fb
IT Systems 6/2017 EAM/CMMS - Správa majetku a údržby 17. 7. 2017 11:52

Umělá inteligence ve službách mechanika

Neuron SoundwareRozvoj nových technologií vždy jednou za čas přináší příležitost výrazně proměnit naši společnost. Stačí se podívat, jak se změnil svět s příchodem internetu či chytrých telefonů. A k vynálezu elektřiny přirovnávají někteří pokrok v oblasti umělé inteligence. Předně je třeba říct, že neuronové sítě nejsou zcela novým vynálezem. Princip tzv. strojového učení je známý už 20 let, nicméně díky nárůstu výpočetního výkonu v současnosti zažívá renesanci.

Čeká nás opravdu tak dramatická změna?

Během posledních několika málo let se počítače naučily hrát jednoduché hry pouze sledováním obrazovky a mačkáním kláves. V loňském roce porazily nejlepší lidské hráče planety ve hře GO, která díky své složitosti a počtu kombinací měla být pro počítače nedobytná ještě nejméně celá desetiletí. A právě to je nejnázornější příklad, jak moc se přístup v řešení složitých problémů změnil.

Již to není o síle výpočetního výkonu, jako byla hra šachy, ale zejména o kvalitě algoritmu. Ten využívá tzv. hlubokých neuronových sítí, které imitují proces učení v biologických organismech. Učí se na základě dat a historických zkušeností podobně jako lidé. Vysvětleme si to na příkladu rozeznávání objektů v obrazu. Například jak se liší kůň od osla. Možná byste mohli zkusit vymyslet rovnici, jak je od sebe rozlišit s použitím poměrů velikostí uší, vzdálenosti očí aj. Nicméně pak vám někdo dá fotku z jiného úhlu a pracně připravenárovnice přestane fungovat. Naopak když poskytnete neuronové síti stovky obrázků zvířat, naučí se sama je rozpoznávat. Je to jako když se učí malé dítě. Nejprve si koně s oslem plete, ale když je párkrát správně pojmenujete, naučí se je rozlišovat. Toto pokročilé strojové učení, umělá inteligence, nachází své uplatnění v celé řadě oborů od rozpoznání překážek u samo-řiditelných aut až po úpravu fotografií ve stylu vybraného malíře. Mohla by však sloužit mechanikovi a snížit náklady na údržbu?

Využití neuronových sítí pro audiodiagnostiku

Vibrace a zvuk jsou často nejjednodušší metoda rozpoznání mechanických závad ať u motorů, převodů, výhybek či jiných mechanismů. Akustická emise byla však donedávna příliš složitá, než aby bylo možné ji přímo zpracovávat. Signál byl příliš chaotický. Proto se v praxi uplatňovala pouze v jednoduché formě. Například v případě ložisek se hledaly tzv. vyšší harmonické frekvence. Výrazná amplituda na násobku otáček ložiska indikovala potenciální problém.

Většina z nás ovšem zažila situaci, kdy jste například jeli automobilem a měli pocit, že něco nezní úplně v pořádku. A někdo asi zažil i situaci, kdy mechanik po zaparkování vozu v servise přišel k vám a rovnou vám oznámil, v čem je problém. A to je možné díky naší lidské schopnosti porozumět zvukům velmi komplexně. Zkuste pustit klíč na zem a uvidíte, jak se lidé otočí – všichni tento zvuk rozpoznali.

A tuto schopnost rozpoznávání zvuku je nyní možné replikovat v počítači. Diagnostika tedy může nabýt mnohem komplexnější podoby. Již nebude omezena jednoduchými rovnicemi. Neuronové sítě mají schopnost odlišovat od sebe složité vzory například rozborem spektrogramu. Může se zaměřovat na krátké události dlouhé jen desítky či stovky milisekund. Dokáže ovšem stejně dobře zpracovávat i zvuky dlouhé mnoho vteřin. Neuronová síť rozumí, zda to, co předcházelo konkrétnímu zvuku, odpovídá tomu, co má po něm následovat. Technologie akustických senzorů zároveň není omezena frekvenčním pásmem lidského ucha. Citlivý mikrofon či piezo-senzor dokáže zaznamenat pomalé chvění až po vysoký ultrazvuk. Zvuk reprezentuje to, co se fyzicky odehrává uvnitř stroje a reflektuje mechanismus zařízení. Lze tedy obohatit různé stroje o schopnost porozumět svým mechanickým závadám.

