Fitimet:
- Aftësia për të pastruar të dhënat e sensorëve me inteligjencë artificiale dhe për të shënuar anomali dhe tendenca me rregullat e SPC
- Aftësia për të dalluar midis korrelacionit dhe shkakësisë duke përdorur një filtër besueshmërie për të dalluar nëse një devijim është një ngjarje reale e procesit apo një problem sensor/matje
- Të kuptuarit se inteligjenca artificiale është një shtresë e mbështetjes së vendimeve dhe se siguria e jetës dhe e objekteve i përket sistemeve të pavarura të sigurisë (SIS).
Ndërsa një fabrikë funksionon, ajo prodhon në heshtje një vërshim të dhënash: temperatura, presioni, rrjedha, niveli, pH dhe rezultatet e analizës së produktit rrjedhin nga dhjetëra sensorë çdo sekondë. Këto të dhëna janë “pulsi” i procesit; Ai përmban të dyja dëshmitë e shëndetit të procesit dhe shenjat e hershme të dështimit të afërt ose devijimit të cilësisë. Në këtë njësi, ju do të mësoni se si të përdorni inteligjencën artificiale si një ndihmë në monitorimin e këtyre të dhënave, shënjimin e anomalive dhe interpretimin e tendencave të cilësisë; por do të mësojmë pse i takon ende inxhinierit të vendosë se cili devijim është i vërtetë dhe çfarë veprimi të ndërmarrë.
Le të fillojmë me dy koncepte bazë. SPC (Statistical Process Control; metodë që monitoron ndryshueshmërinë e një procesi me kufij statistikor dhe dallon luhatjen normale nga devijimi real) dhe grafiku i kontrollit (grafiku i kontrollit - një grafik që tregon një variabël kundrejt kohës, me kufijtë e sipërm/poshtëm të kontrollit). Thelbi i SPC është dallimi midis ndryshueshmërisë natyrore (shkaku i zakonshëm - luhatja normale, e pashmangshme e procesit) dhe shkaku i veçantë - një devijim i vërtetë nga jashtë që duhet të hetohet. AI është i fuqishëm në bërjen e këtij dallimi dhe gjetjen e modeleve në të dhëna të mëdha; por shkaku kryesor i një devijimi dhe vendimi për të ndërhyrë i përkasin inxhinierit.
Mbështetje hap pas hapi për AI në të dhënat e cilësisë dhe kontrollit
1. Përgatitni dhe pastroni të dhënat. Mungojnë vlerat, kërcimet për shkak të dështimit të sensorit, mospërputhjet e njësisë. AI prodhon skicën dhe listën e kontrollit të kodit Python për pastrim. Por ju vendosni me njohuritë e procesit se çfarë llogariten si "të dhëna të pavlefshme".
2. Shënimi i tendencës dhe anomalive. AI shënon modele të tilla si lëvizja e ngadaltë, kërcimet e papritura ose lëkundjet e shtuara në një sensor. Këta janë kandidatë për t'u shqyrtuar, jo rezultate.
3. Komenti i KPS-së. AI mund të kujtojë rregullat e grafikut të kontrollit (p.sh., kur një pikë del jashtë kufijve, pikat e njëpasnjëshme shkojnë në një drejtim) dhe t'i zbatojë ato në të dhëna. Përsëri, gjykimi inxhinierik merr vendimin.
4. Zbulimi i korrelacionit. AI tregon marrëdhënie të tilla si "pastërtia duket se zvogëlohet me rritjen e temperaturës". Korrelacioni nuk është shkakësi (korrelacioni ≠ shkak - fakti që dy sasi ndryshojnë së bashku nuk provon se njëra shkakton tjetrën); Ju e testoni këtë marrëdhënie me njohuritë e procesit.
5. Hipotezat e shkakut rrënjësor. AI rendit arsyet e mundshme për një devijim (ndryshimi i ushqimit, plakja e katalizatorit, dështimi i sensorit). Këto janë tema kërkimore, jo diagnoza.
6. Vendim veprimi. Për ta marrë seriozisht alarmin, për të ndaluar procesin ose për të bërë rregullime - ky vendim i sigurisë dhe cilësisë i takon inxhinierit.
Këshillë: Kur AI tregon një anomali në të dhënat e sensorit, pyetja e parë është "a është kjo një ngjarje e vërtetë procesi apo dështim i sensorit/matjes?" duhet të jetë. Shumica e "anomalive" janë një sensor i thyer ose zhvendosje e kalibrimit; Verifikoni vetë matjen përpara ndërhyrjes.
