= Minimalno-invazivni samorazvijajoči diagnostični sistemi: ključni element tovarn prihodnosti = [[https://www.ijs.si/ijsw/ARRSProjekti/2022|Nazaj na seznam za leto 2022]] ---- === Oznaka in naziv projekta === {{attachment:mindiag_logo.png|align='left'|height="100"}} L2-4454 Minimalno-invazivni samorazvijajoči diagnostični sistemi: ključni element tovarn prihodnosti L2-4454 Minimum-Invasive Self-Evolving Diagnostic Systems: An ultimate component of the Factories of the Future === Logotipi ARRS in drugih sofinancerjev === {{https://www.ijs.si/ijsw/ARRSProjekti/SeznamARRSProjekti?action=AttachFile&do=get&target=ARRS_logotip.jpg|© Javna agencija za raziskovalno dejavnost Republike Slovenije|height="150",width="349"}} {{https://www.ijs.si/ijsw/ARRSProjekti/SeznamARRSProjekti?action=AttachFile&do=get&target=domel.svg|Domel|height="100"}} === Projektna skupina === Vodja projekta: Đani Juričić '''Sodelujoče raziskovalne organizacije: '''[[https://www.sicris.si/public/jqm/search_basic.aspx?lang=slv&opt=2&subopt=1&opdescr=search&code1=cmn&code2=auto&search_term=N1-0230|Povezava na SICRIS]] * Institut "Jožef Stefan" * Univerza v Ljubljani, Fakulteta za elektrotehniko * Domel d.d. '''Sestava projektne skupine: '''[[https://www.sicris.si/public/jqm/search_basic.aspx?lang=slv&opt=2&subopt=1&opdescr=search&code1=cmn&code2=auto&search_term=N1-0230|Povezava na SICRIS]] === Vsebinski opis projekta === ==== Izhodišča ==== Industrijski sektor v EU prispeva skoraj 20 % k BDP EU [1]. Za ohranjanje gospodarske učinkovitosti in konkurenčnosti sektorja na najvišji ravni ima upravljanje premoženja pomembno vlogo. Ocenjena skupna vrednost vzdrževalnih proračunov v EU je vsako leto približno 1500 milijard EUR. Poleg tega je po nekaterih raziskavah [3] ena tretjina vseh stroškov vzdrževanja porabljena neučinkovito zaradi neučinkovitih strategij vzdrževanja. Prehod od zastarelega reaktivnega in občasnega vzdrževanja k učinkovitejšemu prediktivnemu in proaktivnemu vzdrževanju postaja ne le ekonomsko izvedljiv, temveč tudi predpogoj za konkurenčnost na svetovnem trgu. To je postalo mogoče zahvaljujoč napredku ključnih tehnologij, kot so internet stvari (IoT), povečana računalniška moč, senzorji in omrežna komunikacija. Učinkoviti sistemi zgodnjega opozarjanja, ki so sposobni zaznati in izolirati nastanek skrite okvare, omogočajo zgodnje načrtovanje omilitvenih ukrepov z minimalnim vdorom v proizvodni proces, s čimer se znatno poveča produktivnost ter prihrani čas in sredstva. Kljub tem dejstev večina proizvodnih linij danes še vedno nima ustreznega prediktivnega in proaktivnega vzdrževanja, ki za uresničitev zahteva uporabo diagnostičnih in prognostičnih funkcionalnih modulov. ==== Cilji ==== Glavni cilj predlaganega projekta je razvoj novih ''''minimalno-invazivnih in samo-razvijajočih metod'''' ''za detekcijo, karakterizacijo in javljanje sprememb'' in odstopanj v signalih s ponavljajočim časovnim profilom s ciljem uporabe za industrijsko diagnostiko. Predlagane metode ne bodo zahtevale nobenih obstoječih modelov procesov, pač pa bodo vse potrebne informacije izluščile iz obratovanja procesa v nominalnem stanju brez napak in okvar ob minimalni predhodni informaciji o procesu. Arhitekturo diagnostičenga Sistema in temeljnega koncepta predstavlja Slika 2. Sistem deluje v dveh načinih: način učenja (informacijski tokovi v modri barvi) in način spremljanja (v zeleni barvi), kjer je učenje prikazano z modrimi potmi, spremljanje pa z zelenimi. Vijolične poti predstavljajo osveževanje in samodejni razvoj