Jaké možnosti využití se nabízí?

Naše zkušenost zahrnuje zpracování audiozáznamů z rozličných mechanických zařízení – od eskalátorů, přes výhybky, klimatizační jednotky až po atypické zvuky z větrných elektráren. Jelikož se technologie učí z dat, tak je její využití univerzální. V ideálním případě je trénovací data-set obsáhlý, a to včetně řady problémových stavů. Pak je možné připravit algoritmus, který bude rozpoznávat konkrétní problémy. Pustíte mu několik vteřin záznamu. Výsledek analýzy je pak znám téměř okamžitě – vyhodnocení, jak moc je která třída poruchy rozpoznána.

Nabízí se technologie využít pro vývoj složitějších prediktivních modelů – například pro akustické stopy ložisek. Z jemných odstínů zvuku ložiska může neuronová síť odhadnout životnost ložiska či dalších mechanických komponent. To by radikálně změnilo, jakým stylem se v současnosti spravují stroje. Každý stroj by mohl mít individuální algoritmus, který jej bude sledovat v reálném čase a hlásí do centrálního systému, s jakou pravděpodobností a kdy dojde k výpadku. Místo pravidelných prohlídek by bylo možné přejít na systém průběžné kontroly dle potřeby nebo naopak minimalizovat počet neplánovaných výpadků.

S dalším rozvojem algoritmů a rozrůstajícím se množstvím dat lze pak očekávat i zpřesňování kvality analýzy. Využití u dalších strojních zařízení se nabízí – ať se jedná o zdviže, motory zaoceánských lodí, kogenerační jednotky či třeba potrubní ventily. Řada dnešních řešení na prediktivní údržbu by mohla být rozšířena o informace získané prostřednictvím audiodiagnostiky. Zvýší se tím přesnost a spolehlivost celého řešení.

Svět IoT a edge computing

Rozvoji též nahrává fakt, že pro analýzu zvuku stačí malé snímací zařízení s mikropočítačem. Data tak není třeba posílat k analýze do cloudu. Výsledným algoritmem po dokončení učení je jen malá knihovna, která může pracovat na relativně levném hardwaru a odhalovat mechanické závady. Dochází tak k efektivnímu propojení výpočtů v cloudu a koncových (edge) zařízení. Nově vzniklý odborný název toto označuje slovem fog-computing. Analytické studie předpovídají vznik miliard zařízení tohoto typu v následujících letech, která si budou moci předávat informace a znalosti.

Je zřejmé, že trend miniaturizace a zvyšování výpočetního výkonu bude i nadále pokračovat. Svět internetu věcí rozšíří diagnostické možnosti strojů. Mechanik tak již nebude odkázán na své smysly, tak jako byl v předchozích stoletích. Odpadnou také jednorázové a drahé kontroly specializovanými firmami.

Současné systémy monitoringu budou v nejbližší době zdokonaleny a jednotlivé stroje vylepšeny o senzory vybavené prvky umělé inteligence odhalující poruchy novým a komplexním způsobem. Stroje se zatím ještě samy neopraví, ale rozhodně budou samy sobě rozumět mnohem lépe. A to napomůže jak snížit náklady na provoz a údržbu, tak se vyvarovat neplánovaným odstávkám.

Pavel Konečný Pavel Konečný
Autor článku vystudoval obor biomedicínské inženýrství na ČVUT. Dvanáct let pracoval pro globální mezinárodní IT společnost a z toho poslední 4 roky v australské Sydney, kde se podílel na řadě inovativních projektů. Po návratu do ČR s kolegou Pavlem Klingerem před rokem a půl založil společnost Neuron soundware (www.neuronsw.com), jež se zabývá rozpoznáním strojních závad s použitím zvuku. Mezi jejich první zákazníky se řadí společnosti, jako je Siemens či Deutsche Bahn.

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 1-2 IT Systems 12 IT Systems 11 IT Systems 10
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1