1. INTRODUCERE

Realitatea actuală din lumea mentenanței s-a schimbat radical. Deși ideea de a utiliza echipamentele până la defecțiune nu este deloc depășită, în zilele noastre este din ce în ce mai prezentă nevoia de a prevedea momentul în care acestea se defectează, ca o modalitate de a le prelungi durata de viață utilă.

Una dintre principalele probleme cu care se confruntă și astăzi mentenanța este reprezentată de defecțiunile care apar pe neașteptate. În anumite cazuri, avariile pot compromite buna funcționare a unei linii de producție sau, în cazuri mai extreme, pot provoca opriri totale, care pot avea costuri asociate ridicate, de la achiziționarea de piese de schimb până la înlocuirea completă a echipamentului.

În prezent, încă nu este posibil să se prevadă o precizie de defecțiune. Cu toate acestea, există o nouă tehnologie legată de inteligență artificială care poate ajuta la prezicerea defecțiunilor prin analizarea datelor colectate de la echipament, prezicând astfel viitoarele scenarii de defecțiuni. Această tehnologie, cunoscută în mod obișnuit sub numele de Machine Leaarning (ML), pemite nu numai identificarea cauzelor legate de defecțiuni, ci și sprijinirea deciziilor de reducere a costurilor pe baza previziunilor de date.

Scopul acestui articol este de a informa cititorul cu privire la această tehnologie și la motivele pentru care această capătă notorietate în domeniul mentenanței și la beneficiile care pot apărea în urmă implementării sale.

  1. CE ESTE MACHINE LEARNING?

ML integrează una dintre ramurile inteligenței artificiale, al cărei obiectiv principal se bazează pe acordarea de autonomie calculatoarelor pentru a acționa și/sau a lua decizii fără a fi programate în prealabil pentru a efectua astfel de acțiuni. Fără a fi nevoie de intervenția umană, această tehnologie se remarcă prin capacitatea sa de a învăța doar pe baza experienței pe care o dobândește. În cazuri particulare, aceasta poate beneficia de feedback-ul oferit de utilizator. Feedback-ul va permite realizarea de comparații viitoare cu predicții precise, ceea ce va duce la îmbunătățirea continuă a modelelor.

De asemenea, această tehnologie se folosește de capacitatea sa ridicată de extrageere a datelor și de algoritmi pentru a construi modele analitice care pot fi utilizate pentru a produce decizii fiabile și repetitive. Arborele de decizie, de exemplu, este un algoritm bine cunoscut de care se folosește Machine Learning, deoarece permite cartografierea și clasificarea defectelor.

Există mai multe modalități de a analiză datele utilizând diferite tehnici ML. Sunt evidențiate aceste trei tehnici de învățare automată:

Învățare supravegheată

După cum sugerează și numele său, această metodă utilizează un algoritm care are nevoie de ajutor extern pentru a clasifica datele colectate și este utilă atunci când știți care ar trebui să fie rezultatul  analizei. Baza de date furnizată este împărțită în două seturi de date, unul în care algoritmul va fi antrenat și celălalt testat. În baza de date de instruire, algoritmul este învățat cum să împartă sau să clasifice datele furnizate astfel încât eficaciatea sa să poată fi testată pe baza a ceea ce a învățat.

Învățare nesupravegheată

Atunci când se confruntă cu date care nu sunt clasificate, algoritmul învață unele  caracteristici prezente în informații și procedează la clasificarea lor în funcție de caracteristicile comune găsite. Această tehnică este utilă atunci când nu se știe cum ar trebui să fie rezultatul analizei, adică atunci când nu există o clasificare predefinită pe care se intenționează să o folosească și, în acest fel, clasele sunt prezentate în funcție de infromatiile analizate. Odată ce este furnizată o nouă baza de date, algoritmul continuă să identifice clasificări bazate pe caracteristici găsite anterior.

Învățarea prin consolidare

Se bazează pe identificarea modelelor. Învățarea consolidată este utilă atunci când doriți să luați decizii mici și repetitive fără intervenție umană. Această metodă utilizează algoritmi care învață din rezultate și decid ce acțiune trebuie să facă în continuare. Spre deosebire de învățarea supravegheată – în care sunt indicate clasele de date – în această tehnică, inițial, acțiunile sunt identificate ca fiind corecte, incorecte și neutre (sau) nedefinite. Prin urmare, este necesar, să se ofere feedback atunci când algoritmul întreprinde o acțiune astfel încât, în viitor, acesta să își poată îmbunătăți deciziile pe baza experienței sale.

  1. MACHINE LEARNING ȘI MENTENANȚA PREDICTIVĂ

Atunci când se aplică funcției de mentenanță, ML poate acționa ca un instrument util pentru strategiile de mentenanță care se bazează în mod obișnuit pe instrumentarea, numită mentenanță predictivă.

Conform standardului de terminologie a mentenanței, prin mentenanță predictivă se înțelege o mentenanță condiționată efectuată în conformitate cu previziunile extrapolate din analiză și evaluarea parametrilor semnificativi de degradare a bunului.

