને ચલની સમય શ્રેણી અને નિયંત્રણ મર્યાદા (UCL/LCL) આપીશ. પ્રમાણભૂત SPC નિયમો લાગુ કરો (બાઉન્ડની બહાર, ક્રમિક વલણ, એક બાજુ ક્લસ્ટર) અને ચિહ્નિત કરો કે કયા બિંદુઓ "ખાસ કારણ" ઉમેદવારો છે. દરેક ચિહ્ન માટે, એ પણ સૂચવો કે તે વાસ્તવિક પ્રક્રિયાની ઘટના છે કે સંભવિત માપન સમસ્યા છે. નિર્ણય મારા પર છે; તમે ઉમેદવાર અને સમર્થન રજૂ કરો. ડેટા: [પેસ્ટ કરો]
3) વિસંગતતા વિશ્વસનીયતા ફિલ્ટર:
તમે નીચેની વિસંગતતાને ચિહ્નિત કરી છે: [વર્ણન]. નિર્ણય લેતા પહેલા વિશ્વસનીયતા ચેકલિસ્ટ લાગુ કરો: (1) શું તે સંલગ્ન/સંબંધિત સેન્સર સાથે સુસંગત છે, (2) શું તે ભૌતિક રીતે શક્ય છે, (3) શું તે જાળવણી/કેલિબ્રેશન રેકોર્ડ સાથે મેળ ખાય છે, (4) શું તે એક બિંદુ અથવા સાતત્ય છે? મૂલ્યાંકન કરો કે તે "વાસ્તવિક પ્રક્રિયાની ઘટના" છે અથવા "સંભવિત સેન્સર સમસ્યા" છે. ચોક્કસ નિદાન કરવું; સંશોધન શીર્ષક આપો.
4) મૂળ કારણ પૂર્વધારણા (નિદાન નથી):
નીચેની ગુણવત્તા/પ્રક્રિયામાં વિચલન જોવા મળ્યું હતું: [વર્ણન, સંખ્યાઓ]. સંભવિતતાના ક્રમમાં સંભવિત મૂળ કારણોની સૂચિ બનાવો (ફીડ, ઉત્પ્રેરક, સેન્સર, ઓપરેટિંગ સ્થિતિ, જાળવણી). દરેક પૂર્વધારણા માટે, તેની પુષ્ટિ/અસ્વીકાર કરવા માટે મારે કયો ડેટા અથવા ટેસ્ટ જોવો જોઈએ તે લખો. આ કોઈ નિદાન નથી, તે એક તપાસ યોજના છે; ચોક્કસ કારણ જાહેર કરશો નહીં.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
શું આ સેન્સર ડેટામાં કોઈ સમસ્યા છે?
"સમસ્યા" અવ્યાખ્યાયિત છે, કોઈ સંદર્ભ નથી. AI રેન્ડમ કૂદકાને અતિશયોક્તિ કરી શકે છે અથવા વાસ્તવિક ડ્રિફ્ટ ચૂકી શકે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: પ્રક્રિયા નિયંત્રણ એન્જિનિયર. હું તમને 14 દિવસ અને 1 મિનિટનો રિએક્ટર તાપમાનનો ડેટા આપી રહ્યો છું. સામાન્ય શ્રેણી 78-82°C, UCL 84, LCL 76. કાર્ય: (1) ધીમો ડ્રિફ્ટ, અચાનક જમ્પ, ઓસિલેશન વધારો પેટર્ન, (2) દરેક ચિહ્ન માટે સૂચવે છે કે શું તે વાસ્તવિક ઘટના અથવા સેન્સર હોઈ શકે છે, (3) સૂચિ કે જેની પ્રથમ તપાસ કરવી જોઈએ. ચોક્કસ નિદાન કરવું; માત્ર વાસ્તવિક ડેટા પર આધારિત છે, બનાવેલ નથી. ડેટા: [પેસ્ટ કરો]
તફાવત સ્પષ્ટ છે: ચલ, સામાન્ય શ્રેણી, મર્યાદા અને "ઉમેદવાર, નિદાન નહીં" ફ્રેમવર્ક આઉટપુટને ઉપયોગી બનાવે છે.
