Ieguvumi:
- Iespēja tīrīt sensoru datus ar mākslīgo intelektu un atzīmēt anomālijas un tendences ar SPC noteikumiem
- Spēja atšķirt korelāciju no cēloņsakarības, izmantojot uzticamības filtru, lai atšķirtu, vai novirze ir reāls procesa notikums vai sensora/mērīšanas problēma
- Izpratne par to, ka mākslīgais intelekts ir lēmumu pieņemšanas atbalsta slānis un ka dzīvības un objektu drošība pieder neatkarīgām drošības sistēmām (SIS).
Iekārtai darbojoties, tā klusi rada datu plūdus: temperatūra, spiediens, plūsma, līmenis, pH un produktu analīzes rezultāti plūst no desmitiem sensoru katru sekundi. Šie dati ir procesa “pulss”; Tajā ir gan pierādījumi par procesa veselību, gan agrīnas pazīmes par gaidāmo neveiksmi vai kvalitātes novirzi. Šajā nodaļā jūs uzzināsiet, kā izmantot mākslīgo intelektu kā palīglīdzekli šo datu uzraudzībā, anomāliju atzīmēšanā un kvalitātes tendenču interpretācijā; bet mēs uzzināsim, kāpēc inženierim joprojām ir jāizlemj, kura novirze ir patiesa un kā rīkoties.
Sāksim ar diviem pamatjēdzieniem. SPC (Statistical Process Control; metode, kas uzrauga procesa mainīgumu ar statistiskām robežām un atšķir normālas svārstības no reālās novirzes) un kontroles diagramma (kontroles diagramma - diagramma, kas parāda mainīgo atkarībā no laika, ar augšējo/apakšējo kontroles robežu). SPC būtība ir atšķirība starp dabisko mainīgumu (kopējais cēlonis - normālas, neizbēgamas procesa svārstības) un īpašu iemeslu - reālu novirzi no ārpuses, kas ir jāizpēta. AI ir spēcīgs, lai veiktu šo atšķirību un atrastu modeļus lielajos datos; bet galvenais novirzes cēlonis un lēmums iejaukties pieder inženierim.
Soli pa solim AI atbalsts kvalitātes un kontroles datiem
1. Sagatavojiet un notīriet datus. Trūkst vērtības, lēcieni sensora kļūmes dēļ, vienības neatbilstības. AI izveido Python koda kontūru un kontrolsarakstu tīrīšanai. Bet jūs ar procesa zināšanām izlemjat, kas tiek uzskatīts par "nederīgiem datiem".
2. Tendenču un anomāliju marķēšana. AI iezīmē modeļus, piemēram, lēnu novirzi, pēkšņus lēcienus vai pastiprinātas sensora svārstības. Tie ir pārbaudāmie kandidāti, nevis rezultāti.
3. SPC komentārs. AI var atsaukt kontroldiagrammas noteikumus (piem., kad punkts iziet ārpus robežām, secīgi punkti iet vienā virzienā) un piemērot tos datiem. Atkal lēmumu pieņem inženiertehniskais vērtējums.
4. Korelācijas atklāšana. AI atzīmē tādas attiecības kā "šķiet, ka tīrība samazinās, paaugstinoties temperatūrai". Korelācija nav cēloņsakarība (korelācija ≠ cēloņsakarība — fakts, ka divi lielumi mainās kopā, nepierāda, ka viens izraisa otru); Jūs pārbaudāt šīs attiecības ar procesa zināšanām.
5. Hipotēzes par pamatcēloņiem. AI uzskaita iespējamos novirzes iemeslus (barošanas izmaiņas, katalizatora novecošana, sensora kļūme). Tās ir pētniecības tēmas, nevis diagnozes.
6. Rīcības lēmums. Uztvert trauksmi nopietni, apturēt procesu vai veikt korekcijas – šo drošības un kvalitātes lēmumu pieņem inženieris.
Padoms. Kad mākslīgais intelekts atzīmē sensoru datu anomāliju, pirmais jautājums ir “vai tas ir reāls procesa notikums vai sensora/mērīšanas kļūme?” vajadzētu būt. Lielākā daļa "anomaliju" ir bojāts sensors vai kalibrēšanas novirze; Pirms iejaukšanās pārbaudiet pašu mērījumu.
