Vývoj umělé inteligence společnosti Neuron Soundware: Nejdůležitější výsledky uplynulého roku

Umělá inteligence se stále rychle rozvíjí a společnost Neuron Soundware dosáhla v uplynulém roce významných milníků ve vývoji algoritmů. Zaměřili jsme se na čtyři klíčové oblasti, které výrazně zvyšují hodnotu průmyslového zpracování dat pro naše zákazníky.

One-click training: Zjednodušení monitorování zařízení ve velkém měřítku

Naše první významná inovace, "trénování jedním kliknutím", přináší revoluci v procesu trénování modelů (výpočetních algoritmů) pro stroje. Tato funkce umožňuje efektivní trénování modelů umělé inteligence do 24 hodin, a to na různých strojích. Funguje automaticky a odstraňuje potřebu zásahu specialistů na strojové učení (ML).

 

Dříve vyžadovaly tréninkové modely a algoritmy manuální zásahy specialistů na ML, aby se přizpůsobily specifickému chování strojů, zajistily přesné výsledky u různých strojů a identifikovaly relevantní změny ve zvuku strojů.

 

Pro ilustraci uveďme scénář stovek čerpadel v potrubních systémech cementáren. Poruchy čerpadel jsou časté v důsledku vysokého zatížení a každé čerpadlo je konfigurováno trochu jinak. To vyžaduje individuální kalibraci monitorovací technologie, a to i přes shodnou instalaci jednotek IoT a senzorů.

 

Až dosud trvala kalibrace stovek zařízení týdny nebo měsíce, což způsobovalo zpoždění spuštění služby pro zákazníky. Díky automatizaci kalibrace nyní tento proces trvá jen několik hodin a je plně automatizovaný.

 

Kromě toho se výrazně snížily odborné znalosti potřebné k nastavení procesu monitorování. Zatímco dříve byl nezbytný ML inženýr, nyní stačí projektový manažer na straně dodavatele nebo zákazníka, který poskytne nominální data a vycvičí na nich model.

Vyhledávání dat: Vylepšení detekce anomálií pomocí "Similarity Search"

Představili jsme naši poslední inovaci "hledání podobnosti", jejímž cílem je zefektivnit identifikaci anomálních stavů s využitím historických dat. Dříve jsme se při zdokonalování a trénování našich výpočetních algoritmů spoléhali především na zpětnou vazbu od zákazníků.

Díky modulu "hledání podobnosti" jsme výrazně snížili potřebu rozsáhlého zadávání údajů zákazníkem při označování konkrétních procesů nebo stavů stroje. Při zjištění anomálie algoritmus samostatně vyhledá podobná data v historii chování stroje. Uživatelé pak mohou tato data označit a vytvořit tak datové sady používané k trénování specializovaných modelů pro detekci poruch. Tento proces nám umožňuje poskytovat zákazníkům přesnější poznatky a zlepšit řízení výroby a údržby.

Tato schopnost je obzvláště důležitá pro včasné provádění údržby jako je domazávání převodovek v dopravních nebo energetických zařízeních. Operátoři údržby již nemusí provádět demontáž, aby potvrdili typ anomálie. Díky historickým údajům, které jsou vodítkem pro identifikaci, mohou pracovníci údržby okamžitě řešit problém vyzbrojeni potřebnými nástroji a materiály, a optimalizovat tak postupy údržby.

Custom Classifier: Rozšíření možností vyhledávání podle podobnosti

Kromě naší nejnovější inovace, výše zmíněného modulu pro vyhledávání podobností, rozšiřujeme naše úsilí o vývoj "vlastního klasifikátoru". Tato funkce umožňuje obsluze stroje snadno identifikovat podobné nežádoucí stavy stroje a včas přijmout nápravná opatření.

 

Například při zjišťování tuposti nástroje tento stav identifikujeme ihned, jakmile vznikne, a zabráníme tak další výrobě zmetků. Toho je dosaženo identifikací a označením dat představujících konkrétní závadu, která jsou následně použita k trénování modelu. Následně můžeme efektivně identifikovat podobné stavy stroje, jakmile nastanou.

 

Tento modul je určen pro neprogramátory, zejména pro obsluhu strojů, a umožňuje průběžné označování nežádoucích stavů stroje. Systém pak automaticky vyhledává podobné závady v chování stroje, čímž zefektivňuje proces zásahu.

 

V prostředí, kde se na obráběcích strojích denně vyrábí tisíce kovových dílů, jsou tyto funkce nepostradatelné. Algoritmy vyhodnocují tyto podmínky v reálném čase na základě poznatků získaných z předchozích zkušeností s monitorováním procesu.

Data Fusion: Zlepšení identifikace stavu stroje pomocí multimodální analýzy dat

V podstatě využíváme datovou fúzi, abychom dosáhli přesnější detekce stavů strojů a procesů. Pomocí multimodálních modelů - algoritmů schopných zpracovávat více typů dat současně - vylepšujeme naši analýzu. Například integrací dat o zvuku, teplotě a elektrickém proudu z jednoho stroje můžeme tyto hodnoty efektivně korelovat a porovnávat.

Sloučením dat z různých zdrojů snižujeme riziko falešných výstrah a předcházíme zbytečným zásahům obsluhy do procesů. Tento aspekt naší technologie umožňuje například u elektromotorů přesněji určit jejich provozní stav na dálku. V důsledku toho mohou operátoři lépe vyhodnotit závažnost poruch a navrhnout vhodné strategie pro úpravu provozu stroje.

Kromě akustických údajů, údajů o teplotě a proudu aktivně zkoumáme možnosti integrace vizuálních údajů z kamer, měření tlaku a hodnocení kvality mazadla do naší analýzy.

Trendy v odvětví strojového učení: Co můžeme očekávat v letošním roce

Náš tým pozorně sleduje nejnovější pokroky v oblasti strojovho učení, známém v průmyslu také jako "State of Art" vývoj. Využíváme nejmodernější techniky, jako jsou konvoluční sítě, původně určené pro zpracování obrazu, ale nyní aplikované na zvuk a další fyzikální parametry. Kromě toho, podobně jako v případě inovací, které jsme viděli u ChatGPT a OpenAI, využíváme transformátory vybavené mechanismy pozornosti.

Tyto pokroky jsou patrné na jednom z našich nedávných projektů - generativní aplikaci AI, která je přizpůsobena pro automatizované zpracování zpráv pro naše klienty. Naše AI na základě vstupní dokumentace stroje doporučuje zásahy na základě jeho aktuálního stavu s využitím předem zpracovaných manuálů. Naším cílem je opět zefektivnit činnost obsluhy strojů a zároveň poskytnout odborné znalosti podobné znalostem diagnostiků a strojních inženýrů tam, kde jsou nejvíce potřeba.