กำไร:
- อธิบายคุณค่าทางธุรกิจของโหมดความล้มเหลว ข้อมูลเซ็นเซอร์ และการบำรุงรักษาเชิงคาดการณ์ในอุปกรณ์พลังงาน
- ความสามารถในการกำหนดค่าการตรวจจับความผิดปกติ การประมาณอายุการใช้งานที่เหลืออยู่ และการจัดลำดับความสำคัญของการแจ้งเตือนด้วยปัญญาประดิษฐ์
- ความสามารถในการจัดการความสมดุลของสัญญาณเตือนที่ผิดพลาด/ข้อผิดพลาดที่ไม่ได้รับ และความต้องการการอนุมัติจากผู้เชี่ยวชาญในการตัดสินใจในการบำรุงรักษา
ความล้มเหลวของอุปกรณ์ในระบบไฟฟ้ามีราคาแพงและบางครั้งก็เป็นอันตราย: การระเบิดของหม้อแปลงไฟฟ้าทำให้เกิดความเสียหายหลายล้านดอลลาร์และการหยุดทำงานเป็นเวลานาน กล่องเกียร์กังหันลมแตกหมายถึงการสูญเสียการผลิตหลายเดือน การบำรุงรักษาแบบทั่วไปดำเนินการโดยใช้ตรรกะ "แก้ไขเมื่อเกิดความเสียหาย" (การบำรุงรักษาที่พัง) หรือ "แทนที่ตามกำหนดเวลา" (การบำรุงรักษาตามระยะเวลา) ทั้งสองเข้ามาแทรกแซงช้าเกินไปหรือเร็วเกินไป การบำรุงรักษาเชิงคาดการณ์มีจุดมุ่งหมายเพื่อติดตามสภาพที่แท้จริงของอุปกรณ์อย่างต่อเนื่อง คาดการณ์การทำงานผิดพลาดก่อนที่จะเกิดขึ้น และดำเนินการแก้ไขได้ทันเวลา ปัญญาประดิษฐ์เป็นเครื่องมือที่ทรงพลังในการประมวลผลเซ็นเซอร์จำนวนมากและสร้างข้อมูลเชิงลึกนี้ ในหน่วยนี้ เราจะเรียนรู้เกี่ยวกับโหมดความล้มเหลว การตรวจจับความผิดปกติที่ได้รับความช่วยเหลือจาก AI และการประมาณอายุที่เหลืออยู่ และขีดจำกัด
โหมดความล้มเหลวและข้อมูลเซ็นเซอร์
พื้นฐานของการบำรุงรักษาเชิงคาดการณ์ก็คืออุปกรณ์จะทิ้งร่องรอยไว้เมื่ออุปกรณ์พัง ความผิดปกติไม่ได้เกิดขึ้นโดยฉับพลัน แต่มักจะพัฒนาเป็นกระบวนการ และกระบวนการนี้ทำให้เกิดอาการที่วัดได้
- หม้อแปลงไฟฟ้ากำลัง: อุณหภูมิน้ำมัน โหลด และโดยเฉพาะอย่างยิ่งการวิเคราะห์ก๊าซละลาย (DGA; การวัดก๊าซที่สะสมในน้ำมัน) การเพิ่มขึ้นของก๊าซบางชนิดบ่งชี้ถึงความโค้งภายใน ความร้อนสูงเกินไป หรือการเสื่อมสภาพของฉนวน
- กังหันลม: การสั่นสะเทือนของกระปุกเกียร์และแบริ่ง อุณหภูมิ อนุภาคน้ำมัน การเบี่ยงเบนจากกราฟกำลัง การเสื่อมสภาพของตลับลูกปืนทำให้เกิดความถี่การสั่นสะเทือนที่มีลักษณะเฉพาะ
