Skip to main content

15  Ipari folyamatanalitika

Az ipari folyamatok – vegyipari reaktorok, erőművek, gyártósorok – a legadatgazdagabb rendszerek közé tartoznak: több ezer érzékelő méri őket másodperces vagy perces felbontásban, évtizedekre visszamenőleg. A 14. fejezet üzleti alkalmazásai után ez a fejezet a mérnöki szálat zárja le: a korábbi fejezetekben a Pannon üzem adatain kipróbált módszereket – regresszió, osztályozás, anomália-észlelés, idősorok, szövegbányászat – egy ipari folyamatanalitikai rendszer építőköveiként rendezi egységbe. Sorra vesszük az ipari adatok sajátosságait, a lágy szenzorokat, a több működési állapotú folyamatok felügyeletét, a hibadiagnózist, a riasztáskezelést és a prediktív karbantartást, végül a modellek üzemeltetésének kérdéseit.

A fejezet végére az olvasó képes lesz lágy szenzort tervezni és értékelni, és a maradékát diagnosztikai célra felhasználni; megítélni, mikor érdemes működési állapotonként külön felügyeleti modellt építeni; a riasztási rendszert a szabványos mutatókkal értékelni; adatalapú állapotindikátort készíteni és a hátralévő időt becsülni; és átlátni, milyen feltételek kellenek az adatalapú modellek tartós ipari üzemeltetéséhez.

15.1 Az ipari adatok sajátosságai

Az ipari adatok a vállalati információs rendszerek hierarchiájának különböző szintjein keletkeznek (15.1. ábra). Az ISA-95 (IEC 62264) modell (IEC, 2013) az érzékelők és beavatkozók szintjétől a folyamatirányításon (DCS, PLC, SCADA) és a gyártásirányításon (MES, laborinformációs rendszer) át a vállalatirányításig (ERP) írja le a szinteket. Az adatelemzés számára a legfontosabb forrás a folyamat-historian, amely a mért jeleket időbélyeggel, tömörítve tárolja, kiegészítve a laboreredményekkel, a riasztási és eseménynaplókkal, a karbantartási jegyekkel és a termelési tervvel.

ábra 15.1.. Az ipari adatok forrásai az ISA-95 szintjein és a folyamatanalitika fő alkalmazásai. Az elemzések eredménye döntéstámogatásként jut vissza a kezelőkhöz és a karbantartáshoz.

Az ipari adatokat néhány jellegzetesség különbözteti meg az üzleti adatoktól (Ge és mtsai., 2013; Qin, 2014):

  • Dinamika és autokorreláció: a jelek folytonos fizikai folyamatokat követnek, holtidőkkel és tehetetlenséggel; a minták nem függetlenek (12. fejezet).
  • Eltérő mintavételezés: az online mérések percenként, a laboreredmények néhány óránként és késleltetve állnak rendelkezésre.
  • Visszacsatolt szabályozás: a szabályozók elfedik a zavarokat – a szabályozott változó az alapjelen marad, a zavar a beavatkozó jelben vagy más változókban jelenik meg. Ezért láttuk a szenzor-drift esetén, hogy a hibás mérés maga alig tér el.
  • Több működési állapot: termékváltások, terhelésváltozások, indítások és leállások más-más összefüggéseket hoznak létre.
  • Lassú változások: a berendezések elhasználódása, a lerakódás, a katalizátor öregedése és az évszakok miatt a „normál” működés is változik.
  • Kevés címkézett hiba: a hibák ritkák, sokfélék, és a hibamentes üzem adatai dominálnak (11. fejezet).

Ezek a sajátosságok magyarázzák, miért értékes az ipari elemzésben a folyamatismeret: a fizikai összefüggésekre épülő jellemzők és szürkedobozos modellek a korábbi fejezetekben rendre jobb eredményt adtak, mint a pusztán adatvezérelt megközelítések. A digitális iker (Tao és mtsai., 2019) fogalma ennek a gondolatnak a kiteljesedése: a fizikai rendszer folyamatosan frissülő, adatokkal kalibrált modellje, amely felügyeletre, előrejelzésre és optimalizálásra egyaránt használható.

15.2 Lágy szenzorok

A lágy szenzor (soft sensor, inferenciális szenzor) olyan modell, amely egy nehezen, drágán, ritkán vagy késleltetve mérhető változót – tipikusan egy laborban meghatározott minőségi jellemzőt – a folyamatosan mért változókból becsül (Fortuna és mtsai., 2007; Kadlec és mtsai., 2009). Alkalmazásai: a laborértékek közötti időszakok kitöltése (és így a gyorsabb minőségszabályozás), a fizikai műszer ellenőrzése vagy kiváltása, és a „mi lenne, ha” elemzések (15.2. ábra).

ábra 15.2.. A lágy szenzor szerepe az eltérő mintavételezésű adatok között. A ritka és késleltetett laboreredmények helyett a modell az online mérésekből folyamatos becslést ad.

