กำไร:
- ความสามารถในการทำความสะอาดข้อมูลเซ็นเซอร์ด้วยปัญญาประดิษฐ์ และทำเครื่องหมายความผิดปกติและแนวโน้มด้วยกฎ SPC
- ความสามารถในการแยกแยะระหว่างความสัมพันธ์และความเป็นเหตุเป็นผลโดยใช้ตัวกรองความน่าเชื่อถือเพื่อแยกแยะว่าความเบี่ยงเบนนั้นเป็นเหตุการณ์ในกระบวนการจริงหรือเป็นปัญหาของเซ็นเซอร์/การวัด
- การทำความเข้าใจว่าปัญญาประดิษฐ์เป็นชั้นที่สนับสนุนการตัดสินใจ และความปลอดภัยในชีวิตและสิ่งอำนวยความสะดวกเป็นของระบบรักษาความปลอดภัยอิสระ (SIS)
ในขณะที่โรงงานดำเนินการ โรงงานจะผลิตข้อมูลมากมายอย่างเงียบๆ เช่น อุณหภูมิ ความดัน การไหล ระดับ pH และผลการวิเคราะห์ผลิตภัณฑ์จะไหลจากเซ็นเซอร์หลายสิบตัวทุกๆ วินาที ข้อมูลนี้เป็น "ชีพจร" ของกระบวนการ โดยมีทั้งหลักฐานที่แสดงถึงความสมบูรณ์ของกระบวนการและสัญญาณเริ่มต้นของความล้มเหลวที่กำลังจะเกิดขึ้นหรือการเบี่ยงเบนด้านคุณภาพ ในหน่วยนี้ คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์เป็นตัวช่วยในการติดตามข้อมูลนี้ แจ้งความผิดปกติ และตีความแนวโน้มคุณภาพ แต่เราจะเรียนรู้ว่าเหตุใดจึงขึ้นอยู่กับวิศวกรในการตัดสินใจว่าค่าเบี่ยงเบนใดเป็นจริง และต้องดำเนินการอย่างไร
เริ่มต้นด้วยแนวคิดพื้นฐานสองประการ SPC (การควบคุมกระบวนการทางสถิติ; วิธีการที่ตรวจสอบความแปรปรวนของกระบวนการที่มีขีดจำกัดทางสถิติและแยกแยะความผันผวนปกติจากการเบี่ยงเบนที่แท้จริง) และแผนภูมิควบคุม (แผนภูมิควบคุม - แผนภูมิที่แสดงตัวแปรเทียบกับเวลา โดยมีขีดจำกัดการควบคุมบน/ล่าง) สาระสำคัญของ SPC คือความแตกต่างระหว่างความแปรปรวนตามธรรมชาติ (สาเหตุทั่วไป - ความผันผวนของกระบวนการตามปกติและหลีกเลี่ยงไม่ได้) และสาเหตุพิเศษ - การเบี่ยงเบนที่แท้จริงจากภายนอกที่ต้องได้รับการตรวจสอบ AI มีพลังในการสร้างความแตกต่างและค้นหารูปแบบในข้อมูลขนาดใหญ่ แต่ต้นเหตุของการเบี่ยงเบนและการตัดสินใจที่จะเข้าไปแทรกแซงนั้นเป็นของวิศวกร
การสนับสนุน AI ทีละขั้นตอนในด้านคุณภาพและการควบคุมข้อมูล
1. จัดเตรียมและล้างข้อมูล ค่าหายไป กระโดดเนื่องจากเซ็นเซอร์ขัดข้อง หน่วยไม่สอดคล้องกัน AI สร้างโครงร่างโค้ด Python และรายการตรวจสอบสำหรับการล้างข้อมูล แต่คุณตัดสินใจด้วยความรู้ด้านกระบวนการว่าอะไรถือเป็น "ข้อมูลที่ไม่ถูกต้อง"
2. การทำเครื่องหมายแนวโน้มและความผิดปกติ AI ทำเครื่องหมายรูปแบบ เช่น การเคลื่อนตัวช้า การกระโดดกะทันหัน หรือการแกว่งที่เพิ่มขึ้นบนเซ็นเซอร์ สิ่งเหล่านี้คือผู้สมัครที่ต้องได้รับการตรวจสอบ ไม่ใช่ผลลัพธ์
