Модели искусственного интеллекта, такие как GPT-4, Claude 3 и Gemini, способны обрабатывать и обобщать огромные массивы неструктурированных данных, формировать прогнозы и выводить аналитические умозаключения. Генеративный ИИ применяется для моделирования белков, оптимизации логистических цепочек и прогнозирования поведения потребителей. По оценкам McKinsey, экономический потенциал этой технологии может достигать 4,4 триллиона долларов в год.
Несмотря на значительные успехи, искусственный интеллект по-прежнему сталкивается с серьезными ограничениями в ряде аналитических задач. Он не способен формировать долгосрочные экономические прогнозы и с трудом предсказывает резкие изменения на рынках. Анализ данных промышленного оборудования остается одной из сфер, где возможности ИИ все еще недостаточны.
Более десяти лет я занимаюсь промышленной аналитикой и наблюдаю, как эта область меняется под влиянием инновационных технологий. В настоящее время искусственный интеллект выявляет даже минимальные признаки неисправностей. Тем не менее я уверен: ИИ не может функционировать в полной автономии. В предиктивном обслуживании роль специалиста-аналитика остается ключевой.
Роль ИИ в предиктивном обслуживании
Предиктивное обслуживание позволяет прогнозировать сбои оборудования на основе исторических и текущих данных от датчиков промышленного интернета вещей, с использованием методов машинного обучения и искусственного интеллекта.
Температура, вибрация, нагрузка и давление — алгоритмы ИИ обучаются на всех этих показателях работы механизмов. Они изучают потоки данных в реальном времени и выявляют закономерности, предшествовавшие предыдущим поломкам. Системы на базе ИИ фиксируют даже незначительные отклонения от стандартных режимов, которые могут остаться незамеченными для человека. Это особенно важно на начальных этапах формирования дефекта.
Современные системы предиктивного обслуживания не только разбирают причины инцидентов, но и предлагают меры по их предотвращению, которые может реализовать команда по техобслуживанию — например, снижение нагрузки на агрегат, замена компонента или обновление смазки. Благодаря этому проблемы устраняются до того, как перерастают в серьезные аварии с высокими затратами. Среди предприятий, внедривших предиктивное обслуживание, 95% отмечают финансовые выгоды, а 27% окупили вложения менее чем за год.
В то же время системы ИИ не обладают полной самостоятельностью, и инженеры-аналитики продолжают играть важную роль в процессах предиктивного обслуживания. Существует три ключевые причины, по которым искусственный интеллект пока не в состоянии полностью вытеснить человеческий опыт:
- Недостаток данных для обучения
Известно, что модели ИИ нуждаются в огромных объемах исторических и качественных данных для подготовки. В случае промышленного оборудования задача усложняется: даже консервативные оценки предполагают миллионы сценариев дефектов. Однако когда требуется информация, где тип оборудования, фаза развития неисправности, условия эксплуатации и прочие параметры совпадают с конкретной ситуацией, таких данных оказывается мало. Для новых или редких машин историческая статистика сбоев может отсутствовать вовсе. В подобных обстоятельствах именно знания инженера позволяют принимать обоснованные решения. - Отсутствие понимания контекста у ИИ
Пока мы подсчитываем экономию от распродаж вроде Черной пятницы и радуемся приобретениям (включая ненужные), в распределительных центрах работа только набирает обороты. Конвейеры функционируют на пределе, и если в одном из подшипников есть малейший изъян, его износ ускорится. Итог: внезапный отказ, остановка линии и недовольство клиентов из-за задержек заказов. Увеличенная нагрузка на оборудование в пиковые периоды, такие как Черная пятница, — это контекст. ИИ может не учесть его. Система отслеживает тенденции и реагирует на изменения в поведении механизмов, но не всегда связывает их с причинами и способом эволюции условий работы. Это затрудняет точную диагностику и определение первопричины сбоя. Для достоверных выводов требуется охват множества сценариев — их может быть сотни. - Проблемы с качеством данных
Технологии промышленного интернета вещей кардинально меняют подходы к обслуживанию, но их эффективность напрямую зависит от надежности данных от сенсоров. Здесь даже передовые алгоритмы могут подвести. Производственные данные бывают зашумленными, неполными или искаженными. Причины? Например, вибрационные датчики могут улавливать посторонние колебания от соседних установок. Тогда ИИ расценит их как сигнал тревоги и выдаст ложное уведомление. Если человек, осведомленный о росте мощности соседней машины, не оценит это, бригада потратит время на бесполезные инспекции. В долгосрочной перспективе такие случаи подрывают доверие к системе, и предупреждения начинают игнорироваться. Данные от сенсоров могут теряться из-за сбоев связи или разряда батареи в беспроводных устройствах. Неправильная установка или калибровка сенсора тоже приводит к ошибочным показаниям. Инженер-аналитик способен интерпретировать такую информацию с учетом специфики производства и отличить genuine поломку от погрешности измерений.