modela. {{attachment:min_diag_concept_slo.png|height="100"}} V ''''fazi učenja'''' (modri informacijski tok) poteka zajem procesnih signalov med delovanjem procesa nominalnih (referenčnih) razmerah, brez napak. Predvidene diagnostične aktivnosti vključujejo: * Segmentacija signala na ''elementarne ponovljive vzorce'' (glej rdeči del podslike 2) * Nadaljnja segmentacija elementarnega ponovljivega vzorca v segmente (glej 3), kjer vsak segment ustreza določeni fazi delovnega cikla stroja. * Segment je povezan s delom signala (časovna vrsta). Tu je potrebno rešiti problem rojenja časovnih vrst (glej 4). To se doseže s karakterizacijo segmenta z nizom značilk (npr.: srednja vrednost, varianca, razpon, trajanje) Rezultat koraka b) je diskretni dogodkovni (angl. Discrete Event System - DES) model, ki opisuje prehod iz določene faze delovnega cikla v naslednjo. Sistem DES spremljajo roji, ki jih formirajo značilke v prostoru značilk. Tak '''hibridni model''' je uporabljen kot '''referenčni model''' v diagnostičnem moduli V ''''fazi spremljanja'''' (zeleni informacijski tok) poteka sprotni zajem podatkov, ki se jih interpretira v smislu hibridnega DES modela. Detekcijski modul analizira če je trenutno stanje skladno z referenčnim modelom (glej 5). Prav tako se preverja skladnost ovrednotenih značilk z roji v deferenčnem modelu. V primeru zaznanega odklona, se sproži alarm. V naslednji stopnji se glede na podobnost trenutnega hibridnega modela z zgodovinskimi modeli izvaja sklepanje na možni vzrok nepravilnosti. Poleg tega bo v fazi spremljanja, v kolikor bo zaznan nov, prej ne-zaznan elementarni ponavljajoč vzorcev, le-ta shranjen in karakterizran kot nova pojavna oblika. Le-ta je lahko izjema, nepredvidena napaka. V primeru ponavljanja takega vzorca bo sistem predlagal razširitev modela z modelom nove faze delovanja ali napake. Ta funkcionalnost omogoča sistemu da se razvija z učenjem novih primerov na nenadzorovan način ('''evolucijki del''', v vijolični barvi, Slika 2). Pomemben prispevek tega projekta se nanaša na avtomatizirano vrednotenje optimalnih alarmnih pragov iz podatkov, lastnost, ki zagotavlja samonastavljive lastnosti diagnostičnega sistema. Uporabljena bo zamisel za oceno "razdalje" med trenutno in referenčno porazdelitvijo značilk. Pravilna izbira alarmnih pragov je praktičnega pomena, saj previsoki pragi zmanjšajo občutljivost diagnostike in povečajo verjetnost zgrešenih alarmov. Po drugi strani pa prenizke mejne vrednosti pomenijo preobčutljivo zaznavanje in povečano verjetnost lažnih alarmov. ==== Inovativnost projekta ==== Projekt odpira nov način razmišljanja o proizvodnih diagnostičnih sistemih, saj bo namesto klasičnega pristopa na osnovi modela razvijal, raziskoval in vrednotil podatkovni pristop, samodejno učenje in samodejni razvoj diagnostičnega sistema. Projekt prinaša inovativnost iz naslednjih vidikov: '''''Identifikacija in dekompozicija ponavljajočega vzorca''''' * Pomemben inovativni vidik predlaganega projekta je obravnavanje ponavljajočega se vzorca kot projekcije zaporednih akcij (aktuatorja) na merjeni signal. Za klasifikacijo, ki omogoča učinkovito nadaljnjo diagnostiko, je potrebna razgradnja osnovnega vzorca na pod-vzorce. * Pravilno razčlenjen signal razpade na segmente, ki so odslikavajo specifične faze procesa z njim lastno ponovljivostjo in parametri variacije. Le-ti bodo obravnavani z dodatno razvitimi najsodobnejšimi metodami za prepoznavanje vzorcev in klasifikacijo. '''''Zmožnosti samodejnega razvoja''''' * Glavna inovativnost je uporaba