Od problemu do rozwiązania – projekt ML w 6 kluczowych krokach

Interesujesz się uczeniem maszynowym i sztuczną inteligencją. Hobbistycznie czytasz blogi, słuchasz podcastów, słyszysz o rewolucji przemysłowej 4.0 i wkraczaniu sztucznej inteligencji w każdy aspekt naszego życia. Może nawet przerobiłeś słynny kurs Ng na Courserze i teraz gdy słyszysz, że ktoś dywaguje o trenowaniu sieci neuronowej, nie czujesz się jak studentka filologii na imprezie w akademiku politechniki. Może nawet nieśmiało myślisz o skierowaniu swojej drogi w kierunku data science. Zastanawiasz się jednak jak może wyglądać taki projekt, w którym tworzysz rozwiązania z obszaru ML/AI. Myślisz, że z pewnością to nie wygląda tak jak na kursie.

Poniżej przedstawiam przykład projektu z zakresu sztucznej inteligencji w przemyśle na przykładzie diagnostyki on-line młynów węglowych. Etapy projektu podzieliłam na 6 kluczowych kroków.

 

  KROK 1. Zdefiniuj problem.

Każdy projekt rozpoczyna się od pomysłu, który rozwiązuje problem Twojego klienta. Problem ten czasem jest oczywisty, a czasem dostrzeżony przypadkiem, np. podczas rozmowy z pracownikami.

Przykład z diagnostyki młyna:

W wyniku rozmów z operatorami młynów, którzy powiedzieli, że wykrywają awarie obserwując zaledwie 2 z około 28 parametrów mierzonych podczas pracy młyna, powstała następująca hipoteza:

Hipoteza: „W młynach węglowych występują awarie, które można wykryć obserwując parametry pracy młyna”.

Znając obecne rozwiązania i możliwości techniki wiedzieliśmy że istnieje możliwość rozwiązania tego problemu tworząc system sztucznej inteligencji.

 

KROK 2. Zastanów się i zaproponuj rozwiązanie.

Czasem rozwiązaniem jest przejrzenie dostępnych ofert na rynku i wybranie najlepszej. Czasem rozwiązanie może nie istnieć lub nie być satysfakcjonujące i możesz pomyśleć o implementacji własnego rozwiązania. Własne rozwiązanie możesz stworzyć na dwa sposoby:

A) Przejrzyj dostępne rozwiązania (przegląd literatury) i zastanów się, czy możesz zaadaptować je do Twojego problemu – zapewne konieczne będą pewne modyfikacje.

B) Zaproponuj innowacyjne rozwiązanie.

Przykład z diagnostyki młyna:

W naszym przypadku zdecydowano się na klasyczne podejście do wykrywania anomalii – Digital Twin. Wybraliśmy to podejście zważywszy na hipotezę postawioną w kroku 1.

 

KROK 3. Zdefiniuj wymagane zasoby i dane.

Zaadaptuj wybrane rozwiązanie do Twojego przypadku. W projektach ML/AI kluczowe są dane.

Przykład z diagnostyki młyna:

Wybraliśmy podejście Digital Twin ze względu na dużą ilość mierzonych parametrów. Przy założeniu, że obserwujemy tylko dwa – pozostałe wykorzystamy do stworzenia modeli. Zadaliśmy sobie dwa kluczowe pytania.

Pytanie 1. Jakie parametry modelujemy? Dlaczego akurat te?  Jaki mamy w tym cel?

Odpowiedź: Modelujemy AMPS (natężenie prądu pobieranego przez silnik młyna) i TEMP (temperatura mieszanki pyłowo-powietrznej na wyjściu z młyna), ponieważ to są dwa główne parametry, które obserwują operatorzy. Wybór parametrów, które modelujemy, wynika z wiedzy experckiej. Stworzone modele wykorzystamy do analizowania odstępstw modelu od rzeczywistych pomiarów podczas bieżącej pracy, a następnie definiowania stanu pracy młyna.