Të dhënat e sensorit: jo çdo devijim është real
Sensorët mund të gënjejnë: një kalibrim rrëshqet, një termoelement lirohet, një linjë transmetimi merr zhurmë. AI mund të shohë një kërcim në të dhëna dhe të thotë "procesi ka ndryshuar"; Megjithatë, nuk është procesi që ndryshon, por sensori. Prandaj, një sinjal anomali filtrohet fillimisht për besueshmërinë e të dhënave: a është në përputhje me një sensor tjetër, a është fizikisht i mundur, a përputhet me të dhënat e mirëmbajtjes? Vetëm pasi këto të kalohen, ai hetohet si një ngjarje e vërtetë procesi.
Kujdes: Një sistem anomali/paralajmërim i hershëm i bazuar në AI nuk është një zëvendësim për një sistem me instrumente sigurie (SIS - një shtresë e pavarur, e certifikuar e mbrojtjes së sigurisë). Modeli i AI është një shtresë monitorimi dhe mbështetëse e vendimeve; Ato janë sisteme sigurie mbrojtëse, të pavarura dhe të verifikuara që sigurojnë sigurinë e jetës dhe të objektit.
tre mini kuti
Rasti 1 - Kapja e hershme e driftit. Në një reaktor, AI shënoi një lëvizje të ngadaltë në një sensor të temperaturës, duke u rritur me një mesatare prej 0.3°C në ditë gjatë 10 ditëve. Ekipi ekzaminoi; Ndotja kishte filluar në një shkëmbyes nxehtësie. Ndërhyrja e hershme parandaloi ndërprerjet e paplanifikuara. Sinjali erdhi nga AI, diagnoza dhe vendimi erdhi nga ekipi.
Rasti 2 — Eliminohet alarmi i rremë. AI pa një kërcim të papritur në një sensor presioni dhe e cilësoi atë si "rrjedhje të mundshme". Inxhinieri pa që dy sensorët fqinjë nuk ndryshuan dhe në atë moment u krye një proces kalibrimi; Sinjali ishte nga sensori. Filtri i besueshmërisë së të dhënave parandaloi një ndërprerje të panevojshme.
Rasti 3 - Kurthi i korrelacionit. YZ shënoi korrelacionin "pastërtia e produktit zvogëlohet kur rritet shkalla e rrjedhës së ushqimit". Inxhinieri zbuloi se shkaku i vërtetë nuk ishte shpejtësia e rrjedhjes, por temperatura e furnizimit, e cila ndryshonte gjatë të njëjtit ndërrim; shkalla e rrjedhës dhe pastërtia shkuan vetëm së bashku. Gabimi i korrelacionit për shkakësinë do të çonte në një mjedis të gabuar.
Katër shabllone të kopjueshëm
1) Drafti i kodit të pastrimit të të dhënave:
Më shkruaj një skript pastrimi Python për një grup të dhënash të sensorit të procesit. Hyrja: CSV me stampim kohor, kolonat [lista]. (1) shënoni vlerat që mungojnë (fshini, opsionet e mbushjes), (2) shënoni vlerat fizikisht të pamundura (shkalla e rrjedhës negative, temperatura jashtë kufijve), (3) kontrolloni konsistencën e njësisë, (4) raportoni vendimet e pastrimit, por MOS fshini automatikisht; Unë do të konfirmoj. Supozimet e shtetit.
2) Interpretimi i SPC / grafiku i kontrollit:
Roli juaj: inxhinier i cilësisë. Unë do t'ju jap seritë kohore dhe kufijtë e kontrollit (UCL/LCL) të një ndryshoreje. Zbatoni rregullat standarde të SPC (jashtë kufijve, prirje sekuenciale, grupim në njërën anë) dhe shënoni cilat pika janë kandidatë për "shkak të veçantë". Për çdo shenjë, tregoni gjithashtu nëse është një ngjarje aktuale e procesit ose një problem i mundshëm matjeje. Vendimi është në dorën time; Ju prezantoni kandidatin dhe arsyetimin. Të dhënat: [ngjit]
3) Filtri i besueshmërisë së anomalive:
Ju keni shënuar anomalinë e mëposhtme: [përshkrim]. Aplikoni një listë kontrolli besueshmërie përpara se të merrni një vendim: (1) a është në përputhje me sensorët ngjitur/shoqërues, (2) a është fizikisht e mundur, (3) a përputhet me rekordin e mirëmbajtjes/kalibrimit, (4) është një pikë e vetme apo vazhdimësi? Vlerësoni nëse është një "ngjarje reale e procesit" ose një "problem i mundshëm i sensorit". Bërja e një diagnoze përfundimtare; Jepni titullin e kërkimit.