3. ความคิดเห็นของ SPC AI สามารถเรียกคืนกฎแผนภูมิควบคุมได้ (เช่น เมื่อจุดออกนอกขอบเขต จุดต่อเนื่องกันจะไปในทิศทางเดียว) และนำไปใช้กับข้อมูล ขอย้ำอีกครั้งว่าวิจารณญาณทางวิศวกรรมเป็นผู้ตัดสินใจ
4. การค้นพบความสัมพันธ์ AI ส่งสัญญาณความสัมพันธ์ เช่น "ความบริสุทธิ์ดูเหมือนจะลดลงเมื่ออุณหภูมิเพิ่มขึ้น" ความสัมพันธ์ไม่ใช่สาเหตุ (ความสัมพันธ์ ≠ สาเหตุ - ความจริงที่ว่าปริมาณสองปริมาณแตกต่างกันพร้อมกันไม่ได้พิสูจน์ว่าปริมาณหนึ่งทำให้เกิดอีกปริมาณหนึ่ง) คุณทดสอบความสัมพันธ์นี้กับความรู้ด้านกระบวนการ
5. สมมติฐานสาเหตุที่แท้จริง AI แสดงรายการสาเหตุที่เป็นไปได้สำหรับการเบี่ยงเบน (ความแปรผันของฟีด อายุของตัวเร่งปฏิกิริยา เซ็นเซอร์ทำงานล้มเหลว) นี่เป็นหัวข้อการวิจัย ไม่ใช่การวินิจฉัย
6. การตัดสินใจดำเนินการ หากต้องการให้ความสำคัญกับสัญญาณเตือน หยุดกระบวนการ หรือทำการปรับเปลี่ยน วิศวกรจะต้องตัดสินใจเรื่องความปลอดภัยและคุณภาพนี้
เคล็ดลับ: เมื่อ AI แจ้งความผิดปกติในข้อมูลเซ็นเซอร์ คำถามแรกคือ “นี่เป็นเหตุการณ์กระบวนการจริงหรือเซ็นเซอร์/การวัดล้มเหลวหรือไม่” ควรจะเป็น “ความผิดปกติ” ส่วนใหญ่เกิดจากเซ็นเซอร์เสียหายหรือดริฟท์ของการสอบเทียบ ตรวจสอบการวัดด้วยตนเองก่อนการแทรกแซง
ข้อมูลเซ็นเซอร์: ไม่ใช่ทุกส่วนเบี่ยงเบนที่เป็นเรื่องจริง
เซ็นเซอร์สามารถโกหกได้: สลิปการสอบเทียบ, เทอร์โมคัปเปิลหลวม, สายส่งจับสัญญาณรบกวน AI อาจเห็นการกระโดดของข้อมูลและพูดว่า "กระบวนการมีการเปลี่ยนแปลง"; อย่างไรก็ตาม ไม่ใช่กระบวนการที่เปลี่ยนแปลง แต่เป็นเซ็นเซอร์ ดังนั้นสัญญาณความผิดปกติจึงถูกกรองก่อนเพื่อความน่าเชื่อถือของข้อมูล: มันสอดคล้องกับเซ็นเซอร์อื่นหรือไม่ เป็นไปได้ทางกายภาพหรือไม่ ตรงกับบันทึกการบำรุงรักษาหรือไม่ หลังจากที่สิ่งเหล่านี้ผ่านไปแล้วเท่านั้นที่จะถูกตรวจสอบว่าเป็นเหตุการณ์กระบวนการจริง
ข้อควรระวัง: ระบบความผิดปกติ/การเตือนล่วงหน้าที่ใช้ AI ไม่สามารถทดแทนระบบเครื่องมือวัดความปลอดภัยได้ (SIS - ชั้นการป้องกันความปลอดภัยแบบสแตนด์อโลนที่ได้รับการรับรอง) โมเดล AI เป็นเลเยอร์การติดตามและสนับสนุนการตัดสินใจ เป็นระบบป้องกันที่เป็นอิสระและผ่านการตรวจสอบแล้วซึ่งรับประกันความปลอดภัยในชีวิตและสิ่งอำนวยความสะดวก
มินิเคสสามอัน
