Machine learning – nowe możliwości pracy z danymi

Źródło: Pixabay

Dane pomiarowe stanowią podstawę wszelkiej analizy procesowej. Tymczasem, dzięki uczeniu maszynowemu, możliwe jest nie tylko wykorzystanie zawartych w nich informacji historycznych do zaprojektowania ulepszonego procesu, lecz przede wszystkim automatyczne wysnuwanie wniosków ze zmian w procesie podczas jego trwania. To przewaga, która może być dla firm produkcyjnych kluczowa, szczególnie w kontekście wyścigu w kierunku optymalizacji prowadzonej działalności.

Wymagania stawiane firmom produkcyjnym rosną z roku na rok. Po pierwsze: jakość. Większość firm dąży do zwiększenia lub utrzymania jakości produkowanych wyrobów, przy równoczesnym ograniczaniu kosztów tej produkcji, szczególnie kosztów zasobów ludzkich. Po drugie: bezpieczeństwo. To, czy pracownicy czują się bezpiecznie i czy realne wymagania dotyczące bezpieczeństwa i higieny pracy są spełniane na każdym etapie procesu, jest kluczowe z punktu widzenia etyki, lecz także rekrutacji i utrzymania pracownika. Po trzecie: zyskowność. Ceny półproduktów i surowców stale rosną z powodu coraz niższej dostępności, inflacji czy tendencji rynkowych, np. rosnącego popytu. Po czwarte: luka kompetencyjna. Coraz trudniej na rynku o dobrych specjalistów w rozsądnej cenie. Ludzie, którzy są fachowcami w swojej dziedzinie, w miarę upływu czasu otrzymują coraz wyższe wynagrodzenia. W dodatku tacy specjaliści często wyjeżdżają za granicę, gdzie zarobki na niektórych stanowiskach są nawet kilkakrotnie wyższe niż w Polsce. Sumą tych wszystkich zjawisk i tendencji jest szybko rosnący koszt utrzymania produkcji na tym samym poziomie. Co jednak z postępem i oferowaniem wartości dodanej klientom? Bez innowacji i wykorzystywania nowych technologii w zasadzie nie ma takiej możliwości.

Potencjał danych

Jedną z najważniejszych tendencji, z jaką od kilku lat ma do czynienia branża produkcyjna, jest szybki wzrost ilości dostępnych danych procesowych i nie tylko [1]. Internet Rzeczy, większe przestrzenie dyskowe, ale przede wszystkim znaczący rozwój rynku sensoryki przemysłowej i związana z nią nowa możliwość pozyskiwania nieznanych dotąd informacji to dla produkcji z jednej strony ogromna szansa, a z drugiej wielkie zagrożenie. Informacje o otoczeniu produkcyjnym, o poszczególnych aktywnościach i stanie maszyn, zapisywanie przebiegu cykli produkcyjnych itd. – to wszystko ma niesamowity wręcz potencjał analityczny.

Jednak cóż z tego, skoro najpierw trzeba mieć narzędzia do przeprowadzenia odpowiedniej analizy, aby móc wyciągnąć z posiadanych danych odpowiednie wnioski? Zbyt duża ilość danych może wprowadzić chaos w zarządzaniu i na pewien czas sparaliżować efektywność [2]. Z kolei brak odpowiednich schematów pracy z danymi i możliwości obliczeniowych prowadzących do ich efektywnego przeanalizowania oznacza, że dane same w sobie mają wartość zerową lub ujemną. Dopiero odpowiednio wykorzystywane – zwykle przetworzone i zinterpretowane – stają się dla produkcji realną korzyścią.

Dowiedzieć się jak najwięcej o procesie

Okazuje się, że dzięki sztucznej inteligencji, a w szczególności uczeniu maszynowemu opartemu na procesach, producenci mogą wykorzystywać gromadzone dane, aby znacznie poprawić wydajność produkcji, jakość produktu i bezpieczeństwo pracowników. Machine learning można wykorzystać do tego, by zbliżyć się do podstawowego celu każdej firmy produkcyjnej – osiągnięcia jak najwyższej jakości przy jak najniższym koszcie. Machine learning pozwala na to dzięki temu, że zapewnia uzyskanie jak największej ilości informacji o prowadzonym procesie produkcyjnym wraz z efektywnym jej przetworzeniem, a ostatecznie usprawnianie procesu na podstawie tych informacji.