- สายเคเบิลและสาย: การคายประจุบางส่วน (การคายประจุไฟฟ้าเล็กน้อยในฉนวน) อุณหภูมิ
- เบรกเกอร์และสวิตช์เกียร์: จำนวนสวิตช์เปิด-ปิด เวลาเปิด ความต้านทานหน้าสัมผัส
ปัญญาประดิษฐ์จะจับแนวโน้มที่ละเอียดอ่อนและรูปแบบหลายตัวแปรในสัญญาณเหล่านี้ซึ่งสายตามนุษย์จะมองข้ามไป ความผิดปกติคือการเบี่ยงเบนทางสถิติของข้อมูลจากพฤติกรรมปกติ ซึ่งมักเป็นสัญญาณแรกของการบำรุงรักษาเชิงคาดการณ์
เคล็ดลับ: การบำรุงรักษาเชิงคาดการณ์ที่ดีเริ่มต้นจากการรู้จัก "ปกติ" เป็นอย่างดี เป็นไปไม่ได้ที่จะรับรู้ถึงความเบี่ยงเบนโดยไม่รู้ว่าชิ้นส่วนของอุปกรณ์ที่ผลิตลายเซ็นเซ็นเซอร์ชนิดใดเมื่อทำงานอย่างถูกต้อง ดังนั้นการลงทุนขั้นแรกคือการสร้างรากฐานที่สะอาดของ "พฤติกรรมที่ดีต่อสุขภาพ"
ภารกิจสำคัญสองประการ: การตรวจจับความผิดปกติและชีวิตที่เหลืออยู่
ปัญญาประดิษฐ์มีหน้าที่หลักสองประการในการบำรุงรักษาเชิงคาดการณ์
การตรวจจับความผิดปกติจะเกิดขึ้นตั้งแต่เนิ่นๆ เมื่ออุปกรณ์เบี่ยงเบนไปจากปกติ โมเดลเรียนรู้พฤติกรรมที่ดี และทดสอบข้อมูลที่เข้ามาเทียบกับมัน การเบี่ยงเบนทำให้เกิดสัญญาณเตือน พารามิเตอร์ที่สำคัญที่สุดที่นี่คือเกณฑ์: ค่าเบี่ยงเบนที่นับเป็นสัญญาณเตือนเท่าใด
อายุการใช้งานที่เหลืออยู่ (RUL) เป็นการประมาณระยะเวลาที่อุปกรณ์มีอายุการใช้งานจนกระทั่งเกิดความเสียหาย ช่วยให้สามารถวางแผนการบำรุงรักษาได้ (การสั่งชิ้นส่วน ระยะเวลาที่ไฟฟ้าดับ) การประมาณการ RUL มีความไม่แน่นอนโดยธรรมชาติ และควรระบุเป็นช่วง
สัญญาณเตือนที่ผิดพลาด / ข้อผิดพลาดที่ไม่ได้รับยอดคงเหลือ
หัวใจสำคัญของการบำรุงรักษาเชิงคาดการณ์คือความสมดุล สัญญาณเตือนที่ผิดพลาด (ผลบวกลวง) กำลังส่งสัญญาณเตือนเมื่อไม่มีข้อผิดพลาด ส่งผลให้มีการบำรุงรักษาโดยไม่จำเป็น เสียเวลาหยุดทำงาน และ – ที่อันตรายที่สุดคือ – ทีมสูญเสียความมั่นใจต่อสัญญาณเตือนภัย (เอฟเฟกต์ "หมาป่ามาถึงแล้ว") ข้อผิดพลาดที่พลาด (ผลลบลวง) คือความล้มเหลวในการทำนายข้อผิดพลาดที่เกิดขึ้นจริง การระเบิดที่ไม่คาดคิดหมายถึงความเสียหายและความเสี่ยงด้านความปลอดภัย
