Hydro utvikler løsninger for prediktivt vedlikehold i partnerskap med Bouvet. Ved å bruke maskinlæring og statistiske metoder er det mulig å avdekke mønster i data som kan gi oss verdifull informasjon om maskiners tilstand - i både nåtid og fremtid. For å lykkes med dette er et tett samarbeid mellom ledelse, domene-eksperter og tekniske team viktig.
Utfordringen
Hydro er et norsk, internasjonalt selskap med fabrikker over hele verden, og over 30 000 ansatte.
I fabrikkene samler Hydro data fra maskiner og sensorer til dataplattformen Ceres.
Ceres er viktig for Hydro blant annet fordi dataene og verktøyene i plattformen gjør prediktivt vedlikehold mulig. Historiske data kan i mange tilfeller være velegnet for å trene maskinlæringsmodeller.
Prediktivt vedlikehold krever tett samarbeid:
- Representanter fra forretningen vurderer og prioriterer hvor innføring av prediktivt vedlikehold har størst potensiale for økt forretningsverdi
- Driftspersonell har ekspertise om produksjonsutstyret og bidrar med å beskrive funksjonelle krav og suksesskriter for nye løsninger. De har inngående kjennskap til maskiner og vet ofte hvilke signalmønster som kan indikere avvik
- Et MLOps-team står for den tekniske realiseringen i dataplattformen, med robuste og skalerbare løsninger for prediktivt vedlikehold.
Transformatorer – en viktig maskin på fabrikken
Transformatorer tilpasser den elektriske energien fra kraftnettet til maskiner og utstyr. De kan endre spenningen, strømmen eller fasen av den elektriske energien.
Hydro er avhengige av stabil tilførsel av store mengder strøm til sine fabrikker. Derfor er det viktig å vite at transformatorer fungerer normalt til enhver tid. Det er ønskelig å fange opp tidlige indikasjoner på om transformatorer begynner å svikte. Hvis dette fanges opp tidlig nok vil det i mange tilfeller være mulig å sette i gang preventive vedlikeholdstiltak slik at havarier unngås.
I dette prosjektet bruker vi blant annet historiske data fra Hydro sine mange transformatorer til å trene opp maskinlæringsmodeller. Maskinlæringsmodellene gjenkjenner mønstre i data som strømmer inn fra fabrikkene, og sender ut alarmer dersom noe avviker fra normalen.
Prosess
Hydro og Bouvet jobber tett sammen i MLOps-teamet. I teamet er det data engineers og data scientists fra begge selskapene.
MLOps
MLOps er en forkortelse for Machine Learning Operations. Det er et sett med praksiser og verktøy for å distribuere og vedlikeholde maskinlæringsmodeller i produksjon på en pålitelig og effektiv måte.
MLOps kombinerer elementer fra maskinlæring, programvareutvikling (spesielt DevOps) og dataingeniørfag. Målet med MLOps er å forenkle og automatisere prosessen med å ta maskinlæringsmodeller fra utvikling til drift, samt å overvåke og forbedre dem kontinuerlig.
MLOps omfatter hele maskinlæringslivssyklusen, fra datainnsamling, dataforberedelse, modelltrening, modellvalidering, modellutrulling, modellmonitorering, til automatisk modellomtrening.
MLOps er nyttig for å skape og sikre kvaliteten på maskinlærings- og AI-løsninger, og å øke samarbeidet og hastigheten på modellutvikling og prod-setting.
Teknologi vi bruker
| 1. Tensor Flow Biblioteker for Maskinlæring | ||
| 2. MLFlow Verktøy for MLOps |
| 3. Data Bricks Plattform | |
| 4. PySpark Distribuerte data frames |
Verdiskapning
- Prosjektet kan vise til en pipeline og økosystem for maskinlæringsmodeller der mange prosesser i modellenes livssyklus er automatisert. Ved å automatisere disse prosessene sørger Hydro for at utviklingstiden blir kortere for hvert feilmodus som utforskes, kvaliteten heves, og flere brukergrupper kan utnytte løsningen.
- Økosystemet for maskinlæringsmodeller er designet for å skalere på tvers av Hydro sine forretnings-områder. Selv om det ikke finnes en maskinlæringsmodell som er passer til alle oppgaver, så er de automatiserte prosessene i økosystemet konfigurerbare for nye utfordringer og oppgaver!
- Maskinlæringsmodellene lærer etter hvert som de får tilgang til mer data, de blir med andre ord kontinuerlig forbedret. Dette er viktig ettersom karakteristikker for et fysisk system kan endre seg over tid.
- Maskinlæringsmodellene vil i mange tilfeller ha en høyere presisjon på sine prediksjoner sammenlignet med enklere statistiske metoder. Hydro forventer å redusere mengden falske positive og falske negative alarmer der maskinlæring utnyttes.
- Prediktivt vedlikehold utfyller tradisjonelle vedlikeholds-metodikker. Ved å forutse problemer før de oppstår, kan Hydro planlegge vedlikehold på en kostnadseffektiv måte, unngå kostbare nødreparasjoner, og forlenger utstyrets levetid.
Kontakt oss