Pytanie 2. Jakich danych wymagamy?

Odpowiedź: Dane procesowe z odpowiednio długiego zakresu. Dane dotyczące awarii – data wystąpienia i przyczyna. Jeżeli możliwe, określenie okresów anormalnej pracy młyna.

Notatka: Dotarcie do danych dotyczących awarii oraz ich przyczyny nie było trywialnym zadaniem. Aby dowiedzieć się co w tym czasie działo się na bloku (praca kotła i młynów), musiałam ręcznie przejrzeć dzienniki operatorskie, które istnieją w postaci papierowej, gdzie operatorzy codziennie wpisują razem z godziną istotne zdarzenia, które wystąpiły na bloku.

 

KROK 4. Stwórz model.

Nadszedł czas aby wykorzystać swoją wiedzę i zasoby. Siadamy do komputera i tworzymy model. Wielu z nas tą część projektu uznaje za najprzyjemniejszą.

Typowy proces tworzenia modelu składa się z poniższych kroków:

  1. Wczytanie danych,
  2. Walidacja danych,
  3. Selekcja cech,
  4. Trening modelu,
  5. Ewaluacja modelu.

 Uwaga 1. 80% sukcesu to odpowiednie przygotowanie danych. Skup się na odpowiedniej walidacji danych.

Uwaga 2. Wiedza i zrozumienie problemu pozwoli  ocenić czy cechy modelu są dobrze dobrane.  Może warto stworzyć dodatkowe cechy?

Przykład z diagnostyki młyna:

Podczas modelowania stworzyłam szereg modeli, które pozornie wydawały się wystarczająco dobre (dokładność modelowania była na zadowalającym poziomie). Pamiętałam jednak, że model miał też wykazywać odstępstwa od pomiaru w przypadku anomalii i awarii, dlatego wybrałam modele, które jako jedne z kluczowych cech zawierały FEEDER_LOAD i P_AIR FLOW – ponownie wiedza expercka. Wiedza z zakresu ML pozwoliła mi na dobranie odpowiedniego modelu dostosowanego do mojego problemu oraz przetestowanie pewnych założeń, np. testowanie hipotezy o sensowności modelu rozmytego. Wiedza expercka pozwala również na stworzenie lepszych algorytmów walidacji.

 

KROK 5. Implementacja modelu i postprocessing.

Zaimplementuj swój model. Zbierz dane z bieżącej pracy. Wykonaj końcowe testy i analizy dla nowych danych.

Może konieczne będą pewne poprawki lub zmiana pewnych założeń?

Przykład z diagnostyki młyna:

W przypadku naszego modelu konieczne było stworzenie specjalnej grafiki operatorskiej oraz implementacja modelu w systemach elektrowni. 

 

KROK 6. Świętuj dobrze wykonaną pracę!

Koniec, wykonałeś świetną robotę, możesz się zgłosić do szefa po premię 😉

 

Tak w ogólności wyglądają projekty ML/AI. W zależności od projektu i dostępności danych poszczególne kroki zajmują więcej lub mniej czasu. Czasem okazuje się, że chciałbyś stworzyć model, ale wymagane dane nie są archiwizowane i potrzebujesz czasu, aby je zebrać. Innym razem będziesz potrzebował więcej czasu, aby znaleźć odpowiedni model dostosowany do Twoich potrzeb. Jeszcze innym razem zanim zaczniesz projekt dowiesz się dopiero, co to jest ten młyn węglowy, jak działa i jakie są jego bolączki 😉 Może znajdzie się i taki przypadek, że Twoje rozwiązanie będzie podstawą do stworzenia patentu, czego Ci życzę!

 

 

o autorze
Teresa Kurek
Doktorantka energetyki, pracująca w obszarze analizy danych procesowych elektrowni i sieci ciepłowniczych, wykrywania anomalii i stanów awaryjnych oraz modelowania predykcyjnego w energetyce i ciepłownictwie.