עולם התעשייה עובר מהפכה בשנים האחרונות, מה שמוכנה Industry 4.0. חלק מהטרנפורמציה, שעוברת התעשיה הינה בתחום האנליטיקה, מיצוי מידע וקבלת תובנות על בסיס נתונים (Big Data). אחד מתחומי הליבה של כל תעשיה הינו תחום היצור המהווה דלק להכנסות החברה, בעולם קיימים מליוני קווי יצור ומליארדי מכונות שנדרשות לעבוד באופן רציף ויעיל.
אחד הנושאים המרכזיים איתן מתמודדות החברות על בסיס יומי הינו תקלות בקווי היצור. מכונה, שמתקלקלת או שהתפוקת יורדת פוגעת באופן מיידי בחברה. הפגיעה יכולה להיות מינורית ונקודתית אך לרוב, מדובר על נזקים של ימים, שבועות ואף חודשים רבים שיכולים אף להשבית את הקו כולו. המשמעות המיידית הינה ירידה ביצור, עלויות (חלפים וכוח אדם), אי עמידה בלוחות זמנים ואף פגיעה במוניטין עד כדי נטישת לקוחות.
ניקח כדוגמא את חברת רולס-רויס המייצרת מנועים למטוסים, מנוע תקול משמעו מטוס מושבת והפסד כסף מיידי. כידוע, מדד מרכזי ליעילות חברות תעופה הינו מספר טיסות עבור מטוס גבוהה ככל שניתן. לצורך זה קימים מנגנונים שלמים לאופטימזציה על מנת להקטין למינימום את זמן שהות המטוס על הקרקע. כמובן שכל זה מתגמד לאור אירועי בטיחות, שיכולים לגרום לאובדן חיי אדם.
דמיינו, שהיינו יכולים לזהות את התקלה מבעוד מועד, הרי שהיינו יכולים לחסוך זמן, משאבים, מונטין ואף חיי אדם. לפי מחקר של Gartner, עד סוף 2022 ההוצאות הכוללת על חיזוי תקלות בחברות IoT יעלה מ- $3.4 מיליארד בשנת 2018 עד לכ-$12.9 מיליארד ומתוך כך יביאו לחיסכון של עד 40% מעלות התחזוקה השוטפת[1].

אז מה האפשרויות של חברות להתמודד עם האתגר? כיצג יכולה חברה כדוגמת רולס-רויס להתמודד עם סוגיה זאת?
האפשרות הנפוצה ביותר כיום הינה ביקורת תקופתית אחת ל-X זמן. במילים אחרות, באופן מחזורי, אחת לכמה שבועות, חודשים או שנים החברה מבצעת תחזוקה יזומה על מנת להימנע מתקלה. מעבר לכך, שהתחזוקה לא תמיד מבוצעת בצורה אופטימלית, מבחינה סטטיסטית רוב הסיכויים שחלק גדול מהמכונות אינן צריכות תחזוקה, החלק היותר משמעותי הינה תקלה לא צפויה!

עולם הבינה המלאכותית (AI) נרתם למשימה ויכול בחלק משמעותי מהפעמים לתרום לנו במאמץ למניעת הנזקים הנגרמים מתקלות והשבתות לא צפויות. תחום ה Predictive Maintenance צמח בדיוק לתת מענה לסוגיה כואבת זו. בעזרת הטכנולוגיה של היום ניתן ללמוד מנתוני העבר ולחזות מבעוד מועד תקלה של מכונה או לחילופין מתי לבצע תחזוקה מונעת. ישנם עשרות ואף מאות רכיבים המשפיעים על מכונה ומאפשרים אינדיקציה למצבה ותפקודה. בדיקת כל פרמטר בנפרד אינה מאפשרת ניתוח המצב וקבלת תובנות. לשם כך קיימים אלגוריתמים ומודלים מורכבים, מעולמות הבינה מלאכותית, המצליחים להתך את המידע המצטבר ולחזות את התקלה הבאה או פרק הזמן לביצוע תחזוקה.

נמחיש את תהליך העבודה בפרויקט AI ע"י POC שביצענו בחברה בנושא חיזוי תקלות. המידע שהתקבל הכיל נתונים של כ 20 סנסורים של 100 מנועי מטוסים. כל סנסור מודד רכיב אחר של המנוע, כגון לחץ אוויר, טמפרטורה, מהירות הסיבוב, יחס זרימת הדלק ועוד.
נתונים אלו עוברים תהליך:
• אקספלורציה – הבנית המידע, לדוגמה איזה מאפיינם יש להם השפעה משמעותית על התקלות.
• Data preparation – ניקוי משגיאות ורעשי רקע, סטנדרטיזציה, יצירת מאפיינים סינטטיים נוספים ( כדוגמת מרחק של מאפיין מסטיות תקן של התנהגות תקינה )
• חלוקה של המידע לקבוצות:
o Train ( מידע שעליו לומדים ומייצרים מודל בינה מלאכותית )
o Validation ( מידע ששומרים בצד למטרות של תיקוף המודלים ובחירת המודל הטוב ביותר במהלך תהליך הלמידה )
o Test ( Holdout Data משמש להוכחת יכולת של המודל הנבחר על מידע שמעולם לא פגש ומייצג את המידע המקורי ).

נדגים את חיזוי המודל על קבוצת ה Test באיור 1

איור 1: המחשת תצפיות מ -3 סנסורים של מנוע מסוים לאורך זמן. הקו האדום מסמן את יום התקלה העתידית ( נקודת הזמן שהתקלה התרחשה בפועל ), הקו הירוק מסמן את חיזוי המודל לתקלה האפשרית. ניתן לראות שהמודל חזה את התקלה מספר ימים לפני התקלה האמיתית.

בסופו של תהליך זה התקבל מודל אמין עם ביצועים טובים אשר בהינתן דגימה חדשה (סט נתונים של כלל הסנסורים של המנוע) מסוגל לחזות מתי תתרחש התקלה הבאה. ומכאן והלאה החברה יכולה להיערך מראש ולתקן תקלות בצורה מבוססת ונכונה.