หากคุณลดเกณฑ์ขั้นต่ำ ข้อผิดพลาดที่พลาดจะลดลง แต่สัญญาณเตือนที่ผิดพลาดจะเพิ่มขึ้น หากคุณเพิ่มขึ้นจะเกิดสิ่งที่ตรงกันข้าม เกณฑ์ที่ถูกต้องถูกกำหนดตามต้นทุนของความล้มเหลวทั้งสองนี้: ต้นทุนของข้อผิดพลาดที่พลาดของหม้อแปลงไฟฟ้าระบบจำหน่ายจะสูงกว่าค่าไฟถนนมาก ดังนั้นเกณฑ์ดังกล่าวจึงมีความอ่อนไหวมากกว่า (เสี่ยงต่อการแจ้งเตือนที่ผิดพลาดมากกว่า) ในอุปกรณ์ที่สำคัญ
ข้อควรระวัง: การพูดว่า "แบบจำลองมีความแม่นยำ 95 เปอร์เซ็นต์" ถือเป็นการเข้าใจผิดในการบำรุงรักษาเชิงคาดการณ์ เนื่องจากความล้มเหลวเกิดขึ้นไม่บ่อยนัก แม้แต่โมเดลที่ไม่สร้างสัญญาณเตือนก็อาจมี "ความแม่นยำ" ถึง 95 เปอร์เซ็นต์ แต่จะตรวจไม่พบความล้มเหลวจริงแม้แต่ครั้งเดียว ดังนั้น ความสำเร็จจึงวัดจากความล้มเหลวที่พลาดและอัตราการเตือนที่ผิดพลาด ไม่ใช่จากความแม่นยำโดยรวม
ทีละขั้นตอน: การบำรุงรักษาเชิงคาดการณ์ที่ขับเคลื่อนด้วย AI
ขั้นตอนที่ 1 — สร้างรากฐานที่แข็งแรง เรียนรู้ลักษณะการทำงานปกติของอุปกรณ์ด้วยข้อมูลที่เพียงพอ
ขั้นตอนที่ 2 — เลือกและตรวจสอบเซ็นเซอร์ สัญญาณที่เหมาะสมกับโหมดความล้มเหลว (การสั่นสะเทือน, DGA, อุณหภูมิ) มีการตรวจสอบการสอบเทียบเซ็นเซอร์
ขั้นตอนที่ 3 — สร้างแบบจำลองความผิดปกติ แบบจำลองที่ตรวจจับความเบี่ยงเบนไปจากปกติ เกณฑ์กำหนดตามความวิกฤตของอุปกรณ์
ขั้นตอนที่ 4 — จัดลำดับความสำคัญการเตือน การเบี่ยงเบนทั้งหมดไม่ได้มีความเร่งด่วนเหมือนกัน AI จัดเรียงการแจ้งเตือนตามความรุนแรงและประเภทข้อผิดพลาดที่เป็นไปได้
ขั้นตอนที่ 5 — การยืนยันโดยผู้เชี่ยวชาญ สัญญาณเตือนที่สำคัญทุกครั้งจะถูกส่งไปที่วิศวกรซ่อมบำรุงเพื่อตรวจสอบ AI ไม่ได้วินิจฉัย แต่เสนอสมมติฐานและลำดับความสำคัญ
ขั้นตอนที่ 6 — คำติชม ข้อผิดพลาดจริง/ผลลัพธ์ปกติจะถูกป้อนกลับไปยังโมเดล เกณฑ์และแบบจำลองได้รับการปรับปรุงแล้ว
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 — การเตือนล่วงหน้าของหม้อแปลง ในข้อมูล DGA ของหม้อแปลงไฟฟ้า AI สามารถตรวจจับก๊าซ (เอทิลีน) ที่เพิ่มขึ้นอย่างช้าๆ แต่มั่นคง การวัดครั้งเดียวอยู่ในช่วงปกติ แต่แนวโน้มไม่ปกติ การตรวจสอบโดยผู้เชี่ยวชาญพบจุดร้อน (การเชื่อมต่อที่ร้อนเกินไป) ความผิดปกติที่เป็นไปได้ถูกป้องกันโดยการแทรกแซงตามแผน ความเสียหายที่หลีกเลี่ยงได้โดยประมาณอยู่ที่หลายล้านลีรา