ગુણવત્તા/નિયંત્રણ ડેટામાં ભૂમિકા વિતરણ
વેપાર
AI ની ભૂમિકા
માણસનો નિર્ણય
ડેટા સફાઈ
કોડ, ધ્વજ
અમાન્ય ડેટા નિર્ણય
વિસંગતતા
માર્કિંગ
વાસ્તવિક/સેન્સર તફાવત
એસપીસી
નિયમ અમલીકરણ
હસ્તક્ષેપ નિર્ણય
સહસંબંધ
સંબંધ માર્કિંગ
કાર્યકારણ પરીક્ષણ
મૂળ કારણ
પૂર્વધારણા યાદી
નિદાન, ક્રિયા
સુરક્ષા રક્ષણ
- (અવકાશ બહાર)
સ્વતંત્ર SIS
સામાન્ય ભૂલો
- વાસ્તવિક પ્રક્રિયા ઇવેન્ટ માટે દરેક વિસંગતતાને ભૂલવી. તેમાંથી મોટાભાગની સેન્સર/કેલિબ્રેશન સમસ્યા છે; ડેટાની વિશ્વસનીયતા પહેલા ફિલ્ટર કરવામાં આવે છે.
- સહસંબંધને કારણ તરીકે ધ્યાનમાં લેવું. એકસાથે અભિનય કરતા ચલો એકબીજાનું કારણ બની શકતા નથી.
- સુરક્ષા સિસ્ટમ તરીકે AI નો ઉપયોગ. જીવન/સુવિધા સલામતી એ સ્વતંત્ર, પ્રમાણિત SIS ની જવાબદારી છે.
- સ્વચાલિત ડેટા કાઢી નાખવાની મંજૂરી આપો. એન્જિનિયર તેના પ્રક્રિયાના જ્ઞાનથી અમાન્ય શું છે તે નક્કી કરે છે.
- નિદાન માટે AI મૂળ કારણની પૂર્વધારણાને ભૂલવી. પૂર્વધારણા એ સંશોધનનો વિષય છે જ્યાં સુધી તેની પુષ્ટિ ન થાય, તારણો નહીં.
સારાંશમાં
ગુણવત્તા અને પ્રક્રિયા નિયંત્રણ ડેટામાં AI; તે એક શક્તિશાળી સહાયક છે જે ડેટાને સાફ કરે છે, વિસંગતતાઓ અને વલણોને ફ્લેગ કરે છે, SPC નિયમો લાગુ કરે છે અને સહસંબંધો અને મૂળ કારણની પૂર્વધારણાઓ જનરેટ કરે છે. પરંતુ તે નક્કી કરવાનું છે કે વિચલન વાસ્તવિક છે કે સેન્સર, શું સહસંબંધ કારણભૂત છે, મૂળ કારણ અને હસ્તક્ષેપ છે. AI એ મોનિટરિંગ અને નિર્ણય-સહાયક સ્તર છે; તેઓ રક્ષણ, સ્વતંત્ર અને ચકાસાયેલ સુરક્ષા પ્રણાલીઓ છે જે જીવન અને સુવિધા સલામતીની ખાતરી કરે છે.
એપ્લિકેશન કાર્ય
સેન્સર ડેટા સેટ (અથવા નમૂના સમય શ્રેણી) લો. "SPC / નિયંત્રણ ચાર્ટ અર્થઘટન" ટેમ્પલેટ સાથે AI ફ્લેગ વિશિષ્ટ કારણ ઉમેદવારો રાખો. દરેક સાઇન માટે, તે વાસ્તવિક ઘટના છે કે સેન્સર સમસ્યા છે તેનું મૂલ્યાંકન કરવા માટે "વિસંગતતા વિશ્વસનીયતા ફિલ્ટર" ટેમ્પલેટ લાગુ કરો. તમારા પ્રક્રિયા જ્ઞાન સાથે કાર્યકારણ માટે ઓછામાં ઓછા એક સહસંબંધનું પરીક્ષણ કરો.
ચેકલિસ્ટ
- ડેટા વિશ્વસનીયતા (સેન્સર/કેલિબ્રેશન) માટે મેં પ્રથમ વિસંગતતા સંકેતોને ફિલ્ટર કર્યા.
- [ ] મેં પ્રક્રિયાની માહિતી સાથે કાર્યકારણ માટેના સહસંબંધોનું પરીક્ષણ કર્યું.
- [ ] મેં SPC સંકેતોને હસ્તક્ષેપના નિર્ણયમાં પરિવર્તિત કર્યા, મેં તેને AI પર છોડ્યું નથી.
- [ ] ડેટા સફાઈમાં, મેં માન્ય નિર્ણય લાગુ કર્યો, સ્વચાલિત કાઢી નાખવાનો નહીં.
- [ ] મેં સુરક્ષા સુરક્ષા સ્વતંત્ર સિસ્ટમ પર છોડી દીધી છે, AI ને નહીં.