Sensora dati: ne katra novirze ir reāla
Sensori var melot: kalibrēšana paslīd, termopāris atbrīvojas, pārvades līnija uztver troksni. AI var redzēt lēcienu datos un teikt "process ir mainījies"; Taču mainās nevis process, bet sensors. Tāpēc anomālijas signāls vispirms tiek filtrēts, lai noteiktu datu ticamību: vai tas atbilst citam sensoram, vai tas ir fiziski iespējams, vai tas atbilst apkopes ierakstam? Tikai pēc tam, kad tie ir nodoti, tas tiek izmeklēts kā reāls procesa notikums.
Uzmanību: uz mākslīgo intelektu balstīta anomāliju/agrīnās brīdināšanas sistēma neaizstāj drošības instrumentu sistēmu (SIS — atsevišķs, sertificēts drošības aizsardzības slānis). AI modelis ir uzraudzības un lēmumu pieņemšanas atbalsta slānis; Tās ir aizsardzības, neatkarīgas un pārbaudītas drošības sistēmas, kas nodrošina dzīvības un objektu drošību.
trīs mini futrāļi
1. gadījums — agrīna novirzes uztveršana. Vienā reaktorā mākslīgais intelekts iezīmēja lēnu temperatūras sensora novirzi, palielinoties vidēji par 0,3 °C dienā 10 dienu laikā. Komanda pārbaudīja; Netīrumi bija sākušies siltummainī. Agrīna iejaukšanās novērsa neplānotas dīkstāves. Signāls nāca no AI, diagnoze un lēmums nāca no komandas.
2. gadījums — viltus trauksme novērsta. AI redzēja pēkšņu spiediena sensora lēcienu un atzīmēja to kā "iespējamu noplūdi". Inženieris redzēja, ka divi blakus esošie sensori nav mainījušies, un tajā brīdī tika veikts kalibrēšanas process; Signāls bija no sensora. Datu uzticamības filtrs novērsa nevajadzīgu dīkstāvi.
3. gadījums — korelācijas slazds. YZ atzīmēja korelāciju "produkta tīrība samazinās, kad padeves plūsmas ātrums palielinās". Inženieris atklāja, ka patiesais iemesls nebija plūsmas ātrums, bet gan padeves temperatūra, kas mainījās vienas maiņas laikā; plūsmas ātrums un tīrība gāja tikai kopā. Kļūdaina korelācija ar cēloņsakarību novestu pie nepareiza iestatījuma.
Četras kopējamas veidnes
1) Datu tīrīšanas koda projekts:
Uzrakstiet man tīrīšanas Python skriptu procesa sensora datu kopai. Ievade: laikspiedols CSV, kolonnas [saraksts]. (1) atzīmējiet trūkstošās vērtības (dzēst, aizpildiet opcijas), (2) atzīmējiet fiziski neiespējamas vērtības (negatīvs plūsmas ātrums, ārpus diapazona temperatūra), (3) pārbaudiet vienības konsekvenci, (4) ziņojiet par tīrīšanas lēmumiem, bet NEDRĪKST automātisku dzēšanu; Es apstiprināšu. Valsts pieņēmumi.
2) SPC/kontrolkartes interpretācija:
Jūsu loma: kvalitātes inženieris. Es sniegšu jums mainīgā lieluma laika rindas un kontroles robežas (UCL/LCL). Lietojiet standarta SPC noteikumus (ārpus robežām, secīga tendence, kopa vienā pusē) un atzīmējiet, kuri punkti ir "īpašu iemeslu" kandidāti. Katrai zīmei arī norādiet, vai tas ir faktisks procesa notikums vai iespējama mērījumu problēma. Lēmums ir manā ziņā; Jūs iesniedzat kandidātu un pamatojumu. Dati: [ielīmēt]
3) Anomālijas uzticamības filtrs:
Jūs atzīmējāt šādu anomāliju: [apraksts]. Pirms lēmuma pieņemšanas izmantojiet uzticamības kontrolsarakstu: (1) vai tas atbilst blakus esošajiem/saistītajiem sensoriem, (2) vai tas ir fiziski iespējams, (3) vai tas atbilst apkopes/kalibrēšanas ierakstam, (4) vai tas ir viens punkts vai nepārtrauktība? Novērtējiet, vai tas ir "reāls procesa notikums" vai "iespējama sensora problēma". Nosakot galīgo diagnozi; Piešķiriet pētījuma nosaukumu.