4) Hipoteza e shkakut rrënjësor (jo diagnozë):
Është vërejtur devijimi i mëposhtëm i cilësisë/procesit: [përshkrimi, numrat]. Listoni shkaqet e mundshme rrënjësore sipas MUNDËSISË (ushqyerja, katalizatori, sensori, gjendja e funksionimit, mirëmbajtja). Për çdo hipotezë, shkruani se cilat të dhëna ose teste duhet të shikoj për ta konfirmuar/kundërshtuar atë. Kjo NUK është një diagnozë, është një plan hetimi; Mos deklaroni një arsye përfundimtare.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
A ka ndonjë problem me këto të dhëna sensori?
“Problemi” është i padefinuar, nuk ka kontekst. AI mund të ekzagjerojë kërcimet e rastësishme ose të humbasë lëvizjen aktuale.
Njoftim i fuqishëm:
Roli juaj: inxhinier i kontrollit të procesit. Po ju jap 14 ditë dhe 1 minutë të dhëna për temperaturën e reaktorit. Gama normale 78-82°C, UCL 84, LCL 76. Detyra: (1) shënoni lëvizjen e ngadaltë, kërcimin e papritur, modelet e rritjes së lëkundjeve, (2) tregoni për secilën shenjë nëse mund të jetë një ngjarje e vërtetë apo një sensor, (3) lista që duhet të ekzaminohet së pari. Bërja e një diagnoze përfundimtare; Vetëm bazuar në të dhëna reale, jo të shpikura. Të dhënat: [ngjit]
Dallimi është i qartë: variabli, diapazoni normal, kufijtë dhe kuadri "kandidat, jo diagnozë" e bëjnë produktin të përdorshëm.
Shpërndarja e rolit në të dhënat e cilësisë/kontrollit
biznesi
Roli i AI
vendimi i njeriut
pastrimi i të dhënave
kod, flamur
Vendim i pavlefshëm i të dhënave
Anomali
shënimi
Dallimi real/sensor
SPC
zbatimi i rregullave
Vendimi për ndërhyrje
korrelacioni
Shënimi i marrëdhënies
Testimi i shkakësisë
shkaku rrënjësor
Lista e hipotezave
diagnoza, veprimi
mbrojtjen e sigurisë
- (jashtë fushëveprimit)
SIS i pavarur
Gabimet e zakonshme
- Gabimi i çdo anomalie për një ngjarje të vërtetë procesi. Pjesa më e madhe është një çështje sensori/kalibrimi; Besueshmëria e të dhënave filtrohet së pari.
- Duke e konsideruar korrelacionin si shkak. Variablat që veprojnë së bashku mund të mos shkaktojnë njëra-tjetrën.
- Përdorimi i AI si një sistem sigurie. Siguria e jetës/objektit është përgjegjësi e një SIS të pavarur dhe të certifikuar.
- Lejo fshirjen automatike të të dhënave. Inxhinieri vendos se çfarë është e pavlefshme me njohuritë e tij të procesit.
- Gabimi i rrënjës së AI shkakton hipotezën për një diagnozë. Hipotezat janë tema kërkimore derisa të konfirmohen, jo përfundime.
Në përmbledhje
UA në të dhënat e kontrollit të cilësisë dhe procesit; Ai është një asistent i fuqishëm që pastron të dhënat, shënon anomalitë dhe tendencat, zbaton rregullat e SPC dhe gjeneron korrelacione dhe hipoteza për shkakun rrënjësor. Por i takon inxhinierit të vendosë nëse një devijim është real apo sensor, nëse korrelacioni është shkakësi, shkaku rrënjësor dhe ndërhyrja. AI është një shtresë monitorimi dhe mbështetëse e vendimeve; Ato janë sisteme sigurie mbrojtëse, të pavarura dhe të verifikuara që sigurojnë sigurinë e jetës dhe të objektit.
Detyra e aplikimit
Merrni një grup të dhënash sensori (ose mostër seri kohore). Keni kandidatët për kauza të veçanta të flamurit të AI-së me shabllonin "SPC / interpretimi i grafikut të kontrollit". Për çdo shenjë, aplikoni shabllonin "filtri i besueshmërisë së anomalive" për të vlerësuar nëse është një ngjarje e vërtetë apo një problem sensor. Testoni të paktën një korrelacion për shkakësinë me njohuritë tuaja të procesit.
listë kontrolli
- [ ] Fillimisht filtrova sinjalet e anomalive për besueshmërinë e të dhënave (sensori/kalibrimi).
- [ ] Kam testuar korrelacionet për shkakësinë me informacionin e procesit.
- [ ] I transformova sinjalet e KPS-së në një vendim ndërhyrjeje, nuk ia lashë UA-së.
- [ ] Në pastrimin e të dhënave, zbatova vendimin e miratuar, jo fshirjen automatike.
- [ ] Mbrojtjen e sigurisë ia lashë sistemit të pavarur, jo AI.