A lágy szenzorok modellje lehet első elvekre épülő (fizikai), adatvezérelt vagy a kettőt ötvöző szürkedobozos modell (8. fejezet). Az adatvezérelt modellek közül a vegyiparban a legelterjedtebb a részleges legkisebb négyzetek (partial least squares, PLS) regresszió (Wold és mtsai., 2001). A PLS a PCA-hoz hasonlóan kevés látens változóval írja le a sok, egymással erősen korreláló bemenetet, de a látens irányokat nem a bemenetek varianciája, hanem a kimenettel vett kovariancia maximalizálásával választja:

\[ \mathbf{w}_1 = \arg\max_{\lVert\mathbf{w}\rVert = 1}\operatorname{cov}(\mathbf{X}\mathbf{w},\, \mathbf{y})^2 , \tag{15.1}\]

majd a bemenetekből és a kimenetből eltávolítja az első látens változó által magyarázott részt, és a további irányokat ugyanígy határozza meg. A látens változók számát keresztvalidációval választjuk. A PLS kezeli a kollinearitást (mint a ridge-regresszió), és látens változói a folyamatfelügyeletben is értelmezhetők.

A lágy szenzor fejlesztésénél a modell karbantartása legalább annyira fontos, mint a kezdeti pontosság (Kadlec és mtsai., 2009). A folyamat lassú változásai (lerakódás, katalizátor-öregedés, új alapanyag) miatt a modell pontossága romlik, ezért a modellt rendszeresen frissíteni kell – mozgó ablakkal, rekurzív becsléssel vagy az új laboreredményekhez igazított torzításkorrekcióval. A laboreredmény és a becslés közötti eltérés közben értékes diagnosztikai jel: ha hirtelen megnő, az a modell érvényességének elvesztésére vagy egy mérési hibára utal.

15.3 Több működési állapotú folyamatok felügyelete

A 11. fejezet PCA-alapú felügyelete egyetlen, időben állandó „normál” működést feltételez. A több termékkel, terhelési szinttel vagy évszakfüggő körülményekkel működő folyamatoknál ez a feltevés sérül. A lehetséges stratégiák (Ge és mtsai., 2013): (1) egyetlen globális modell, amely a működési állapotok közötti különbségeket is „normálisnak” tekinti – ez egyszerű, de csökkenti az érzékenységet; (2) állapotonként külön (lokális) modell, az állapotot a termelési tervből vagy klaszterezéssel (például a 5. fejezet Gauss-keverék modelljével) azonosítva; (3) állapotonkénti központosítás és skálázás egy közös modell előtt; (4) adaptív modellek, amelyek a lassú változásokat rekurzív frissítéssel követik (Li és mtsai., 2000). A lokális modellek elvben érzékenyebbek, de mindegyik állapothoz elegendő és reprezentatív normál adat kell – ha egy állapotot csak egy évszakban figyeltünk meg, a modell a másik évszakban téves riasztásokat ad.

15.4 Hibadiagnózis

Az anomália-észlelés azt mondja meg, hogy baj van; a hibadiagnózis azt, mi a baj és hol. Venkatasubramanian és mtsai. (2003) a módszereket három csoportba sorolja: kvantitatív modellalapú (a mérések és egy fizikai modell közötti maradékok elemzése, analitikus redundancia), kvalitatív modellalapú (ok-okozati gráfok, hibafák, szakértői rendszerek) és folyamattörténeti (adatvezérelt) módszerek. A könyvben mindhárom típusra láttunk példát: a nyomásmaradék a 9. fejezetben analitikus redundancia volt, a riasztási sorozatok a 6. fejezetben az ok-okozati láncok feltárását segítették, a felügyelt osztályozó és a hozzájárulási ábra pedig adatvezérelt diagnózist adott.

A gyakorlatban a diagnózis több információforrás összevetése: az adatalapú felügyelet riasztása és hozzájárulási ábrája, a hagyományos riasztások sorrendje, a kezelők naplóbejegyzései (13. fejezet) és a karbantartási előzmények együtt adnak teljes képet. Az adatbányászat itt nem a szakértőt helyettesíti, hanem a figyelmét a lényeges jelekre irányítja.

15.5 Riasztáskezelés

A folyamatirányító rendszerek riasztásai a kezelő elsődleges információforrásai a rendellenes helyzetekről. A rosszul tervezett riasztási rendszer azonban több kárt okozhat, mint hasznot: a túl sok, fölösleges, ismétlődő riasztás elvonja a figyelmet, és egy üzemzavar során a „riasztásáradat” a kezelőt cselekvésképtelenné teheti (Wang és mtsai., 2016). A riasztáskezelés szabványai – az ANSI/ISA-18.2 (International Society of Automation, 2016) és az EEMUA 191 (EEMUA, 2013) – a riasztási rendszer teljes életciklusát (filozófia, azonosítás, racionalizálás, tervezés, bevezetés, üzemeltetés, monitorozás, felülvizsgálat) szabályozzák, és mérhető teljesítménymutatókat adnak. Az EEMUA 191 szerint egy kezelőre átlagosan legfeljebb néhány riasztás jusson óránként (10 percenként egy már nehezen kezelhető), 10 perc alatt 10-nél több riasztás már áradatnak számít, és a riasztások nagy részét néhány „rossz szereplő” okozza, amelyeket elsőként kell felülvizsgálni.

