21.03.2022

Naukowcy z AGH zmieniają zakłady przemysłowe w inteligentne fabryki


Zdjęcie przedstawia artystyczną wizję specjalisty, który zarządza działaniem fabryki przy pomocy nowych technologii takich jak: AI, Wi-Fi czy przetwarzanie w chmurze.

Ideałem czwartej rewolucji przemysłowej jest przemiana zakładów przemysłowych w inteligentne przedsiębiorstwa zarządzane przy użyciu nowoczesnych technologii; źródło: Dreamstime

Jak zmienić zakład przemysłowy w inteligentną fabrykę? Na to konkretne pytanie odpowiadają naukowcy z Laboratorium Informatyki w Sterowaniu i Zarządzaniu w Katedrze Automatyki i Robotyki, którzy pracują nad usprawnieniem produkcji poprzez tzw. systemy wspomagania decyzji. W ramach projektu finansowanego z IDUB zespół pod kierunkiem dr. hab. inż. Jerzego Baranowskiego, prof. AGH z Wydziału Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej, prowadzi badania podstawowe dotyczące metod diagnostyki procesów technologicznych, wykorzystujących statystykę bayesowską oraz uczenie maszynowe. Rezultaty prac mogą znaleźć w przyszłości praktyczne zastosowanie, przybliżając firmy do realizacji założeń Przemysłu 4.0.

Powszechnie uznaje się, że w obrębie światowej gospodarki miały miejsce dotychczas trzy rewolucje przemysłowe: parowa, elektryczna oraz komputerowa. Pierwsza z nich związana była z wynalezieniem mechanicznego krosna tkackiego wykorzystującego siłę pary wodnej, druga zaszła za sprawą pierwszych taśm produkcyjnych zasilanych energią elektryczną, a trzecia zawdzięczała swój bieg automatyzacji procesów technologicznych z zastosowaniem układów cyfrowych i robotów. Obecnie dokonuje się czwarta rewolucja przemysłowa (Przemysł 4.0), którą napędza szybki rozwój Internetu – jej celem jest przemiana zakładów produkcyjnych w inteligentne przedsiębiorstwa zarządzane przy użyciu nowych technologii.

Istotną rolę w tej transformacji odgrywają naukowcy z wielu dziedzin – głównie ekonomiści, inżynierowie, ale także informatycy oraz statystycy. W AGH, w ramach Katedry Automatyki i Robotyki na WEAIiB, od wielu lat działa już Laboratorium Informatyki w Sterowaniu i Zarządzaniu, które skupia specjalistów prowadzących badania w dziedzinie analizy danych i systemów sterowania czy zarządzania produkcją. Stosując swoją szeroką wiedzę w dziedzinach m.in. modelowania matematycznego i sztucznej inteligencji, uczeni oferują pomoc przedsiębiorcom w zakresie analizy danych i optymalizacji produkcji. Wszystko to w celu poprawy wydajności i efektywności zakładów, a tym samym zwiększenia ich konkurencyjności.

Zespół Laboratorium Informatyki w Sterowaniu i Zarządzaniu; fot. Marianna Cielecka

Badania podstawowe

Obecnie zespół pod kierunkiem dr. hab. inż. Jerzego Baranowskiego, prof. AGH realizuje projekt finansowany z grantu uczelnianego, poświęcony metodom diagnostyki procesów technologicznych przy pomocy uczenia maszynowego oraz statystyki bayesowskiej. Naukowcy próbują opracować modele predykcyjne, które pozwalałyby na przykład przewidywać usterki i planować prace naprawcze w danym zakładzie produkcyjnym. Warto wszak zdawać sobie sprawę, że straty przynosi nie tylko brak optymalizacji procesów, ale również awarie i remonty, powodujące przestoje. Jako że ryzyko związane z utraconymi zyskami jest wysokie, potrzebne są odpowiednie systemy wspomagania decyzji, których dostarczają właśnie naukowcy z AGH.

Aby usprawnić funkcjonowanie procesów technologicznych trzeba zawsze planować prace naprawcze lub modernizacyjne. To natomiast stwarza miejsce na różnego rodzaju systemy wspomagania decyzji, które pozwolą przewidywać powstawanie uszkodzeń albo wykrywać je na wczesnym etapie, jeżeli już coś się dzieje. Problem z systemami wspomagania decyzji polega jednak na tym, że jeżeli chcemy podejmować określone wybory na gruncie inżynierii procesowej, to musimy też być w stanie owe decyzje obronić – tłumaczy prof. Baranowski.

