Detekce anomálií v provozu laboratorní technologie pomocí strojového učení

Zkušený operátor pozná, že se jeho technologie chová divně, dřív než cokoliv spadne. Nemá seznam všech možných poruch — má něco lepšího: cit pro to, jak vypadá normální provoz a co je porucha. Přesně tenhle cit se může naučit i model strojového učení: na datech bezporuchového provozu ho necháme naučit se normální stav tak dobře, aby poznal každou odchylku od něj. Nemusí vědět, co přesně se pokazilo — stačí, když spolehlivě řekne: tohle není normální. V průmyslu se tomuhle přístupu říká detekce anomálií a je to dnes nejschůdnější cesta, jak dostat AI dohled do reálných provozů.

• Poznáte skutečné zařízení — membránovou jednotku v naší laboratoři SWARM — a naměříte referenční data: opakované běhy normálního provozu v různých provozních režimech, tlaky, průtoky, teploty. Právě kvalita tohohle „portrétu zdravého provozu“ bude rozhodující.
• Natrénujete na naměřených datech detekční model. Pythonovské knihovny dnes nabízejí hotové metody od jednoduchých statistických mezí po pokročilé modely strojového učení, takže těžiště není v matematice, ale v rozmyšlení, co a jak měřit.
• Vyvoláte na membránové jednotce několik odchylek od normálu (přiškrcený ventil, změněný tlak) a ověříte, jestli váš hlídač pozná, že je něco špatně.

Detekce anomálií je jedna z nejžádanějších dovedností v průmyslové praxi: stejný princip hlídá turbíny, čerpadla i výrobní linky po celém světě. Výsledek navíc nezůstane v šuplíku — funkční hlídač poběží dál a bude hlídat budoucí experimenty. Téma se hodí pro někoho, koho baví laboratoř a nebojí se přitom Pythonu, nebo obráceně; membrány ani strojové učení nemusíte znát předem.