Wykrywanie anomalii
- Wykrywanie anomalii sygnalizuje zachowanie odbiegające od wyuczonego modelu normy: na wielu zmiennych jednocześnie, a nie po jednym progu.
- Wychwytuje dryft wielowymiarowy: kombinacje drobnych zmian w granicach tolerancji, które razem zapowiadają braki lub awarię.
- O wszystkim decyduje jakość alarmów: sygnały muszą przychodzić z uszeregowanymi zmiennymi, które się do nich przyczyniły, i uwzględniać stany pracy.
- To początek łańcucha (wykrycie, potem atrybucja, potem działanie) a nie osobna kategoria produktu.
Wykrywanie anomalii to koń pociągowy przemysłowego ML: model uczy się łącznego zachowania zmiennych linii podczas normalnej produkcji i ocenia dane bieżące względem tego modelu. Wysoki wynik oznacza „ta chwila nie przypomina żadnej dobrej historii”: często na długo przed tym, zanim jakakolwiek pojedyncza zmienna przekroczy próg alarmowy.
Co wychwytuje, czego nie widzą progi
Alarmy na pojedynczych zmiennych przeoczają trzy kształty awarii, które dominują w rzeczywistych stratach. Kombinacje: pięć zmiennych dryfuje każda o 1%: osobno w normie, razem sygnatura braków. Kontekst: 180 °C jest normalne dla produktu A i katastrofalne dla produktu B; wyuczony model zna różnicę, stały próg nie. Powolny dryft: trzytygodniowe pełzanie ku krawędzi obszaru pracy, którego nie zauważy żadne codzienne spojrzenie na trendy. Dryft sygnałów procesowych coraz częściej służy też jako wcześniejszy zwiastun awarii niż drgania dla niektórych klas maszyn.
Jak uniknąć lawiny alarmów
Klasyczny sposób porażki to system, który krzyczy „wilk!”, dopóki operatorzy go nie wyciszą. Obroną są atrybucja (każdy sygnał wskazuje główne zmienne, które się do niego przyczyniły, więc inżynier może ocenić go w kilka sekund), świadomość stanów pracy (przezbrojenia, rozruchy i miksy produktów są modelowane, a nie sygnalizowane) oraz ocena ważności powiązana z konsekwencjami istotnymi dla zakładu: przewidywanym wpływem na braki lub jakość, a nie samą odległością statystyczną. Właśnie to należy ocenić w pilotażu: alarmy na zmianę, odsetek alarmów uznanych przez inżyniera za wymagające działania i czas od sygnału do wyjaśnienia.
Najczęstsze pytania
- Czy wykrywanie anomalii to to samo co predykcyjne utrzymanie ruchu?
- Predykcyjne utrzymanie ruchu to jedno z jego zastosowań. Wykrywanie anomalii na sygnałach maszyn przewiduje awarie; ta sama matematyka na sygnałach procesowych przewiduje problemy jakościowe i dryft. Platformy różnią się tym, w jakich sygnałach się specjalizują.
- Ile historii potrzebuje model anomalii?
- Tyle normalnej produkcji, by objąć rzeczywiste stany pracy linii: zwykle miesiące. Więcej stanów (produkty, pory roku, zmiany) wymaga dłuższej historii; linia ze stabilnym asortymentem może skutecznie uczyć się na krótszej.
Każda liczba z tej strony: w jednym arkuszu ze źródłami.
Wyliczenie rynku 43,6 mld USD, udziały zastosowań, bariery wdrożeń i opublikowane wyniki wdrożeń, z nienaruszoną kolumną źródeł. Gotowe do wklejenia wprost do Państwa business case’u.