กรณีที่ 2 — หมาป่าเกิดขึ้น ในทุ่งลมแห่งหนึ่ง เกณฑ์ตั้งไว้ต่ำเกินไป แบบจำลองนี้สร้างสัญญาณเตือนการสั่นสะเทือนที่ผิดพลาดหลายสิบครั้งต่อสัปดาห์ เมื่อเวลาผ่านไป ทีมงานเริ่มเพิกเฉยต่อสัญญาณเตือนและพลาดความล้มเหลวของตลับลูกปืนที่เกิดขึ้นจริง เมื่อมีการปรับเทียบเกณฑ์ใหม่ตามความล้มเหลวที่เกิดขึ้นจริงในข้อมูลในอดีต การแจ้งเตือนที่ผิดพลาดจะลดลงเหลือหนึ่งรายการต่อสัปดาห์และความมั่นใจกลับคืนมา
กรณีที่ 3 — ช่วง RUL สำหรับกระปุกเกียร์ รุ่นแจ้งว่า "อายุการใช้งานที่เหลืออยู่ประมาณ 6 สัปดาห์" แต่เป็นเลขคี่ ในความเป็นจริงความไม่แน่นอนได้เพิ่มขึ้น ชิ้นส่วนมาถึงในสัปดาห์ที่ 9 ความล้มเหลวเกิดขึ้นในสัปดาห์ที่ 5 และมีการหยุดทำงานโดยไม่คาดคิด ในการฝึกครั้งต่อไป RUL จะได้รับช่วงเวลา ("3-8 สัปดาห์ ความเชื่อมั่น 80 เปอร์เซ็นต์") และลำดับชิ้นส่วนถูกนำไปข้างหน้าตามสถานการณ์กรณีที่เลวร้ายที่สุดที่สมเหตุสมผล
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ดูข้อมูลการสั่นสะเทือนนี้ มีความผิดปกติหรือไม่?[ข้อมูล]
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์การบำรุงรักษาเชิงคาดการณ์ อุปกรณ์: กล่องเกียร์กังหันลม - ขั้นแรกสรุปพฤติกรรมปกติ (ดีต่อสุขภาพ) ในข้อมูล ระบุความผิดปกติต่อมัน - จัดลำดับความสำคัญของการเบี่ยงเบนตามความรุนแรงและประเภทความล้มเหลวที่เป็นไปได้ อย่าทำการวินิจฉัยขั้นสุดท้าย แต่สร้างสมมติฐานขึ้นมา - สำหรับแต่ละสมมติฐาน ให้ระบุว่าการวัด/การตรวจสอบเพิ่มเติมใดที่จะยืนยันได้ - พิจารณาความสมดุลของการเตือนที่ผิดพลาดและข้อผิดพลาดที่พลาด ปรับเปลี่ยนคำแนะนำเกณฑ์ของคุณโดยพิจารณาจากความสำคัญของอุปกรณ์นี้ - หากมีการร้องขอ RUL ให้ระบุช่วงความเชื่อมั่น ไม่ใช่ตัวเลขตัวเดียว ข้อมูล: [ชุดการสั่นสะเทือน/อุณหภูมิ]
พรอมต์ที่มีประสิทธิภาพจะกำหนดการปกติก่อน ถามสมมติฐานแทนการวินิจฉัย เพิ่มขั้นตอนการตรวจสอบและการชดเชยขีดจำกัด แจ้ง RUL เป็นระยะๆ โดยหลีกเลี่ยงข้อผิดพลาดแบบคลาสสิกของการบำรุงรักษาเชิงคาดการณ์ตั้งแต่เริ่มต้น
