Sztuczna inteligencja w przemyśle

Istotnym zastosowaniem sztucznej inteligencji w przemyśle jest tzw. konserwacja predykcyjna, czyli predykcyjne, proaktywne utrzymanie ruchu. W strategii tej w oparciu o dane historyczne oraz te, które są pozyskiwane w czasie rzeczywistym wykrywa się i przewiduje anomalie występujące w działaniu maszyn oraz przebiegu procesów. Dzięki temu można je usunąć, zanim spowodują awarię.

Zapewnia to najmniejszą z możliwych częstość interwencji pozwalającą na uniknięcie usterki bez ponoszenia kosztów częstych przeglądów zapobiegawczych. Dzięki temu można zoptymalizować harmonogram przeglądów i zwiększyć efektywność operacyjną zakładu. W analizowaniu danych na potrzeby konserwacji predykcyjnej wykorzystuje się różne algorytmy uczenia maszynowego, m.in. uczenie nadzorowane (supervised learning).

AI w konserwacji predykcyjnej

W uczeniu nadzorowanym chodzi o to, żeby dysponując zmienną wejściową x i zmienną wyjściową y, znaleźć funkcję określającą zależność pomiędzy nimi (odwzorowującą, mapującą), czyli y = f(x). Celem jest jej jak najdokładniejsze przybliżenie, aby na podstawie nowych danych wejściowych (x) można było przewidzieć zmienne wyjściowe (y). W praktyce więc, ponieważ znane są prawidłowe odpowiedzi, algorytm iteracyjnie, w oparciu o dane treningowe, przedstawia swoje rozwiązania i jest poprawiany do czasu, aż osiągnie zakładany poziom zgodności.

W uczeniu maszynowym nadzorowanym wyróżnia się dwie grupy algorytmów: klasyfikację oraz regresję. W pierwszej zmienną wyjściową jest kategoria, na przykład: "biały" lub "czarny", "chory" albo "zdrowy", "prawidłowy" lub "nieprawidłowy". W regresji jest to liczba rzeczywista.

Wykorzystując technikę uczenia nadzorowanego w konserwacji predykcyjnej, bazując na danych o stanie, przebiegu eksploatacji oraz historii awarii maszyny, można wyszkolić model, który będzie potrafił przewidzieć prawdopodobieństwo jej usterki albo pozostały czas jej użytkowania. Modele regresji mogą prognozować na przykład czas, jaki upłynie do kolejnej awarii albo stopień zużycia maszyny, natomiast modele klasyfikacji mogą przypisać maszynie albo jej komponentowi etykietę, jak "sprawna(y)" albo "niesprawna(y)". Algorytmy uczenia maszynowego nadzorowanego, które są popularne w konserwacji predykcyjnej, to: regresja liniowa, regresja logistyczna, Support Vector Regression (SVR), drzewo decyzyjne, lasy losowe, sieci neuronowe.

Algorytmy w utrzymaniu ruchu

W uczeniu nienadzorowanym (unsupervised learning) dysponujemy tylko danymi wejściowymi, nie są natomiast dostępne odpowiadające im zmienne wyjściowe. Celem algorytmu jest więc odkrycie i zamodelowanie struktury albo rozkładu danych, które pozwoliłyby się o nich więcej dowiedzieć. W przeciwieństwie do uczenia maszynowego nadzorowanego nie są znane prawidłowe odpowiedzi ani nie ma mechanizmu korygującego.

Na przykład jeżeli dysponujemy danymi pomiarowymi o stanie maszyny, algorytm uczenia nienadzorowanego można wykorzystać do wykrycia wzorców świadczących o usterce. Typowe zastosowania modeli tego typu w konserwacji predykcyjnej obejmują grupowanie i wykrywanie anomalii. Pierwsze polega na podziale punktów danych na podstawie podobieństwa według określonych kryteriów. Do algorytmów grupowania zalicza się m.in.: metodę k-średnich, grupowanie hierarchiczne oraz modele mieszanin Gaussowskich. Modele detekcji anomalii natomiast wykrywają odchylenia od wzorców, dzięki czemu sygnalizują potencjalne usterki, awarie i nieprawidłowe działanie maszyny. Przykładowe algorytmy wykorzystywane w tym celu to: las izolacyjny, maszyna wektorów nośnych oraz autoenkoder.

Z kolei w uczeniu przez wzmacnianie (reinforcement learning) algorytm eksploruje nieznane środowisko, aby osiągnąć zadany cel. Proces ten nie jest nadzorowany ani nie są dostępne dane treningowe – te model powinien dopiero pozyskać, zbierając doświadczenia przez interakcję z otoczeniem i obserwację jego reakcji. Optymalnego zachowania w danym środowisku musi się nauczyć metodą prób i błędów, w oparciu o wskaźniki sukcesu, krótko- i długoterminowe. W konserwacji predykcyjnej podejście to może zostać wykorzystane m.in. do stworzenia modelu, który będzie optymalizować wydajność albo niezawodność maszyny. Najpopularniejsze algorytmy uczenia przez wzmacnianie na potrzeby tej strategii utrzymania ruchu to: Q-learning i aktor–krytyk.

Sztuczna inteligencja w kontroli jakości

Kolejnym ważnym obszarem zastosowań sztucznej inteligencji w przemyśle jest kontrola jakości. W tej dziedzinie AI współpracuje głównie z systemami wizyjnymi. Dzięki niej detekcja defektów jest szybsza i dokładniejsza – algorytmy przetwarzania obrazów wykorzystujące techniki sztucznej inteligencji wykrywają nawet najmniejsze skazy, których ludzkie oko nie jest w stanie zauważyć.