Każda decyzja związana z wysokim ryzykiem – na przykład utratą pieniędzy – powinna być więc interpretowalna, czyli mieć stosowne uzasadnienie, które będzie ją czynić zrozumiałą. W przypadku zarządzania infrastrukturą przedsiębiorstwa szkody mogą przynieść zarówno zbyt rzadkie, jak też nazbyt częste prace remontowe, dlatego wybór konkretnej opcji musi zostać poparty argumentami. Przewidywanie usterek jest jednak trudne i przypomina nieco polowanie na czarne łabędzie, pojawiające się w tytule bestsellerowej książki prof. Nassima Nicholasa Taleba. Według badaczy w podejmowaniu decyzji może jednak pomóc uczenie maszynowe i statystyka bayesowska, która nieźle sprawdza się w prognozowaniu anomalii.

Statystyka bayesowska nie była popularna przez wiele lat z jednego powodu: to wszystko wymaga bardzo dużych mocy obliczeniowych. Dopiero od kilkudziesięciu lat mamy metody obliczeniowe pozwalające na rozwiązywanie tych trudnych problemów. Zaczęło się podczas badań nad Projektem Manhattan, gdy opracowano pierwsze algorytmy Markov chain Monte Carlo. Te metody były rozwijane i w ostatnich 20 latach nastąpił kolejny skok, pozwalający niezwykle skutecznie wykorzystywać statystykę bayesowską – opisuje kierownik projektu.

Prof. Jerzy Baranowski wprowadza w arkana metody Monte Carlo; fot. Marianna Cielecka

Czysta matematyka to jednak nie wszystko, gdyż – jak przekonują naukowcy – nieodzowna w tym wszystkim jest także rola czynnika ludzkiego i eksperta, który dostarczy naukowcom precyzyjnej wiedzy dotyczącej procesu. Zwykle jest bowiem tak, że przemysłowa praktyka odbiega od teorii zawartej w książkach bądź instrukcjach. Dopiero zatem połączenie wiedzy a priori z wiedzą ekspercką i pomiarami może dać odpowiednie rezultaty, przy czym równie ważne jest uwzględnienie wszystkich niepewności. Na podstawie doświadczenia ekspertów i analizy szeregów czasowych można wreszcie stworzyć właściwy model predykcyjny, który powinien być również dopasowany do konkretnej instalacji, wykorzystanej w danej fabryce.

Mamy tu cały czas na myśli systemy wspomagania decyzji, a nie systemy podejmowania decyzji. Mówienie, że w jakimkolwiek systemie analizy danych można wyrugować eksperta jest utopią. Musi on być obecny na poziomie stworzenia założeń oraz na poziomie tworzenia systemu, który powinien też mimo wszystko nadzorować. W szczególności, że są to decyzje o wysokim stopniu ryzyka i nie można pozwolić, aby były one podejmowane automatycznie. Zdarza się wręcz, iż potrzebny jest tu cały zespół ekspertów – przekonuje prof. Baranowski.

Plany na przyszłość

Badania prowadzone przez zespół naukowy w ramach projektu IDUB znajdą wkrótce swoje rozwinięcie w projekcie finansowanym w ramach programu NCN Opus, którego kierownikiem również jest prof. Baranowski. Warto także wspomnieć, że Laboratorium Informatyki w Sterowaniu i Zarządzaniu prowadzi nie tylko ożywioną działalność badawczą czy owocną współpracę z biznesem, ale też szeroko zakrojoną działalność dydaktyczną, prowadząc liczne przedmioty, dotyczące na przykład metod numerycznych, podstaw business intelligence lub zarządzania projektami. Przy Laboratorium działa również Koło Naukowe IDS – Industrial Data Science, skupiające się na zagadnieniu analizy danych w zastosowaniach automatyki.

Prof. Jerzy Baranowski jest przy tym kierownikiem projektu „Vacation learning at AGH for Sustainable Industry 4.0 Education” finansowanego z programu NAWA Spinaker. Międzywydziałowy projekt (WEAIiIB, WZ i WIMiR) oferuje trzy wirtualne szkoły skierowane do zagranicznych studentów, których interesuje Przemysł 4.0. Każda ze szkół będzie miała cztery edycje. Dla uczestników jest to świetna okazja zarówno do pogłębienia wiedzy z zakresu nowych technologii, jak i poszerzenia swojej znajomości na temat Polski i kształcenia w AGH. W ten oto sposób na uniwersytecie promuje się innowacyjne badania, polską kulturę oraz kształcenie w języku angielskim, co zdecydowanie przybliża AGH do realizacji głównych założeń programu IDUB.

****
Projekt pt. „Interpretowalne metody diagnostyki procesów wykorzystujące uczenie maszynowe i statystykę” sfinansowany został z grantu uczelnianego (I edycja konkursu System grantów uczelnianych na prace badawcze realizowane z udziałem doktorantów – Działanie 4), w ramach programu Inicjatywa Doskonałości – Uczelnia Badawcza, AGH 2020-2022, POB6.