Praktisk bruk av maskinlæring i vedlikehold

Transkript

1 Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim

2 Alpinlandslaget

3 Agenda Hvorfor prediktivt vedlikehold Maskinlæring vs matematiske modeller Digitalisering caser

4 Reelle løsninger på reelle problem. Alltid. RCM ML RBI RCA Lean

5 Prediktivt vedlikehold Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...

6 Prediktivt vedlikehold Preventivt vedlikehold Tid Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...

7 Prediktivt vedlikehold Preventivt vedlikehold? Tid Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...

8 Samle og analysere data Predikere teknisk tilstand Unngå kostbare havarier og unødvendig vedlikehold

9 "Field of study that gives computers the ability to learn without being explicitly programmed Arthur Samuel 1959

10 Matematiske modeller vs maskinlæring Datasett Datasett Matematisk bevis Læringsalgoritme x f(x) y x h(x) y Fungerer veldig bra for enkle sammenhenger For mer komplekse sammenhenger må vi gjøre antagelser Fanger opp mer komplekse sammenhenger Ingen antagelser Ingen matematisk bevis

11 Domenekunnskap vedlikehold Kontekst Egenskaper / nedbrytning Rådata Rådata Pre-prosessering av data Trene ML algoritmer Prediksjonsmodell Vedlikeholdsorganisasjon Rådata Forståelse for data science Data science

12

13 Diagnosemetoder Kunnskapsbaserte: Deterministisk Modellbaserte Fysisk og kjemiske beregningsmodeller Datadrevne: Enkle Statistiske metoder Kontrollgrenser/Varians/kovarians/ korrelasjon/antikorrelasjon mm. Årsak effekt baserte Ichikawa, RCM/FMEA, FTA, ETA, +5W Avanserte (Lineære og ikke-lineære) Modellbaserte Sett av I/O data, NN, FL, Kalman mm. Test og hendels baserte Målinger, Alarmer og vurderinger Ledet Maskin læring (supervised) Læresett I/O Feilsignatur, mønstergjenkjenning og klassifisering - Algoritmer Regel-erfaringsbaserte FMSA Ekspertsystemer Ikke ledet Maskin læring (unsupervised) Kun inputsvariablenes innbyrdes forhold - Algoritmer

14 Digitalisering caser

15 Alcoa Mosjøen «the sexy little thing up North»

16 Alcoa Mosjøen Prediksjon Fremtidig tilstand: Hvilken svikt kommer? Hvilket vedlikehold bør gjøres og når? Er data gode nok?

17 Alcoa Mosjøen Kan vi bruke datagrunnlaget til å si noe om framtidig tilstand? Hvis ikke, hvordan skal vi samle data i framtiden?

18 Domenekunnskap vedlikehold Kontekst Egenskaper / nedbrytning Rådata Rådata Pre-prosessering av data Trene ML algoritmer Prediksjonsmodell Vedlikeholdsorganisasjon Rådata Forståelse for data science Data science Valg av relevante parametere Tidsperioder passende for treningsdata Formatere data Håndtere manglende verdier og utstikkere Feature engineering Valg av maskinlæringsalgoritme Optimering av hyper-parametere Koordinering mellom drift og vedlikehold Interaksjon med preventivt vedlikehold Reservedeler Logistikk Kompetanse

19 Tidlig varsling av svikt, 1. modell Diagrammet viser reelle utstyrssvikt og prediksjon for utstyrssvikt Ingen klare trender eller mønster er observert

20 Tidlig varsling av svikt, 4. modell Diagrammet er resultatet etter anvendt domenekunnskap og maskinlæring Diagrammet viser reelle utstyrssvikt og prediksjon for utstyrssvikt Vi kan forutse ~25% av svikt

21 Variabler som driver nedetid Input til skiftplan Input til modifikasjoner Input til ressursprioritering Input til reservedeler Input til kompetanse og opplæring Input til

22

23 Det eneste som er sikkert «Nothing worth having comes easy» - Theodore Roosevelt

24 Tiden. Vi reduserer effekten av den.