Uczenie maszynowe – jak to działa

Wszyscy znamy 6 największych źródeł strat, z którymi borykają się firmy produkcyjne, powiązanych ze wskaźnikiem OEE [3]: nieplanowane i planowane przestoje produkcyjne, redukcja dostępności i krótkie przerwy w pracy między np. różnymi seriami, odrzuty produkcyjne i rozruchowe [1]. Aby podwyższać OEE i przeciwdziałać stratom, wdrażane są metody predykcyjnego utrzymania ruchu oparte na systemach SCADA, wykorzystujące zestawy reguł zaprojektowanych przez człowieka i niezmienianych w czasie działania procesu. Nawet wykorzystanie logiki rozmytej w towarzystwie licznych parametrów powoduje jedynie niewielką elastyczność w ramach ustalonych reguł. Nie zastępuje ostatecznie jednak ludzkiej elastyczności, opartej na bieżącej obserwacji i wyciąganiu wniosków.

Uczenie maszynowe oferuje w tym zakresie zupełnie nową jakość. Algorytmy obliczeniowe oparte na machine learning są zasilane wszystkimi danymi z produkcji: na temat otoczenia procesu, stanu maszyn, natężenia produkcji, wydajności urządzeń, z czujników, sterowników PLC, sieci, systemów SCADA i układów do tymczasowego zapisu danych. Do tego dochodzi dostęp do historii produkcji wraz z wszystkimi jej informacjami i danymi. Dodatkowo do algorytmu można wprowadzić informacje o działaniu procesu, przepływie materiałów i produktów, pożądanej efektywności i parametrach jakościowych. Algorytm sam rozpoznaje występujące w danych anomalie i korelacje, z punktu widzenia oczekiwanych parametrów wynikowych procesu. Sam na bieżąco dostosowuje poszczególne etapy procesu w taki sposób, by był on najbardziej efektywny. Jedyne, co jest konieczne, to dostęp do wszystkich informacji, jakie system może generować i posiadać, oraz precyzyjne oczekiwania co do wyników operacji. Na początku układ przechodzi tzw. trening na reprezentacyjnej grupie danych, by móc sformułować odpowiednie schematy algorytmicznie. Następnie, już na docelowych danych, przeprowadza te procesy i dostosowuje sposób działania do bieżących warunków produkcyjnych [4].

Uczenie maszynowe może również zostać wykorzystane np. do przewidywania spadków jakości, będących wynikiem różnych innych procesów pozostających w korelacji. Dzięki temu nie dochodzi do marnotrawstwa zasobów i dostępności maszyn na wytwarzanie wyrobów o zbyt niskiej jakości. System sugeruje również listę modyfikacji, które powinny zostać zrealizowane, by oczekiwane parametry jakości mogły być osiągnięte na odpowiednim poziomie.

Machine learning wraz ze swoimi dwoma podstawowymi akcjami – klasyfikacją i regresją – to także dobry materiał do wykorzystania w utrzymaniu ruchu do klasyfikacji zdarzeń. Układ sam klasyfikuje zdarzenia i parametry na te będące potencjalnym zagrożeniem i na te nieszkodliwe, na podstawie danych historycznych i bieżących informacji z linii produkcyjnej. Tak samo rzecz się ma z weryfikacją jakości – można wykorzystać klasyfikację do weryfikacji, który wyrób, zgodnie z danymi historycznymi, reprezentuje wystarczającą jakość, by mógł być zaakceptowany przez dział odbioru wyrobów [4].

Regresji z kolei można użyć, gdy dane z czujników występują w określonym zakresie, np. waga, temperatura, wilgotność, chropowatość itp. Regresję stosuje się w produkcji np. do szacowania pozostałego czasu użytkowania danego zasobu, czyli do określania, ile cykli pracy maszyny mamy przed sobą do kolejnej usterki. Najczęściej stosowaną regresją jest tutaj regresja liniowa, relatywnie szybka i łatwa do wdrożenia. Wyniki regresji liniowej są również stosunkowo łatwe w interpretacji. Przykładem mogą być systemy przewidujące temperaturę lub wilgotność, będące wartościami ciągłymi, łatwymi do wytrenowania [4].

