Học máy trong sản xuất: Chúng tôi đã triển khai học máy vào dây chuyền của mình — Đây là những gì nó thực sự phát hiện được

Sáu tháng trước, nếu ai đó nói rằng một bộ cảm biến trị giá 40.000 USD cùng vài tập lệnh Python có thể phát hiện lỗi ổ trục ba tuần trước khi nó xảy ra, tôi sẽ không tin. Tuy nhiên, đó chính xác là những gì đã diễn ra, và tôi đã định viết về điều này từ lâu. Để dễ hình dung: chúng tôi vận hành một dây chuyền CNC quy mô vừa, không có gì đặc biệt hay thuộc dạng "Công nghiệp 4.0" với cảnh quay drone và người đội mũ bảo hộ chỉ vào bảng điều khiển. Chỉ là những cỗ máy thường hỏng vào những thời điểm bất tiện và gây thiệt hại tài chính cho chúng tôi. Chúng tôi đã nghe nói về "bảo trì dự đoán" trong nhiều năm, chủ yếu từ các nhà cung cấp muốn bán sản phẩm. Vì vậy, khi tự mình thử nghiệm, kỳ vọng của chúng tôi khá thấp. **Thiết lập thực tế** Không có gì phức tạp. Các cảm biến rung được lắp đặt trên một số trục chính quan trọng, đầu dò nhiệt độ và hệ thống giám sát dòng điện của động cơ. Tất cả dữ liệu được đưa vào một mô hình phát hiện bất thường khá cơ bản – không phải học sâu (deep learning), mà là tăng cường gradient (gradient boosting) trên các đặc trưng cửa sổ trượt. Thành thật mà nói, phần "AI" là phần ít thú vị nhất. Phần khó khăn là thu thập dữ liệu sạch, được gắn nhãn từ những cỗ máy chưa bao giờ được thiết kế để lắp đặt thiết bị đo lường. Chúng tôi dành nhiều thời gian để xử lý vị trí cảm biến và tín hiệu nhiễu hơn là phát triển mô hình. Nếu ai đó nói rằng học máy (ML) là phần khó nhất trong việc này, họ chưa thực sự triển khai bất cứ thứ gì trên sàn nhà máy. **Những gì hệ thống đã phát hiện** Đây là điều thực sự khiến những người hoài nghi trong nhóm của chúng tôi tin tưởng. Khoảng năm tuần sau khi triển khai, mô hình đã phát hiện một mẫu rung động tinh tế trên một trục chính mà không kỹ thuật viên nào của chúng tôi nhận thấy trong quá trình kiểm tra định kỳ. Không có tiếng động bất thường. Không có dấu hiệu hao mòn rõ ràng. Chỉ là một sự thay đổi nhỏ trong đặc trưng rung động mà mô hình đã đánh giá cao. Chúng tôi gần như đã bỏ qua cảnh báo đó. Tuy nhiên, chúng tôi vẫn tháo ổ trục ra trong một khoảng thời gian ngừng hoạt động theo lịch trình. Ổ trục bị nứt bên trong – chưa hỏng hoàn toàn, nhưng đã gần đến mức đó. Trưởng bộ phận bảo trì của chúng tôi cho biết nếu chúng tôi tiếp tục vận hành thêm hai đến ba tuần nữa, máy sẽ bị kẹt hoàn toàn giữa ca làm việc, có thể trong quá trình sản xuất, và có lẽ là một sự cố gây thiệt hại lớn. Chỉ một lần phát hiện đó đã đủ để bù đắp chi phí cho toàn bộ dự án thí điểm. **Những điều ít ai nói đến** Các cảnh báo sai là có thật và gây khó chịu. Chúng tôi nhận được một số cảnh báo sớm hóa ra không có gì, và cần sự kỷ luật để không bỏ qua chúng. Các kỹ thuật viên cần tin tưởng vào hệ thống, nếu không họ sẽ tìm cách làm việc vòng qua nó. Chúng tôi phải để nhân viên bảo trì tham gia vào việc điều chỉnh ngưỡng thay vì chỉ đưa cho họ một bảng điều khiển. Các vấn đề về chất lượng dữ liệu xuất hiện trước các vấn đề về mô hình. Một nửa số "thất bại" ban đầu của chúng tôi trong việc dự đoán bất cứ điều gì hữu ích chỉ là do hiệu chuẩn cảm biến kém. Lợi tức đầu tư (ROI) không đến ngay lập tức. Phải mất một vài lần phát hiện thực tế trước khi ban lãnh đạo ngừng hỏi "liệu điều này có đáng giá không". **Có đáng giá không?** Đối với chúng tôi, câu trả lời là có – nhưng tôi sẽ nói dối nếu nói rằng nó là một giải pháp "cắm và chạy". Nó không phải là "cài đặt AI, tiết kiệm tiền" mà là "cam kết trang bị thiết bị đúng cách, sau đó để mô hình chứng minh giá trị của nó". Lần phát hiện lỗi đó chính là bằng chứng. Mọi thứ trước đó chỉ là công việc xây dựng cơ sở hạ tầng mà dường như vô hình. Tôi tò mò muốn biết liệu những người khác ở đây đã thực hiện các dự án thí điểm bảo trì dự đoán trên thiết bị cũ chưa – bạn tự xây dựng hay sử dụng nền tảng của nhà cung cấp? Và mô hình của bạn đã bao giờ phát hiện ra điều gì mà nhóm của bạn hoàn toàn bỏ lỡ chưa? Phân tích kỹ thuật đầy đủ về thiết lập này có tại: **[Machine Learning in Manufacturing]( )**