Súčasťou Slovnaft MaO, ktorá sa okrem iných činností zaoberá aj technickou diagnostikou, je oddelenie s názvom Monitorovanie stavu strojov & BigData. To je vcelku trendy názov. Čo je hlavnou pracovnou náplňou tohto oddelenia?
Hlavnou náplňou je sledovanie stavu technologického zariadenia nášho zákazníka, teda rafinérie SLOVNAFT, a. s., a zahŕňa výkon diagnostiky v oblasti „tradičnej“ off-line a on-line vibrodiagnostiky, termodiagnostiky, tribodiagnostiky a výkon vizuálnych metód NDT. Ako najnovšiu činnosť sme začali spracovávanie údajov na stanovenie stavu zariadení pomocou metód strojového učenia, čo sa skrýva za názvom BigData.
Z historického hľadiska sa systémy technickej diagnostiky strojov vyvíjali v súlade s pokrokom vo viacerých iných oblastiach – elektronika, senzorové technológie či softvér. Ak by ste mali porovnať možnosti a realizáciu technickej diagnostiky spred, povedzme, dekády a v súčasnosti, v čom vidíte hlavné rozdiely?
V oblasti diagnostiky vibrácií pôsobím už viac ako 30 rokov, môžem teda porovnávať hlavne túto oblasť, ale predpokladám, že to možno zovšeobecniť aj na ostatné oblasti diagnostiky – hlavnú zmenu vidím v oblasti elektroniky, kde sa meracie prístroje postupne zmenšovali od relatívne veľkých analógových zariadení (osciloskopov, jednoduchých meračov či analyzátorov) až po moderné viackanálové digitálne datakolektory/analyzátory a stávali sa čoraz viac použiteľnými aj priamo v prevádzke, čo bolo veľmi dôležité pre prax. S vývojom výpočtovej techniky (moderné meracie prístroje sú vlastne jednoúčelové počítače) sa zlepšoval aj výpočtový výkon a priestor na ukladanie nameraných údajov, čo umožňuje efektívnejší zber údajov. To zmenšovanie sa, samozrejme, týkalo aj snímačov – v zbierke oddelenia máme snímač zo 70. rokov. Má slušných 2,5 kg, čo je oproti dnes používaným snímačom s hmotnosťou 100 – 200 gramov aj s upevňovacím magnetom výrazný rozdiel. Niečo podobné sa odohralo aj v oblasti termodiagnostiky, keď sa prešlo od kamier, kde bolo potrebné najprv snímač ochladiť tekutým dusíkom a mali rozlíšenie niekoľko málo desiatok pixelov, až po súčasné kamery, ktoré sú takmer ihneď pripravené k meraniu a majú rozlíšenie v HD kvalite. Podobne aj v oblasti tribodiagnostiky – napríklad pri stanovovaní čistoty oleja sa prešlo od porovnávacej vizuálnej metódy pomocou mikroskopu až k stanovovaniu počtu a veľkosti častíc znečistenia pomocou lasera. A pritom je to zariadenie, ktoré sa zmestí na pracovný stôl a ešte zostane voľný priestor. Spolu s vývojom techniky však došlo aj k výraznému zlacneniu prístrojovej techniky, čo pomohlo k rozšíreniu diagnostickej techniky v praxi.
Podobne ako v zdravotníckej starostlivosti, keď základom správneho stanovenia liečby sú vstupné vyšetrenia, aj v oblasti technickej diagnostiky strojov sú základom tie správne údaje. Čo si treba pod pojmom „správny údaj“ predstaviť?
Pojem správny údaj je možné definovať z dvoch pohľadov. Jedným je správny údaj ako hodnota, teda tu je dôležité mať zabezpečenie kalibrácie meracích reťazcov. Druhý pohľad je v zmysle merania potrebných údajov na vhodnom mieste. A to mnohokrát nemusí byť práve najľahšie prístupné. Tu je veľmi dôležitý technik diagnostiky, ktorý musí byť odborníkom nielen v oblasti výkonu merania, ale aj v oblasti konštrukcie zariadení a technologických procesov. To všetko je potrebné na stanovenie toho „správneho miesta“ a až potom nastupuje to „správne meranie“. Až synergia týchto dvoch vecí vedie k „správnym údajom“.