W inspekcji jakości na podstawie obrazów popularne są takie algorytmy jak: klasyfikacja obrazów, detekcja obiektów, segmentacja i detekcja anomalii. Każda technika ma swoje zalety i ograniczenia, w zależności od złożoności, zmienności i rozmiaru obrazów oraz specyfiki obiektów kontroli.

Klasyfikacja obrazów polega na kategoryzowaniu i przypisywaniu etykiet do grup pikseli w obrazie według określonych kryteriów. W tym zastosowaniu sprawdzają się szczególnie splotowe sieci neuronowe (Convolutional Neural Network, CNN). Jest to specjalny typ wielowarstwowych sieci neuronowych, dla których inspiracją biologiczną jest architektura ludzkiej kory wzrokowej.

Algorytmy detekcji obiektów

W zakresie lokalizowania i identyfikowanie obiektów na obrazach popularne są zwłaszcza techniki głębokiego uczenia. Są to zwykle algorytmy jedno- albo dwuetapowe zależnie od tego, czy zadania rozpoznania obiektu, jego sklasyfikowania i określenia jego granic są realizowane w jednym czy w dwóch krokach.

Zaletą pierwszych jest duża wydajność, uzyskiwana jednak kosztem precyzji. Są projektowane pod kątem szybkości wnioskowania, dzięki czemu sprawdzają się w aplikacjach czasu rzeczywistego. Trudność sprawia im niestety rozpoznawanie obiektów o nieregularnych kształtach i grup małych obiektów. W algorytmach dwustopniowych najpierw wyszukiwany jest obszar zainteresowania, a dopiero potem przeprowadzana jest klasyfikacja obiektu w oparciu o cechy wyodrębnione z danego fragmentu obrazu za pomocą metody regresji obwiedni. Są one dokładniejsze, ale wolniejsze.

Segmentację wykorzystuje się w wyodrębnianiu elementów pierwszego planu lub innych obszarów zainteresowania z tła. Wykrywanie anomalii pozwala z kolei znaleźć nieprawidłowe albo nietypowe wzorce na obrazach wskazujące na defekty. Algorytmy sztucznej inteligencji analizują informacje z systemów wizyjnych również w systemach sterowania robotami przemysłowymi.

Czym jest generatywna AI?

W przemyśle zastosowanie znalazła także generatywna sztuczna inteligencja (generative AI). Jest to dziedzina sztucznej inteligencji, w której algorytmy uczenia maszynowego są wykorzystywane do tworzenia nowych treści. Inaczej zatem, niż techniki opisywane wcześniej, które opierając się na danych szkoleniowych, uczą się przewidywać i podejmować decyzje, generatywna AI na podstawie danych treningowych uczy się występujących w nich wzorców i relacji, by następnie w oparciu o dane wejściowe oraz zestawy reguł generować nową oryginalną treść. Ta jest podobna do danych szkoleniowych, ale nie identyczna. Postęp w dziedzinie generatywnej AI sprawia, że dostarczane przez nią treści są coraz trudniejsze do odróżnienia od tych tworzonych przez człowieka.

Generatywna AI wykorzystuje różne techniki, m.in. sieci GAN (Generative Adversarial Networks) składające się z dwóch sieci neuronowych: generatora i dyskryminatora. W uproszczeniu: zadaniem generatora jest tworzenie jak najbardziej realistycznych treści podobnych do danych wejściowych, natomiast dyskryminator sprawdza, czy są one prawdziwe, czy fałszywe.

Generatywna AI w przemyśle

W tym celu najpierw generator pobiera losowe dane wejściowe i tworzy nową treść. Początkowo generowane dane są przypadkowe i pozbawione znaczenia. Dyskryminator otrzymuje wówczas zarówno dane rzeczywiste, jak i wygenerowane i uczy się je rozróżniać. Następnie obie sieci są szkolone razem na zasadzie rywalizacji: generator próbuje tworzyć treści, które oszukają dyskryminator, bo uzna je za rzeczywiste, natomiast dyskryminator doskonali się w zakresie rozróżniania, które dane są prawdziwe, a które sztucznie wygenerowane. Z czasem generator uczy się tworzyć bardziej realistyczne treści, a dyskryminator lepiej odróżnia te prawdziwe od fałszywych. Technikę tę wykorzystuje się do tworzenia realistycznych zdjęć, filmów, muzyki. W produkcji z kolei ważnym zastosowaniem generatywnej sztucznej inteligencji jest projektowanie i rozwój produktów, ich personalizacja oraz optymalizacja projektów.

Oprogramowanie do projektowania generatywnego może szybko wygenerować olbrzymią liczbę alternatywnych rozwiązań w oparciu o konkretne ograniczenia i cele wprowadzone do systemu. Może to znacznie przyspieszyć etap projektowania, obniżyć koszty i potencjalnie zaowocować bardziej innowacyjnymi rozwiązaniami. Generatywna sztuczna inteligencja pozwala również na personalizację produktów na masową skalę – na postawie preferencji klientów i trendów rynkowych może szybko tworzyć projekty wyrobów spełniających wymagania zróżnicowanej bazy konsumentów. Generatywna AI może ponadto optymalizować istniejące projekty, analizując duże ilości danych i biorąc pod uwagę wiele parametrów z niespotykaną dotąd wydajnością.

Monika Jaworowska