เทมเพลตที่คัดลอกได้สี่แบบ
1) การสกัดขั้นพื้นฐานเพื่อสุขภาพ:
แยกลักษณะการทำงานปกติ/ดีต่อสุขภาพออกจากข้อมูลของอุปกรณ์นี้: ช่วงทั่วไป การเปลี่ยนแปลงตามฤดูกาล/ขึ้นอยู่กับโหลด แล้วกำหนดความผิดปกติบนพื้นฐานนี้ แยกแยะการเปลี่ยนแปลงที่สามารถอธิบายได้ด้วยน้ำหนักหรืออุณหภูมิจากความผิดปกติที่แท้จริง
2) การจัดลำดับความสำคัญของสัญญาณเตือน:
จัดลำดับความสำคัญของการเบี่ยงเบนต่อไปนี้ตามความรุนแรง อัตราการพัฒนา และประเภทความล้มเหลวที่เป็นไปได้ สำหรับแต่ละ: ความเร่งด่วน (เร่งด่วน/ติดตาม/ปกติ) สมมติฐานสาเหตุที่เป็นไปได้ และขั้นตอนการตรวจสอบ ทำการวินิจฉัยขั้นสุดท้าย บันทึกการตัดสินใจจะออกให้กับวิศวกรบำรุงรักษา
3) การวิเคราะห์สมดุลเกณฑ์:
แสดงข้อมูลประวัติถึงผลกระทบของเกณฑ์ที่แตกต่างกันต่อจำนวนการแจ้งเตือนที่ผิดพลาดและข้อผิดพลาดที่พลาดสำหรับคะแนนความผิดปกตินี้ แนะนำและปรับเกณฑ์โดยคำนึงถึงความสำคัญของอุปกรณ์ ([สูง/ปานกลาง/ต่ำ]) ดูข้อผิดพลาดทั้งสองประเภทแยกกัน ไม่ใช่ความถูกต้องโดยรวม
4) รายงานความไม่แน่นอนของ RUL:
ประมาณการอายุการใช้งานที่เหลืออยู่ด้วยช่วงและระดับความมั่นใจ เมื่อใดที่คาดว่าจะเกิดความล้มเหลวใน "สถานการณ์ที่เลวร้ายที่สุด" แนะนำการจัดซื้อชิ้นส่วนและการวางแผนการหยุดทำงานตามสถานการณ์กรณีที่เลวร้ายที่สุดนี้
โหมดความผิดปกติและตารางสัญญาณ
อุปกรณ์
สัญญาณที่ถูกตรวจสอบ
อาการเริ่มแรก
หม้อแปลงไฟฟ้า
DGA, อุณหภูมิน้ำมัน
ก๊าซเพิ่มขึ้นจุดร้อน
กังหันลม
การสั่นสะเทือนอนุภาคน้ำมัน
ความถี่แบริ่ง/เกียร์
สายเคเบิล/สาย
การคายประจุบางส่วน อุณหภูมิ
การเสื่อมสภาพของฉนวน
เครื่องตัด
เวลาเปิดทำการต้านทานการสัมผัส
การชะลอตัวทางกล
เครื่องกำเนิดไฟฟ้า
การสั่นสะเทือน อุณหภูมิ กระแส
ความไม่สมดุล แรงเสียดทาน
ข้อผิดพลาดทั่วไป
- อาศัยความถูกต้องทั่วไป เนื่องจากความล้มเหลวเกิดขึ้นไม่บ่อยนัก แม้แต่ "ไม่มีสัญญาณเตือน" ก็แสดงความแม่นยำสูง ความผิดที่พลาดจะต้องวัดแยกกัน
- ตั้งเกณฑ์ไม่ถูกต้อง ค่าขีดจำกัดที่ต่ำเกินไปจะส่งผลให้เกิดเอฟเฟกต์ "หมาป่ามาถึงแล้ว" ค่าขีดจำกัดที่สูงเกินไปจะส่งผลให้เกิดข้อผิดพลาดที่พลาด