V rámci digitalizácie procesov a snahy získavať čo najviac údajov z prevádzky majú zrazu podniky k dispozícii obrovské množstvá údajov. Platí v tomto prípade priama úmernosť, že čím viac údajov, tým lepšie možnosti rozhodovania, rýchlejšia reakcia na neočakávané situácie a pod.?
Príslovie hovorí, že všetkého veľa škodí. Tu sa musím vrátiť k predchádzajúcej otázke a položiť inú otázku: sú všetky možné údaje zároveň aj tými „správnymi údajmi“? Tých údajov je už naozaj v informačnom systéme podniku toľko, že z nich treba pri rozhodovaní vyberať tie relevantné. Platí to rovnako pre rozhodovanie priamo pracovníkom/expertom v danej oblasti, aj pre spracovanie údajov pomocou počítačového softvéru s vlastnosťami umelej inteligencie. Nie je problém „zahltiť“ množstvom potrebných a aj zbytočných údajov rozhodovací proces v prípade človeka alebo aj softvéru. Tu sú stále dôležité skúsenosti z konkrétnej oblasti, ktoré umožnia pretriedenie. Takže aby som sa vrátil k vašej otázke – tá priama úmernosť určite bude v budúcnosti platiť, ale treba si uvedomiť, že je to proces. Tak ako človek/expert musí najprv získavať skúsenosti, aj softvér s umelou inteligenciou potrebuje nejaký čas na odladenie. Potom sú predpovede tradične experta alebo softvéru tými „správnymi údajmi“ dôležité pre rozhodovanie. V každom prípade to veľké množstvo údajov zvládne iba softvér – to je budúcnosť.
Moderné systémy na diagnostiku strojov a monitorovanie ich stavu nielenže dokážu údaje spracovať, vyhodnotiť a identifikovať hrozby či nezrovnalosti voči štandardnému stavu, ale sú priam životne dôležité na predchádzanie neočakávaným udalostiam, ktoré môžu ohroziť nielen ekonomiku podniku, ale aj zdravie či ľudský život. Vnímajú priemyselné podniky dôležitosť týchto systémov adekvátne týmto skutočnostiam? Alebo sú investície do týchto systémov brané ako „nutné zlo“?
Ako kde. Myslím si, že tie „tradičné“ formy ako vibrodiagnostika, tribodiagnostika či termodiagnostika sú už všeobecne akceptované a hlavne väčšie priemyselné podniky plne využívajú ich možnosti. Trochu iné je to so systémami založenými na strojovom učení a umelej inteligencii. Táto časť je relatívnou novinkou v priemyselných aplikáciách, a tak tu panuje relatívna nedôvera k výstupom z týchto systémov. No postupne sa aj táto časť udomácňuje v priemysle a podniky, ktoré sa pozerajú aj do vzdialenejšej budúcnosti, už postupne začínajú aplikovať aj tieto systémy.
Vibrodiagnostika, tribodiagnostika či termodiagnostika sa udomácnili v mnohých odvetviach ako štandard pri ad-hoc či trvalom monitorovaní stavu zariadení. Nameranými údajmi sa to však zďaleka nekončí. Podstatná je správna interpretácia výsledkov týchto meraní. Do akej miery s touto interpretáciou dokáže pomôcť softvér a do akej miery je stále potrebný úsudok skúseného technika?
Môj pohľad je taký, že skúsený technik je tu vždy potrebný. A asi aj bude. Rozdielne sú však úlohy, resp. pozície technika. Pri tradičných metódach sú dôležité jeho vedomosti a skúsenosti pri vyhodnocovaní a interpretovaní nameraných údajov. Pri „moderných“ metódach, ako je strojové učenie, sú dôležité skúsenosti technika pri výbere relevantných údajov vstupujúcich do modelov systému a samotnom odlaďovaní celého systému. V obidvoch prípadoch sú vedomosti technikov kľúčové pre správnu činnosť systému, a preto je dôležitá personálna certifikácia technika. Získaný certifikát v danej oblasti diagnostiky je zárukou, že vedomosti technika sú na potrebnej úrovni.
Jednými z moderných technológií, ktoré sa v súčasnosti začínajú presadzovať aj v oblasti technickej diagnostiky a monitorovania stavu zariadení, sú už aj vami spomínaná umelá inteligencia a jedna z jej podmnožín strojové učenie. Sú tieto technológie v súčasnosti už na takej úrovni, že dokážu reálne priniesť nejakú pridanú hodnotu? Ak áno, akú?