กรณีที่ 1 — การจับดริฟท์ตั้งแต่เนิ่นๆ ในเครื่องปฏิกรณ์เครื่องหนึ่ง AI ทำเครื่องหมายการเคลื่อนตัวอย่างช้าๆ บนเซ็นเซอร์อุณหภูมิ โดยเพิ่มขึ้นโดยเฉลี่ย 0.3°C ต่อวันในช่วง 10 วัน ทีมงานตรวจสอบ; การเปรอะเปื้อนได้เริ่มต้นขึ้นในตัวแลกเปลี่ยนความร้อน การแทรกแซงตั้งแต่เนิ่นๆ ช่วยป้องกันการหยุดทำงานโดยไม่ได้วางแผนไว้ สัญญาณมาจาก AI การวินิจฉัยและการตัดสินใจมาจากทีมงาน
กรณีที่ 2 — สัญญาณเตือนที่ผิดพลาดถูกยกเลิก AI พบว่าเซ็นเซอร์ความดันเพิ่มขึ้นอย่างกะทันหัน และแจ้งว่า "อาจมีการรั่วไหล" วิศวกรเห็นว่าเซ็นเซอร์สองตัวที่อยู่ใกล้เคียงไม่มีการเปลี่ยนแปลง และได้ดำเนินกระบวนการสอบเทียบในขณะนั้น สัญญาณมาจากเซ็นเซอร์ ตัวกรองความน่าเชื่อถือของข้อมูลป้องกันการหยุดทำงานโดยไม่จำเป็น
กรณีที่ 3 — กับดักความสัมพันธ์ YZ ทำเครื่องหมายความสัมพันธ์ว่า "ความบริสุทธิ์ของผลิตภัณฑ์จะลดลงเมื่ออัตราการไหลของฟีดเพิ่มขึ้น" วิศวกรพบว่าสาเหตุที่แท้จริงไม่ใช่อัตราการไหล แต่เป็นอุณหภูมิของแหล่งจ่าย ซึ่งเปลี่ยนแปลงไปในระหว่างกะเดียวกัน อัตราการไหลและความบริสุทธิ์ไปด้วยกันเท่านั้น ความสัมพันธ์ที่ผิดพลาดสำหรับสาเหตุจะนำไปสู่การตั้งค่าที่ไม่ถูกต้อง
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) ร่างรหัสการทำความสะอาดข้อมูล:
เขียนสคริปต์ Python การล้างข้อมูลให้ฉันสำหรับชุดข้อมูลเซ็นเซอร์กระบวนการ อินพุต: CSV ที่ประทับเวลา คอลัมน์ [รายการ] (1) แจ้งค่าที่หายไป (ลบ ตัวเลือกการเติม) (2) แจ้งค่าที่เป็นไปไม่ได้ทางกายภาพ (อัตราการไหลเป็นลบ อุณหภูมิอยู่นอกช่วง) (3) ตรวจสอบความสอดคล้องของหน่วย (4) รายงานการตัดสินใจในการทำความสะอาด แต่อย่าลบอัตโนมัติ ฉันจะยืนยัน. สมมติฐานของรัฐ
2) การตีความแผนภูมิ SPC / ควบคุม:
บทบาทของคุณ: วิศวกรคุณภาพ ฉันจะให้อนุกรมเวลาและขีดจำกัดการควบคุม (UCL/LCL) ของตัวแปรแก่คุณ ใช้กฎ SPC มาตรฐาน (นอกขอบเขต แนวโน้มตามลำดับ คลัสเตอร์ด้านหนึ่ง) และทำเครื่องหมายว่าจุดใดที่เป็นตัวเลือก "สาเหตุพิเศษ" สำหรับแต่ละป้าย ให้ระบุด้วยว่าเป็นเหตุการณ์ในกระบวนการจริงหรือปัญหาการวัดที่เป็นไปได้ การตัดสินใจขึ้นอยู่กับฉัน คุณนำเสนอผู้สมัครและเหตุผล ข้อมูล: [วาง]
3) ตัวกรองความน่าเชื่อถือที่ผิดปกติ:
คุณได้แจ้งความผิดปกติต่อไปนี้: [คำอธิบาย] ใช้รายการตรวจสอบความน่าเชื่อถือก่อนตัดสินใจ: (1) สอดคล้องกับเซ็นเซอร์ที่อยู่ติดกัน/เกี่ยวข้องหรือไม่ (2) เป็นไปได้ทางกายภาพหรือไม่ (3) ตรงกับบันทึกการบำรุงรักษา/สอบเทียบหรือไม่ (4) เป็นจุดเดียวหรือต่อเนื่องหรือไม่ ประเมินว่าเป็น "เหตุการณ์กระบวนการจริง" หรือ "ปัญหาเซ็นเซอร์ที่เป็นไปได้" ทำการวินิจฉัยขั้นสุดท้าย ตั้งชื่องานวิจัย.