Сколько данных требуется ИИ?
Продвинутые системы предиктивного обслуживания, в зависимости от количества подключенных датчиков промышленного интернета вещей, ежедневно собирают миллиарды измерений параметров оборудования. Алгоритмы просеивают эти данные в поисках аномалий и отбирают те, что могут сигнализировать о дефекте. Впрочем, это лишь начальная оценка — ее все равно должен подтвердить квалифицированный специалист.
Почему ИИ пока не обеспечивает стопроцентную точность диагностики? Рассмотрим подшипники как иллюстрацию.
Подшипники встречаются практически во всех промышленных механизмах — от двигателей до конвейеров — и вызывают около 40% отказов оборудования. Их состояние оценивают по вибрационным данным от датчиков промышленного интернета вещей. Эти устройства отправляют сигнал в систему предиктивного обслуживания — по сути, аудиозапись механического гула. С помощью математического метода, известного как быстрое преобразование Фурье, сигнал переводят из временной области в частотную. Затем нейронная сеть, а за ней инженер-человек, анализируют вибрации как во временной, так и в частотной плоскостях для оценки состояния подшипника.
Далее приведены весьма приблизительные вычисления, призванные продемонстрировать масштаб проблемы, с которой сталкиваются разработчики ИИ.
Построим модель на основе компонентов вибрационного сигнала, измеряемых по трем осям: X, Y и Z. Каждое измерение включает 10 000 точек в частотном спектре (типичный случай). Следовательно, входной вектор для нейронной сети содержит 30 000 чисел (по 10 000 спектральных значений на каждую ось).
Для задач с большим числом входных параметров минимальное количество примеров обучения должно составлять 10–50 крат от размерности вектора. Это помогает избежать переобучения и повысить устойчивость к шумам. Однако эта оценка не учитывает эксплуатационный контекст подшипника или иные значимые факторы, влияющие на объем данных для тренировки модели.
В таблице перечислены эти факторы с примерными значениями, чтобы показать, сколько случаев может потребоваться нейронной сети для точного распознавания и классификации дефектов подшипников.
| Фактор | Количество вариантов | Влияние на объем данных |
|---|---|---|
| Типы подшипников | 10 | ×10 |
| Стадии развития дефекта | 5 | ×5 |
| Условия эксплуатации (нагрузка, скорость и т.д.) | 20 | ×20 |
| Типы дефектов | 15 | ×15 |
| Минимальный множитель для обучения (10–50) | 30 (среднее) | ×30 |
Лишь малая доля данных, поступающих ежедневно в систему предиктивного обслуживания, указывает на возможные проблемы, и не все сигналы тревоги связаны с вибрациями. Даже "подозрительные" вибрационные измерения обычно отражают ранние фазы дефекта, а не его завершение, поскольку цель системы — именно timely предупреждение о прогрессе неисправности.
Поэтому нейронные сети объективно не имеют достаточного количества данных для всех видов дефектов, на всех этапах их эволюции, в каждом контексте и для всех подшипников. Хотя сеть может уловить паттерны, намекающие на неисправность, она не всегда способна поставить точный диагноз или предложить конкретные рекомендации для техобслуживания. Именно поэтому инженеры по вибрационным данным и аналитики остаются неотъемлемой частью процессов предиктивного обслуживания.
Перспективы развития предиктивного обслуживания
Наилучшие результаты в предиктивном обслуживании на сегодняшний день достигаются благодаря подходу "человек в цикле": алгоритмы обрабатывают триллионы сигналов, а эксперты вносят контекст, отсеивают ложные тревоги и обучают модели на реальных примерах путем правильной разметки данных. Сочетание скорости машинного анализа с опытом специалистов позволяет одновременно масштабировать оценку и повышать точность решений.
Однако данные генерируются с такой скоростью, что я не исключаю появления полностью автономных систем ИИ в предиктивном обслуживании в ближайшие годы. Следующий этап эволюции предиктивной аналитики в целом — прескриптивная аналитика, которая не только прогнозирует события, но и автоматически устраняет проблемы. Уже существуют сервисы, предсказывающие потребности в запасных частях и автоматически размещающие заказы, или перенаправляющие производственные нагрузки на другие линии для предотвращения простоев. Нет сомнений, что будущее принесет еще большую автоматизацию процессов по уходу за оборудованием.