V tomto prípade sa nedá odpovedať jednoducho áno alebo nie. Pred zavedením systému strojového učenia v našom podniku sme spravili výberové konanie, kde boli záujemcom poskytnuté historické údaje za predchádzajúce štyri roky tak, že dostali údaje z troch najstarších rokov konkrétneho zariadenia. Ich úlohou bolo predpovedať poruchu z posledného roku, pričom nevedeli počet porúch a ani dátum poruchy. Výsledky sa dali celkom ľahko porovnať a boli významné rozdiely medzi jednotlivými systémami. Od takmer 90 % presnosti, keď daný systém predpovedal správne počet porúch a takmer presne aj dni, až po iba všeobecné oznámenie, že porucha sa môže vyskytnúť. Vôbec to však nehovorilo iba o kvalite použitej výpočtovej metódy, ale aj o skúsenostiach aplikačného tímu pri jej nasadení. Tu bol citeľný práve vplyv skúseností aplikačného tímu – umelá inteligencia a strojové učenie je zjednodušene hlavne matematika. A matematici nutne nemajú vedomosti o činnosti napríklad plynovej upchávky v turbokompresore. Takže pri nesprávnom výbere systému môže ľahko prísť sklamanie z nepresných výstupov a tým aj sklamanie z modernej metódy.
Vedeli by ste to rozmeniť na drobné a uviesť aj konkrétny príklad využitia a prínosov UI v reálnej praxi?
Jedným z testovacích zariadení pred aplikovaním systému strojového učenia bol aj turbokompresor, kde sme mali veľkú haváriu, pri ktorej došlo k rozpadnutiu jedného obežného kolesa. Oprava trvala viac mesiacov, čo znamenalo odstavenie jednej prevádzky s výrazným finančným dosahom. Aj keď máme na zariadení trvalo namontovaný systém monitorovania vibrácií, v zaznamenaných údajoch pri klasickom prístupe k vyhodnocovaniu nebolo možné identifikovať blížiacu sa haváriu. Pri použití systému strojového učenia bol spracovaný model zariadenia a historické údaje pred touto haváriou. Výstupom bola 100 % pravdepodobnosť tejto havárie už cca 25 dní pred skutočným dátumom havárie. To je tak trochu obmedzenie tejto metódy – konkrétna havária sa musí aspoň raz vyskytnúť v minulosti a potom ju možno predpovedať. Preto je pre nás dôležité, že krivka pravdepodobnosti tejto havárie po oprave sa pohybuje blízko 0 %. Ďalším príkladom môže byť porucha na upchávke veľkého napájacieho čerpadla. V tomto prípade systém strojového učenia dokázal predpovedať poruchu upchávky päť dní pred prejavením poruchy. Takže teraz, pokiaľ sa začne krivka pravdepodobnosti dvíhať, obsluha čerpadla sa snaží upraviť pomery na čerpadle tak, aby nedošlo k neplánovanej havárii a tým k neplánovanému odstaveniu.
Dokáže s týmito nástrojmi, ktoré ste spomínali, pracovať aj staršia generácia technických diagnostikov alebo bude potrebná nejaká generačná výmena, aby bolo možné naplno využiť potenciál týchto moderných technológií, ku ktorým majú bližšie generácie Z (ročníky 1995 – 2010) a alfa (narodený po roku 2010)?
Je to hlavne o osobnosti človeka. Takže aj starší diagnostik môže prijať túto zmenu pozitívne a práve vtedy je možné naplno využiť jeho skúsenosti s možnosťami nového systému. Určite to môže byť aj naopak pri mladšom diagnostikovi.
Slovnaft MaO má dlhoročné skúsenosti nielen v oblasti diagnostiky a monitorovania stavu strojných zariadení a technológií, ale aj nasadzovania automatizovaných systémov riadenia, merania a regulácie. Ktorým smerom sa podľa vás bude uberať vývoj v najbližších rokoch v týchto oblastiach, a to aj v súlade s trendmi, ako je digitalizácia či presadzovanie konceptu Priemyslu 4.0 či 5.0?
Nie som nejaký vizionár, takže odpoveď na túto otázku je pre mňa ťažšia. Vplyv pokročilých metód strojového učenia a umelej inteligencie sa bude určite ďalej rozširovať. Už som zažil prezentáciu na veľkej medzinárodnej konferencii, kde medzi sebou komunikovali riadiace systémy vrtných plošín ako ľudské avatary. A z toho som nemal dobrý pocit.
Ďakujeme za rozhovor.