Sciencemag.cz
Doporučujeme
Představte si, že slyšíte neobvyklý zvuk vašeho auta při rozjezdu. Možná poznáte, že něco není v pořádku, dříve, než se skutečně porouchá. A teď si představte, že podobným způsobem dokáže poslouchat své vlastní zvuky i průmyslový stroj – a s pomocí umělé inteligence říct, jak dlouho ještě vydrží pracovat bez poruchy.
To není sci-fi. S pomocí výpočetní síly superpočítače v brněnském centru CEITEC při Vysokém učení technickém se podařilo vytrénovat zcela nový model umělé inteligence, který dokáže na základě zvuků předpovídat, kdy stroj přestane správně fungovat.
Český startup Neuron Soundware vytvořil nový způsob, jak díky zvukové analýze a AI přesněji předpovídat životnost průmyslových zařízení. Jinými slovy: díky umělé inteligenci umožnil strojům „mluvit“ o své vlastní budoucnosti. Technologie, která vznikla, má potenciál změnit způsob, jak firmy plánují údržbu, šetří náklady a předcházejí výpadkům výroby.
Díky evropské síti AI-MATTERS bylo pro výzkum využito špičkové technologie a testovacích a experimentálních pracovišť (TEF) s využitím 100 % dotované ceny služeb. Pavel Václavek, koordinátor výzkumného programu Technická kybernetika, instrumentace a systémová integrace, CEITEC VUT uvádí: „U nás v RICAIP Tesbedu Brno můžeme firmám, které mají inovativní myšlenku, ale nemají potřebné vybavení, poskytnout pro ověření funkčnosti jejich konceptu celou naši vědeckou infrastrukturu. Dokážeme jim celý experiment postavit na našich strojích, jež věrně simulují průmyslové prostředí.“ CEITEC disponuje řadou průmyslových zařízení a velmi atraktivní je právě možnost práce s High-performance computing cluster, tedy superpočítačem pro velmi náročné úlohy.
Když stroj mluví jako člověk
Neuron Soundware vychází z principu, že stejně jako jazykové modely (například ChatGPT) dokážou na základě textu odhadnout, co přijde dál, tak lze “naučit” modely předvídat chování strojů podle jejich zvukové historie. Pokud se stroj začne chovat jinak – vydá jiný zvuk, vyšší vibraci nebo delší ticho – může to být signál, že se blíží závada.
Tým nasbíral záznamy zvuků z desítek typů strojů (např. kompresory, motory, čerpadla apod.) a stovek jejich komponent (ložiska, hřídele, vřetena, apod.) – například z obrábění materiálů, CNC strojů, či elektro-mechanických komponent na eskalátorech či výtazích ve výrobních podnicích či na letištích, apod. Jednalo se o vybrané zvukové sekvence nahrané během celé doby provozu strojů, které jsme sbírali během posledních 7 let.
Tyto nahrávky byly následně převedeny do cca 33, 6 miliardy tzv. „zvukových tokenů“, podobně jako jazykové modely pracují se slovy. Model se trénoval tak, aby dokázal předpovědět, jaký zvuk má následovat. Pokud něco „nesedí“ – například se místo očekávaného bzučení ozve klepání – označí to jako možnou závadu nebo známku opotřebení.
Aby se model v těchto zvukových „větách“ vyznal, byly do záznamů přidány i tzv. „speciální tokeny“ jako „pauza“, „údržba“, „konec“ a další. Díky nim se AI lépe orientuje v tom, co se ve stroji právě děje, a dokáže vyhodnotit, jestli se zařízení chová normálně, nebo jestli je něco v nepořádku a dokáže předpovědět, kdy se může objevit porucha – dřív, než by si toho člověk všiml.
Jedná se o podobný přístup, který nedávno použila společnost Google při školení svých DolphinGemma modelů pro interpretaci komunikace delfínů.
Výsledky: Přesnější předpovědi a zásadní zlepšení
Nejvýraznějšího pokroku dosáhl tým v oblasti predikce zbývající životnosti strojů (RUL- Remaining Useful Life, tedy zbývající doba provozu). Díky tomu, že model nově pracuje s celým kontextem provozní historie stroje – nikoli jen s jedním aktuálním stavem – se podařilo výrazně zpřesnit jeho odhady.
Chybovost se snížila až na 5 – 15 % původních hodnot, což v některých případech znamená až desetinásobné zlepšení oproti dřívějším metodám. Tento průlom umožňuje lépe plánovat servisní zásahy, minimalizovat výpadky a efektivněji využívat technické kapacity. Navíc byl systém optimalizován tak, aby zvládl fungovat i na zařízeních s omezeným výpočetním výkonem, což výrazně rozšiřuje jeho praktické využití v reálném provozu.
Na klasifikačních úlohách (např. pro rozpoznání aktuálního stavu stroje nebo konkrétního typu poruchy) nám nový model umožnil rozpoznávat zvuky na základě pouze několika minut označených dat. Dříve jsme pro podobnou klasifikaci potřebovali řádově hodiny až desítek hodin označených dat, což při přípravě nového projektu na straně klienta snižuje časovou náročnost a náklady na přípravu dat až o 95 %.
Zlepšení však přinesla i detekce anomálií, kde model zaznamenal nárůst správných detekcí o 1,6 % a zároveň přibližně o 15 % snížil závažnost případných chyb. Ještě důležitější je, že dokázal správně odhalit osm případů anomálií, které dosud žádný jiný model nerozpoznal. Ukázalo se, že nový model lépe „rozumí“ zvukovým projevům strojů i v situacích, kdy nejsou k dispozici přesně označená data – tedy tam, kde je nutné spoléhat jen na schopnost AI vnímat jemné odchylky a poruchové vzorce v provozním šumu.
Co to přináší v praxi?
Představte si, že máte ve výrobě CNC obráběcí stroj, který běžně pracuje tři směny denně. Podle servisního plánu se ložiska mění každých šest měsíců, preventivně – bez ohledu na to, jak moc byla skutečně zatížena. Jenže nový model od Neuron Soundware dokáže pomocí zvukové analýzy rozpoznat, že konkrétní stroj se po čtyřech měsících začíná chovat jinak: místo plynulého bzučení slyší jemné vibrace a nepravidelnosti, které poukazují na začínající opotřebení.
Místo slepé výměny všech strojů podle tabulky dostanete konkrétní doporučení: „Tento stroj bude potřebovat zásah do tří týdnů, ostatní zatím ne.“ Výsledek? To je zásadní rozdíl, který v praxi přinese obrovské úspory – nejen na opravách, ale i na výrobních výpadcích. AI se tak stává spolehlivým partnerem údržbáře – naslouchá stroji, rozumí mu a včas dá vědět, kdy je čas zasáhnout.
A co dál?
Stejně jako jsme stroje naučili mluvit o svém zdraví, dalším krokem je naučit je mluvit s námi. Už teď se můžete v portálu nGuard bavit s AI chatbotem , který strojům nejen rozumí, ale dokáže vám i doporučit, co dělat dál.
Technologie, která ještě před pár lety patřila do světa laboratoří a experimentů, dnes pomáhá udržet výrobu v chodu – tiše, přesně a s předstihem.
Autor: Petra Večajová, Operations manager Neuron SW