4) pamatcēloņa hipotēze (nevis diagnoze):
Tika novērota šāda kvalitātes/procesa novirze: [apraksts, skaitļi]. Uzskaitiet iespējamos pamatcēloņus IESPĒJAS secībā (padeve, katalizators, sensors, darbības stāvoklis, apkope). Katrai hipotēzei pierakstiet, kādus datus vai testu man vajadzētu apskatīt, lai to apstiprinātu/atspēkotu. Tā NAV diagnoze, tas ir izmeklēšanas plāns; Nenorādiet galīgo iemeslu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Vai ir problēma ar šiem sensora datiem?
"Problēma" nav definēta, nav konteksta. AI var pārspīlēt nejaušus lēcienus vai palaist garām faktisko novirzi.
Spēcīga uzvedne:
Jūsu loma: procesu vadības inženieris. Es jums sniedzu 14 dienas un 1 minūti reaktora temperatūras datus. Normāls diapazons 78-82°C, UCL 84, LCL 76. Uzdevums: (1) atzīmējiet lēnas novirzes, pēkšņa lēciena, svārstību pieauguma modeļus, (2) norādiet katrai zīmei, vai tas varētu būt reāls notikums vai sensors, (3) saraksts, kas vispirms jāpārbauda. Nosakot galīgo diagnozi; Tikai pamatojoties uz reāliem datiem, nevis izdomātiem. Dati: [ielīmēt]
Atšķirība ir skaidra: mainīgais, parastais diapazons, ierobežojumi un "kandidāts, nevis diagnoze" padara izvadi izmantojamu.
Lomas sadalījums kvalitātes/kontroles datos
bizness
AI loma
cilvēka lēmums
datu tīrīšana
kods, karogs
Nederīgs datu lēmums
Anomālija
marķēšana
Reālā/sensora atšķirība
SPC
noteikumu izpilde
Lēmums par intervenci
korelācija
Attiecību marķēšana
Cēloņsakarības pārbaude
pamatcēlonis
Hipotēžu saraksts
diagnoze, darbība
drošības aizsardzība
— (ārpus darbības jomas)
Neatkarīga SIS
Biežas kļūdas
- Ikvienu anomāliju sajaucot ar īstu procesa notikumu. Lielākā daļa no tā ir sensora/kalibrēšanas problēma; Vispirms tiek filtrēta datu uzticamība.
- Uzskatot korelāciju par cēloņsakarību. Mainīgie, kas darbojas kopā, nedrīkst izraisīt viens otru.
- AI kā drošības sistēmas izmantošana. Par dzīvības/iekārtu drošību atbild neatkarīga, sertificēta SIS.
- Atļaut automātisku datu dzēšanu. Inženieris ar savām zināšanām par procesu izlemj, kas ir nederīgs.
- Kļūdaini AI pamatcēloņa hipotēze diagnozei. Hipotēzes ir izpētes tēmas, līdz tās tiek apstiprinātas, nevis secinājumi.
Rezumējot
AI kvalitātes un procesa kontroles datos; Tas ir spēcīgs palīgs, kas attīra datus, atzīmē anomālijas un tendences, piemēro SPC noteikumus un ģenerē korelācijas un pamatcēloņu hipotēzes. Bet inženiera ziņā ir izlemt, vai novirze ir reāla vai sensors, vai korelācija ir cēloņsakarība, galvenais cēlonis un iejaukšanās. AI ir uzraudzības un lēmumu pieņemšanas atbalsta slānis; Tās ir aizsardzības, neatkarīgas un pārbaudītas drošības sistēmas, kas nodrošina dzīvības un objektu drošību.
Lietojumprogrammas uzdevums
Paņemiet sensora datu kopu (vai laikrindas paraugu). Iegūstiet AI karodziņu īpašo iemeslu kandidātiem, izmantojot veidni “SPC/kontrolkartes interpretācija”. Katrai zīmei izmantojiet veidni "anomālijas uzticamības filtrs", lai novērtētu, vai tas ir reāls notikums vai sensora problēma. Pārbaudiet vismaz vienu cēloņsakarību ar savām zināšanām par procesu.
kontrolsaraksts
- [ ] Vispirms es filtrēju anomālijas signālus, lai nodrošinātu datu uzticamību (sensors/kalibrēšana).
- [ ] Es pārbaudīju cēloņsakarības korelācijas ar procesa informāciju.
- [ ] Es pārveidoju SPC signālus par intervences lēmumu, neatstāju to AI ziņā.
- [ ] Datu tīrīšanā piemēroju apstiprināto lēmumu, nevis automātisko dzēšanu.
- [ ] Es atstāju drošības aizsardzību neatkarīgai sistēmai, nevis AI.