9. oktober 2024, kl. 15:28
Luleå University of Technology har sammen med SKF gennemført et projekt med brug af AI til tilstandsovervågning, der viser et godt potentiale, men at løsninger stadig skal målrettes de enkelte applikationer.
Et forskningsprojekt ved Luleå tekniska universitet i det nordlige Sverige i samarbejde med SKF har undersøgt mulighederne ved generativ kunstig intelligens til brug ved tilstandsovervågning på et værk til papirproduktion.
Ifølge parterne, der medvirker i SKF's Evolution-magasin, har brugen af kunstig intelligens til automatisering af overvågning af tilstanden i lejeapplikationer har et betydeligt potentiale, men samtidigt er området mindre ligetil end inden for som inden for vision- og sprogområdet.
Annonce - artiklen fortsætter under banneret
Tilstandsovervågningsrapporter er eksempelvis meget forskellige fra den typiske tekst og billeder, der bruges til at træne AI-modeller, da dataene kan præsenteres på mange forskellige måder. Det sprog, analytikere bruger, er deuden meget teknisk og omfatter branche- og virksomhedsspecifik jargon, som sjældent bruges andre steder.
Løsningen blev at kombinere en række teknikker til at konvertere ingeniørernes data og rapporter til et format, som nutidens AI-systemer kan fortolke. Der inkluderedes forklaringer af data og definitioner af nøgletermer i de prompter, der blev brugt til at køre AI-modellen, og forsynede systemet med links til forklarende dokumenter.
Ansvarlig for projektet p.hd. ved Luleå University of Technology Karl Löwenmark benyttede disse elementer til at finjustere "dual supervision" AI-modeller. Denne type system er designet til at behandle tekst- og billeddata samtidigt. Det er den teknologi, der anvendes til automatisk at generere beskrivelser af fotos eller videoklip eller til at skabe syntetiske billeder fra brugeroplyste prompter.
De nye modeller beviste, ifølge partene, hurtigt deres evne til at håndtere tilstandsovervågningsopgaver i den virkelige verden. En tidlig succes kom, da en AI-model påviste pålideligt kunne genkende signaler genereret af fejl i sensorer eller sensorkabler.
Disse hændelser er relativt almindelige i store tilstandsovervågningsinstallationer, og de er nemme at rette, men at finde dem i dataene kræver typisk tidskrævende gennemgang af en menneskelig analytiker.
Når AI kan identificere disse fejl, behøver analytikeren kun at gennemgå og bekræfte diagnosen, hvilket vil være en nyttig tidsbesparelse, påpeges det.
Den næste iteration af systemet, som i øjeblikket er under udvikling, sigter mod at udvide AI-modellen til en interaktiv virtuel assistent for tilstandsovervågningsanalytikere. Den vil således indeholde en 'chat'-grænseflade, der kan svare på tekstforespørgsler fra brugeren, hente relevante data, køre analytiske værktøjer og foreslå de næste trin, der er nødvendige for at diagnosticere et problem.
Ifølge parterne, er konklusionen, at det nu er skabt en robust ramme, men hver tilstandsovervågningsinstallation er forskellig, så brugerne skal træne modellerne med deres egne data og forfine dem, så de matcher deres politikker og processer.
AI-systemer kan eksempelvis benytte 'reinforcement learning', så modellen gradvist forbedrer relevansen og nøjagtigheden af dens resultater baseret på feedback fra brugeren."
SKF er i øjeblikket ved at undersøge muligheden for at overføre denne tilgang og diskussioner er i gang om et nyt projekt for at anvende AI-tilgangen til andre applikationer, konstaters det.