4) สมมติฐานสาเหตุที่แท้จริง (ไม่ใช่การวินิจฉัย):
มีการสังเกตความเบี่ยงเบนด้านคุณภาพ/กระบวนการต่อไปนี้: [คำอธิบาย ตัวเลข] แสดงรายการสาเหตุที่เป็นไปได้ตามลำดับความเป็นไปได้ (ฟีด ตัวเร่งปฏิกิริยา เซ็นเซอร์ สภาพการทำงาน การบำรุงรักษา) สำหรับแต่ละสมมติฐาน ให้จดข้อมูลหรือการทดสอบที่ฉันควรพิจารณาเพื่อยืนยัน/หักล้าง นี่ไม่ใช่การวินิจฉัย แต่เป็นแผนการสืบสวน อย่าประกาศเหตุผลที่แน่ชัด
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
ข้อมูลเซ็นเซอร์นี้มีปัญหาหรือไม่?
"ปัญหา" ไม่ได้กำหนดไว้ ไม่มีบริบท AI อาจเกินจริงในการกระโดดแบบสุ่มหรือพลาดการดริฟท์จริง
พรอมต์อันทรงพลัง:
บทบาทของคุณ: วิศวกรควบคุมกระบวนการ ฉันให้เวลาคุณ 14 วัน 1 นาที สำหรับข้อมูลอุณหภูมิเครื่องปฏิกรณ์ ช่วงปกติ 78-82°C, UCL 84, LCL 76 งาน: (1) ทำเครื่องหมายการดริฟท์ช้า การกระโดดกะทันหัน รูปแบบการเพิ่มการสั่น (2) ระบุสำหรับแต่ละสัญญาณว่าอาจเป็นเหตุการณ์จริงหรือเซ็นเซอร์ (3) รายการที่ควรตรวจสอบก่อน ทำการวินิจฉัยขั้นสุดท้าย เป็นเพียงข้อมูลจริง ไม่ได้สร้างขึ้น ข้อมูล: [วาง]
ความแตกต่างนั้นชัดเจน: ตัวแปร ช่วงปกติ ขีดจำกัด และเฟรมเวิร์ก "ผู้สมัคร ไม่ใช่การวินิจฉัย" ทำให้เอาท์พุตสามารถใช้งานได้
การกระจายบทบาทในข้อมูลคุณภาพ/การควบคุม
ธุรกิจ
บทบาทของเอไอ
การตัดสินใจของมนุษย์
การทำความสะอาดข้อมูล
รหัสธง
การตัดสินใจข้อมูลไม่ถูกต้อง
ความผิดปกติ
การทำเครื่องหมาย
ความแตกต่างจริง/เซ็นเซอร์
สพีซี
การบังคับใช้กฎ
การตัดสินใจการแทรกแซง
ความสัมพันธ์
การทำเครื่องหมายความสัมพันธ์
การทดสอบสาเหตุ
สาเหตุที่แท้จริง
รายการสมมติฐาน
การวินิจฉัย การกระทำ
การป้องกันความปลอดภัย
— (อยู่นอกขอบเขต)
SIS อิสระ
ข้อผิดพลาดทั่วไป
- การเข้าใจผิดทุกความผิดปกติสำหรับเหตุการณ์กระบวนการจริง ส่วนใหญ่เป็นปัญหาเกี่ยวกับเซ็นเซอร์/การสอบเทียบ ความน่าเชื่อถือของข้อมูลจะถูกกรองก่อน