delno-nenadzorovanega učenja, to pomeni učenje iz nominalnega stanja procesa v odsotnosti napak in brez zahtev po obstoječih informacijah o procesu. Sistem izlušči vse potrebne informacije iz podatkov iz delovanja procesa. * Uvajanja diagnostičnega sistema v uporabo bo enostavno in ne bo zahtevalo nobenih aktivnosti ekspertov, kot so analiza procesa, modeliranje ter zahtevna in časovno potratna optimizacija parametrov. Diagnostični sistem se bo prilagodil procesu popolnoma avtomatsko med fazo učenja. Zahvaljujoč temu ga bo enostavno integrirati z obstoječimi proizvodnimi procesi. '''''Minimalno-invazivna instalacija:''''' * Osnovna ideja je, da diagnostični sistem temelji na obstoječi merilni opremi, ki je že instalirana na večini proizvodnih naprav, zato instalacija dodatnih senzorjev ni potrebna. To je podlaga za minimalno-invazivno in stroškovno ugodno instalacijo. * Diagnostični sistem se lahko implementira v obliki računalniškega programa oziroma aplikacije, ki lahko poteka na nizkocenovni procesni enoti, opremljeni s potrebnim številom analognih vhodnih signalov za vzorčenje izbranih procesnih veličin. Diagnostični rezultati se lahko prikazujejo lokalno in se posredujejo v oddaljeni ali oblačni nadzorni računalnik, ki krmili proizvodni proces. * Instalacija ne bo zahtevala nobenih sprememb v obstoječem krmilnem sistemu in programu, kar pomeni, da garancije proizvajalca proizvodnega procesa ali naprave ostane v veljavi. Osnovni podatki sofinanciranja so dostopni na spletni strani [[http://www.sicris.si/|SICRIS]]. === Faze projekta in opis njihove realizacije === WP1: ''''Vodenje projekta'''' (M01-M36; Vodilni partner: IJS) (50%) Cilji: učinkovita koordinacija vsebine dela in finančna koordinacija projekta. WP2: ''''ANALIZA ZAHTEV IN SPECIFIKACIJE'''' (M1-M12; VODILNI PARTNER: IJS) (90%) Cilji: analiza zahtev, priprava specifikacij in koncepta strukture diagnostičnega sistema. WP3: ''''ZAJEM IN GENERIRANJE PODATKOV'''' (M1-M24; VODILNI PARTNER: IJS) (80%) Cilji: priprava podatkov za testiranje diagnostičnih algoritmov. WP4: ''''METODE IN ALGORITMI'''' (M1-M27; VODILNI PARTNER: FEE) (70%) Cilji: razvoj metod in algoritmov za vse faze diagnostične procedure. WP5: ''''DES MODEL IN INTEGRACIJA'''' (M13-M33; VODILNI PARTNER: IJS) (20%) Cilji: razvoj DES modela in integracija vseh komponent v prototip diagnostičnega sistema. WP6: ''''VERIFIKACIJA IN VREDNOTENJE'''' (M4-M36; VODILNI PARTNER: IJS) (35%) Cilji: Verifikacija in vrednotenje razvitega diagnostičnih metod in algoritmov na simuliranih podatkih in podatkih z realni procesov. WP7: ''''PROMOCIJA IN DISEMINACIJA REZULTATOV'''' (M10-M36; VODILNI PARTNER: FEE) (40%) Cilji: promocija nove tehnologije, prikaz in diseminacija rezultatov === Bibliografske reference === * [[https://plus.cobiss.net/cobiss/si/sl/bib/213912579|Non-elastic time series fuzzy clustering for efficient analysis of industrial data sets, Applied Soft Computing, dec 2024]] * [[https://plus.cobiss.net/cobiss/si/sl/bib/131913475|Soft sensor for non-invasive detection of process events based on Eigenresponse Fuzzy Clustering - Applied Soft Computing, jan 2023]] * [[https://plus.cobiss.net/cobiss/si/sl/bib/149718019|Uporaba Metode rojenja z lastnim odzivom v minimalno invazivnem nadzornem sistemu - AIG, marec 2023]] * [[https://plus.cobiss.net/cobiss/si/sl/bib/137999875|Stress detection using frequency spectrum analysis of wrist-measured electrodermal activity - MDPI Sensors - januar 2023]] ---- [[https://www.ijs.si/ijsw/ARRSProjekti/2022|Nazaj na seznam za leto 2022]]