- มี AI วินิจฉัย AI สร้างสมมติฐานและลำดับความสำคัญ การวินิจฉัยขั้นสุดท้ายและการตัดสินใจในการแทรกแซงเป็นของผู้เชี่ยวชาญ
- ให้ RUL เป็นเลขคี่ การประมาณอายุการใช้งานโดยไม่มีช่วงความไม่แน่นอนจะนำไปสู่การหยุดทำงานโดยไม่ได้วางแผนไว้
- ค้นหาความผิดปกติโดยไม่รู้จักความปกติ การตรวจจับที่ทำโดยไม่ได้สร้างรากฐานที่ดีอาจทำให้เข้าใจผิดว่าปริมาณงาน/การเปลี่ยนแปลงตามฤดูกาลถือเป็นความผิดปกติ
โดยสรุป
การบำรุงรักษาเชิงคาดการณ์มีเป้าหมายที่จะเข้าไปแทรกแซงทันเวลาโดยคาดการณ์ความผิดปกติจากร่องรอยเซ็นเซอร์ของอุปกรณ์ ปัญญาประดิษฐ์มีประสิทธิภาพในการตรวจจับความผิดปกติและการทำนายชีวิตที่เหลืออยู่ แต่ความสำเร็จไม่ได้วัดจากความแม่นยำโดยรวม แต่วัดจากความสมดุลของการเตือนที่ผิดพลาดและความผิดพลาดที่พลาดไป เกณฑ์ที่กำหนดขึ้นอยู่กับความสำคัญของอุปกรณ์ AI สร้างสมมติฐานมากกว่าการวินิจฉัย RUL ถูกเว้นไว้ และการแจ้งเตือนที่สำคัญทุกครั้งจะส่งไปยังการตรวจสอบโดยผู้เชี่ยวชาญ
งานสมัคร
รับอนุกรมเวลาของเซ็นเซอร์ของอุปกรณ์ (หม้อแปลงไฟฟ้า กังหัน มอเตอร์) ขอการวิเคราะห์จาก AI ด้วยเทมเพลต “การแยกข้อมูลพื้นฐานที่ดี” และ “การจัดลำดับความสำคัญของสัญญาณเตือน” ตรวจสอบให้แน่ใจว่าคุณกำหนดแบบปกติก่อน จากนั้นถามตัวเองว่าความเบี่ยงเบนใดๆ ที่พบสามารถอธิบายได้ด้วยน้ำหนักหรืออุณหภูมิหรือไม่ เลือกเกณฑ์และเขียนว่าเกณฑ์ดังกล่าวเปลี่ยนสมดุลการแจ้งเตือนที่ผิดพลาด/ข้อผิดพลาดที่ไม่ได้รับอย่างไร
รายการตรวจสอบ
- [ ] ฉันได้กำหนดพื้นฐานสำหรับพฤติกรรมด้านสุขภาพ/ปกติของอุปกรณ์
- [ ] ฉันเลือกสัญญาณเซ็นเซอร์ที่เหมาะสมสำหรับโหมดฟอลต์และพิจารณาการสอบเทียบ
- [ ] ฉันแยกความผิดปกติออกจากเอฟเฟกต์การโหลด/ฤดูกาล
- [ ] ฉันกำหนดเกณฑ์ตามความวิกฤตของอุปกรณ์และต้นทุนของความล้มเหลวทั้งสองประเภท
- [ ] ฉันดูที่การแจ้งเตือนที่ผิดพลาด / อัตราความล้มเหลวที่ไม่ได้รับ มากกว่าความแม่นยำโดยรวม
- [ ] ฉันขอให้ AI ทราบถึงสมมติฐานและขั้นตอนการตรวจสอบ ไม่ใช่การวินิจฉัย
- [ ] ฉันนำเสนอค่าประมาณ RUL พร้อมช่วงความเชื่อมั่นและต้องได้รับการอนุมัติจากผู้เชี่ยวชาญ