- พิจารณาความสัมพันธ์เป็นเหตุ ตัวแปรที่ทำงานร่วมกันอาจไม่ทำให้เกิดกันและกัน
- การใช้ AI เป็นระบบรักษาความปลอดภัย ความปลอดภัยในชีวิต/สิ่งอำนวยความสะดวกเป็นความรับผิดชอบของ SIS อิสระที่ได้รับการรับรอง
- อนุญาตให้ลบข้อมูลอัตโนมัติ วิศวกรจะตัดสินว่าสิ่งใดไม่ถูกต้องด้วยความรู้ด้านกระบวนการของเขา
- การเข้าใจผิดที่ต้นตอของ AI ทำให้เกิดสมมติฐานในการวินิจฉัย สมมติฐานเป็นหัวข้อวิจัยจนกว่าจะได้รับการยืนยัน ไม่ใช่ข้อสรุป
โดยสรุป
AI ในข้อมูลคุณภาพและการควบคุมกระบวนการ เป็นผู้ช่วยที่ทรงพลังในการล้างข้อมูล ทำเครื่องหมายความผิดปกติและแนวโน้ม ใช้กฎ SPC และสร้างความสัมพันธ์และสมมติฐานต้นตอ แต่มันขึ้นอยู่กับวิศวกรที่จะตัดสินใจว่าความเบี่ยงเบนนั้นมีอยู่จริงหรือเป็นเซ็นเซอร์ ไม่ว่าความสัมพันธ์จะเป็นเหตุ สาเหตุที่แท้จริง และการแทรกแซง AI เป็นชั้นการติดตามและสนับสนุนการตัดสินใจ เป็นระบบป้องกันที่เป็นอิสระและผ่านการตรวจสอบแล้วซึ่งรับประกันความปลอดภัยในชีวิตและสิ่งอำนวยความสะดวก
งานสมัคร
ใช้ชุดข้อมูลเซ็นเซอร์ (หรืออนุกรมเวลาตัวอย่าง) ให้ผู้สมัครที่มีสาเหตุพิเศษธง AI ด้วยเทมเพลต "การตีความ SPC / แผนภูมิควบคุม" สำหรับแต่ละป้าย ให้ใช้เทมเพลต "ตัวกรองความน่าเชื่อถือที่ผิดปกติ" เพื่อประเมินว่าเป็นเหตุการณ์จริงหรือปัญหาเซ็นเซอร์ ทดสอบความสัมพันธ์เชิงสาเหตุอย่างน้อยหนึ่งรายการกับความรู้ด้านกระบวนการของคุณ
รายการตรวจสอบ
- [ ] ขั้นแรกฉันกรองสัญญาณความผิดปกติเพื่อความน่าเชื่อถือของข้อมูล (เซ็นเซอร์/การสอบเทียบ)
- [ ] ฉันทดสอบความสัมพันธ์เชิงสาเหตุกับข้อมูลกระบวนการ
- [ ] ฉันแปลงสัญญาณ SPC ให้เป็นการตัดสินใจการแทรกแซง ฉันไม่ได้ปล่อยให้ AI เป็นผู้ตัดสินใจ
- [ ] ในการล้างข้อมูล ฉันใช้การตัดสินใจที่ได้รับอนุมัติ ไม่ใช่การลบอัตโนมัติ
- [ ] ฉันปล่อยให้การป้องกันความปลอดภัยเป็นหน้าที่ของระบบอิสระ ไม่ใช่ AI