Maskin læring et praktisk eksempel

Transkript

1 Maskin læring et praktisk eksempel Introduksjon og erfaringer fra forprosjekt Alcoa Gunnar Andreas Aarvold Mo I Rana Olje & Gassklynge Helgeland

2 Mål for møtet: Hva er prediktivt vedlikehold? En innføring, forutsetninger og praktiske eksempler Hvordan bør leverandører på Helgeland posisjonere seg?

3 30 % planlagt vedlikehold er unødvendig. Enda 30 % er faktisk skadelig. - Emerson

4 85 % av utstyr feiler til tross for kalenderbasert forebyggende vedlikehold Boeing

5

6 Intro

7 Kunstig Intelligens i vedlikehold Predikere feilutvikling Aktuell for kun 8 til 30% av komponentene Styre optimale driftsparametere Aktuelt for alle påkjente komponenter Forbedret beslutningsgrunnlag Mer kunnskap om utstyr, prosess og sammenhenger Optimalisere VH prosessen Kan gi størst gevinst

8 Komponenters feilkarakteristikk UAL 1968 Bromberg 1973 MSP 1982 SUBMEPP % 3 % 3 % 2 % 2 % 1 % 17 % 10 % 5 % 4 % 3 % 17 % 7 % 11 % 6 % 9 % 14 % 15 % 42 % 56 % 68 % 66 % 29 % 6 %

9 The use of condition monitoring Only 8-29 % is age related the failure rate increases with age The component must have a critical system function The component must have a measureable degradation interval that gives enough time to ensure an efficient inspection interval and sufficient response time For the remaining components % the failure rate is either constant, random or early For these components, planned replacements or condition monitoring will have no effect on reliability.

10 Utvikling vedlikehold - men alt er like aktuelt!

11 Vedlikeholdsstyringssløyfa

12 Reguleringsteknikk Enkel - Reaktiv

13 Domenekunnskap 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

14 Prediktivt vedlikehold

15 Proof of Value - Mønster Prediksjon Fremtidig tilstand: Hvilken svikt kommer? Hvilket vedlikehold bør gjøres og når?

16 Proof of Value - Anodeproduksjon Dataforståelse Datavask Dataanalyse

17 Proof of Value - Mål 1. Predikere fremtidig tilstand på systemet og vise verdien av dette. 2. Hvis 1) ikke lar seg gjøre skal prosjektet beskrive hvilke data som mangler eller trengs av annen kvalitet for å predikere fremtidig tilstand.

18 Datakilder Vedlikeholdssystem (Oracle) Produksjonssystem (OSIsoft)

19

20 Datagrunnlag #1 Figuren viser sammenhen ger mellom div. PI tag er og stopper før data vask

21 Modelleringsresultater Datagrunnlag #2 Figuren viser sammenhenger mellom div. PI tag er og stopper etter datavask. Dette viser at å være kritisk til hvilke data en samler på er viktig for å få et bilde som er så rett som mulig.

22 Funn

23 Vedlikeholdsstyringssløyfa

24 Mål Finne gjenværende levetid?

25 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

26 Neste: Ta ut effekt av Maskin læring Hvis vi vet mer om levetid(rul).. Opplæring/kunnskap? Organisering? Reservedeler? Innkjøp? Modifikasjons prosjekter?

27 Diskusjon / Spørsmål

28 Tiden. Vi reduserer effekten av den.