Wyzwania

Kiedy jednak mówi się o uczeniu maszynowym w produkcji, nie należy się skupiać wyłącznie na pozytywach aplikacji. Na samym początku powinno się zadać pytanie o dojrzałość tej technologii i jej opłacalność w kontekście dysponowania sprawdzonymi rozwiązaniami półautomatycznymi. Uczenie maszynowe, zgodnie z podstawowym założeniem, służy rozwiązywaniu problemów za pomocą komputera, bez konieczności projektowania algorytmu docelowego operacji. O tym, co konkretnie się wydarzy, decyduje maszyna, podczas gdy człowiek – jeśli tego chce – może jedynie zadeklarować oczekiwane efekty działania układu [5]. Dojrzałość poszczególnych metod machine learningu – nadzorowane uczenie maszynowe, uczenie maszynowe bez nadzoru i nauka wzmacniająca – od wielu lat udowadnia branża IT [6]. Produkcja czerpie obecnie z obszaru technologii informacyjnych pełnymi garściami, adaptując metody i działania na ogromną skalę. Zyskuje dzięki temu kontrolę nad danymi, których szeroki strumień każdego dnia zalewa produkcyjne serwery, a także zdefiniowaną na nowo kontrolę nad procesem.

Wykorzystanie machine learningu bez nadzoru oznacza oddanie pełnej kontroli systemowi komputerowemu. Kluczowe jest tutaj odpowiednie przygotowanie pliku treningowego, na podstawie którego system wykształci wewnętrzne algorytmy postępowania. Źle przygotowany plik treningowy może oznaczać wyciągnięcie przez system błędnych wniosków, co w konsekwencji, pozbawione nadzoru, może doprowadzić do problemów. Plik uczący powinien również zawierać cały przekrój istotnych danych, nie jedynie wyjątek wybranych parametrów. Nie da się ocenić sytuacji całościowo bez wglądu do wszystkich informacji. Uczenie nadzorowane z kolei nadaje machine learningowi kolejnego wymiaru. To dzięki niemu możliwe jest osiągnięcie najbardziej precyzyjnych wyników, także przy pracy offline. To tutaj wyróżnia się klasyfikację i regresję, podczas gdy uczenie nienadzorowane skupia się głównie wokół klastrowania i reguły asocjacji. Podejście bez nadzoru to rozwiązanie do stosowania w sytuacjach, kiedy człowiek nie ma pomysłu na korelacje i tendencje, które mogą występować w danych, nie zna analizowanych typów danych ani ich przeznaczenia. Uczenie nadzorowane pozwala za to na dokładne i szybkie modyfikacje procesu produkcyjnego, dzięki czemu staje się on bardziej efektywny przez podniesienie wskaźnika OEE.

* * *

Inwestycja w tak zaawansowane rozwiązania technologiczne jak machine learning nie jest łatwa, jednak w dłuższej perspektywie w wielu przypadkach właściwa i opłacalna.


Agnieszka Hyla – konsultantka ds. optymalizacji produkcji w Centrum Szkoleń Inżynierskich EMT-Systems, kierownik projektów informatycznych, autorka tekstów z zakresu zarządzania w przemyśle.


Literatura

  1. S. Chand, J.F. Davis, „What is smart manufacturing?”, „Time Magazine”, July 2010.
  2. S. Lang, „Durchgängige Mitarbeiterinformation zur Steigerung von Effizienz und Prozesssicherheit in der Produktion (Dissertation)”, Universität Erlangen-Nürnberg, Bamberg: Meisenbach Verlag, 2007.
  3. „Minimizing the Six Big Losses in Manufacturing with Industry 4.0 Technology”, www.seebo.com/six-big-losses/, dostęp z dnia: 15.12.2019 r.
  4. „Machine Learning and AI in Manufacturing”, www.seebo.com/machine-learning-ai-manufacturing/, dostęp z dnia: 15.12.2019 r.
  5. A. Samuel, „Some studies in machine learning using the game of checkers”, „IBM Journal of Research and Development”, Volume 3, Issue 3,
    July 1959, pp. 210–229, doi: http://dx.doi.org/10.1147/rd.33.0210
  6. „Machine learning in manufacturing: advantages, challenges and applications”, www.tandfonline.com/doi/pdf/10.1080/21693277.2016.1192517, dostęp z dnia: 15.12.2019 r.