Astfel, implementarea învățării automate permite ca această tehnologie să acționeze ca un instrument de sprijin pentru această strategie de mentenanță, permițând atingerea obiectivelor, atât în aceea ce privește utilizarea instrumentului în sine, cât și în ceea ce privește mentenanța predictivă, în principal:

–        Estimarea duratei de viață rămasă a echipamentului

–        Reducerea riscurilor operaționale

–        Recomandarea activități de întreținere în timp util

–        Descoperirea modelele legate de defecțiuni

–        Controlul costurilor activităților de întreținere

  1. DE CE SĂ FOLOSIȚI MACHINE LEARNING?

 Utilizarea acestui instrument va permite să profitați de potențialul unei cantități mari de date din acțiunile de mentenanță, care sunt de obicei introduse și stocate fără a fi analizate în mod corespunzător.

În prezent, sistemele de gestionare a mentenanței – cunoscute și sub acronimul CMMS ( Computerized Maintenance Management System) – joacă un rol important în gesitonarea activelor, prezentându-se ca o bună sursă de date pe care Machine Learning le poate utiliza pentru a analiza starea actuală a echipamentelor. În prezent, ML poate utiliza datele stocate în aceste sisteme în legătură cu :

        Date referitoare la echipamente : Tipurile de mașini în care apar cele mai multe probleme și componentele care necesită cea mai mare atenție

–        Istoric de mentenanță : Descrierea intervențiilor, acțiunile de mentenanță preventivă, efectuate asupra echipamentului, acțiunile corective efectuate pentru remedierea defecțiunilor (cu indicarea simptomelor și a cauzelor respective) și evidență pieselor de schimb utilizate

–        Date din monitorizarea parametrilor de funcționare : Analiza parametrilor, cum ar fi temperatura, presiunea, vibrațiile, printre altele cu identificarea dorită a valorilor aberante. ML efectuează o analiză detaliată a tuturor datelor menționate mai sus, fiind astfel posibilă descoperirea de informații – adesea neobservate prin controlul și analiza tehnicienilor – care pot deveni utile ulterior, pentru luarea deciziilor.

  1. BENEFICII PENTRU MENTENANȚĂ

 După implementarea ML, este posibil să se identifice un set de benficii ale acestei tehnologii, dintre care unele se suprapun cu beneficiile mentenanței predictive, și anume:

–        Prelungirea ciclului de viață al echipamentului : Prin crearea de noi modele de prognoza este posibilă prelungirea duratei de viață utilă a echipamentelor, permițându-le să își îndeplinească funcțiile pentru o perioada mai lungă de timp.

–        Optimizarea acțiunilor de mentenanță preventivă :  Este posibil să se redefinească planurile de mentenanșță, fie în ceea ce privește frecvența, fie în ceea ce privește noile sarcini considerate necesare pentru prevenirea defecțiunilor, reducând astfel costurile viitoare.

–        Colectarea automată a datelor : Senzorii care permit colectarea în timp real a parametrilor de furnizare favorizează un control mai mare al stării echipamentelor, precum și crearea de alerte în cazul în care se confruntă cu valori discordante.

–        Organizarea informațiilor stocate : Odată ce utilizează datele stocate, ML procedează la colectarea și analiza acestora, pentru că mai târziu să le poată identifica și organiza, făcând astfel previziunile mai precise și domeniul lor mai clar.

CONSIDERAȚII FINALE

 Datorită importanței sale majore în prevenirea defecțiunilor și în luarea deciziilor, învățarea automată devine în aceste condiții un instrument util pentru majoritatea funcțiilor de mentenanță.

Cu toate acestea, este de asemenea important de menționat că, indiferent de scopul pe care intenționați să îl atingeți folosind acest intrument, predicțiile dvs. vor fi mai precise, deoarece aveți la dispoziție cantități mai mari de date și o calitate mai bună a informațiilor analizate. La fel că multe alte tehnologii care câștigă teren în prezent, ML, în acest moment, nu are un răspuns la toate problemele legate de mentenanță, deoarece este o tehnologie care, are încă o marjă mare de dezvoltare și îmbunătățire.

Această tehnologie are o gamă largă de aplicabilitate, nu numai în domeniul mentenanței – punctul central al acestui articol, – ci și în multe alte domenii de mare relevanță și interes, cum ar fi: medicina, prin diagnosticarea medicală a pacienților, recunoașterea vocii prezentă pe orice smartphone, și în sectorul auto, prin crearea de vehicule care includ capabilități de autoconducere.

Astăzi, ca urmare a nenumăratelor progrese tehnologice, este posibil să se utilizeze Machine Learning – precum și multe alte tehnologii similare care utilizează cantități uriașe de date pentru a rezolva probleme cu care se pot confruntă companiile în viitor. Inteligența artificială va permite acțiunilor să mențină echipamentele operaționale, precum și să reducă costurile asociate cu majoritatea formelor de mentenanță.

REFERINȚE BIBLIOGRAFICE

[1] GONÇALVES, DA, ARAÚJO, HF, PINTO, JC, NASCIMENTO, RL & PINTO, VC (2017). Machine Learning for Predictive Maintenance. 14th National Congress on Maintenance. Castle of Maia, Portugal.

[2] SHARMA, N., SHARMA, R., & JINDAL, N. (2021). Machine Learning and Deep Learning Applications – A Vision. Global Transitions Proceedings.

[3] Portuguese Institute of Quality. (2007). NP EN 13306:2007.

[4] MOBLEY, RK (2002). An Introduction to Predictive Maintenance, 2nd Edition.

[5] CARDOSO, DER (2020). Application of predictive maintenance concepts with the application of Artificial Intelligence tools. Dissertation (Integrated Master in Mechanical Engineering) – Faculty of Engineering, University of Porto. Available at: https://hdl.handle.net/10216/128181