Az adatbányászat a riasztáskezelés több lépését támogatja: a gyakori sorozatminták és asszociációs szabályok feltárják az együtt vagy egymás után jelentkező, redundáns riasztásokat, amelyek csoportosíthatók vagy elnyomhatók (Dorgo & Abonyi, 2018); a fecsegő (chattering) riasztások – rövid időn belül sokszor ismétlődő be- és kikapcsolások – egyszerű statisztikákkal azonosíthatók; és az adatalapú felügyelet összevethető a hagyományos, határérték-alapú riasztásokkal.

15.6 Prediktív karbantartás

A karbantartási stratégiák fejlődése a reaktív (a meghibásodás utáni javítás) és a megelőző (rögzített időközönkénti) karbantartástól az állapotalapú és a prediktív karbantartás felé halad (Jardine és mtsai., 2006). Ez utóbbiak a berendezés tényleges állapotát egy mérésekből számolt állapotindikátorral (health indicator) követik, és a beavatkozást akkor ütemezik, amikor az indikátor – vagy az előrejelzése – egy küszöböt elér (15.3. ábra). A hátralévő hasznos élettartam (remaining useful life, RUL) becslése a prognosztika központi feladata (Lei és mtsai., 2018); a becslés mindig bizonytalan, ezért jó gyakorlat egy valószínűségi intervallumot is megadni.

ábra 15.3.. Állapotalapú és prediktív karbantartás. Az állapotindikátor a berendezés romlását követi; a jelenlegi trend extrapolációja (bizonytalansági sávval) megadja, mennyi idő van hátra a karbantartási küszöb eléréséig.

Az állapotindikátor lehet közvetlen fizikai mennyiség (rezgésszint, hőmérséklet), egy modell maradéka (a tényleges és a „hibátlan állapotra” jellemző viselkedés eltérése) vagy egy többváltozós statisztika (például a \(Q\)). A Pannon üzemben a hűtőköpeny lerakódása a tipikus elhasználódási folyamat: a tisztítás után a hőátadás romlik, a hűtési igény nő, és nyáron a hűtés telítődése minőségi gondokat okoz. Az állapotindikátort a 10. fejezet hűtési igény modelljének mintájára építjük meg.

15.7 Gyakorlat: a Pannon üzem folyamatanalitikai rendszere

15.7.1 Lágy szenzor a termékkoncentrációra

A termék koncentrációját a labor négyóránként méri, az eredmény egy–két óra múlva érkezik. Építsünk lágy szenzort, amely a koncentrációt a 10 perces online mérésekből folyamatosan becsli! Négy modellt hasonlítunk össze: a keresztvalidációval hangolt PLS-t, a ridge-regressziót, a véletlen erdőt és a 8. fejezet szürkedobozos modelljét, amely a betáplált koncentrációt az Arrhenius-kinetikából számolt konverzióval szorozza.

from sklearn.cross_decomposition import PLSRegression
from sklearn.linear_model import RidgeCV
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV, TimeSeriesSplit
from sklearn.metrics import r2_score, mean_absolute_error
from adatbanyaszat.plant import conversion

P = ab.load_plant()
q = ab.quality_table()
q["allapot"] = P.truth["fault"].reindex(q.ido.dt.floor("10min")).to_numpy()
bemenet = ["T_kornyezet", "F_betap", "c_betap", "T_betap", "T_reaktor", "T_alapjel", "F_hutoviz",
           "T_hutoviz", "P_reaktor", "P_kevero", "E_fogyasztas"]
tanito = (q.ido < "2025-07-01").to_numpy()
y = q.c_termek.to_numpy()
modellek = {
    "PLS": GridSearchCV(make_pipeline(StandardScaler(), PLSRegression()),
                        {"plsregression__n_components": [1, 2, 3, 4, 5, 6, 8]}, cv=TimeSeriesSplit(5)),
    "ridge": make_pipeline(StandardScaler(), RidgeCV(alphas=np.logspace(-3, 3, 13))),
    "véletlen erdő": RandomForestRegressor(n_estimators=300, min_samples_leaf=3, n_jobs=-1, random_state=0),
}
becsles = {}
for nev, m in modellek.items():
    m.fit(q.loc[tanito, bemenet], y[tanito])
    becsles[nev] = np.ravel(m.predict(q[bemenet]))
becsles["szürkedobozos"] = (q.c_betap * conversion(q.T_reaktor, q.F_betap)).to_numpy()
print("a PLS látens változóinak száma:", modellek["PLS"].best_params_["plsregression__n_components"])
teszt = ~tanito
tabla = {}
for nev, p in becsles.items():
    hiba = np.abs(y - p)
    tabla[nev] = {"R² (2. félév)": r2_score(y[teszt], p[teszt]), "MAE (2. félév)": hiba[teszt].mean()}
    for allapot in ["normál", "szenzor_drift", "betap_zavar", "szelep_akadas", "hutoviz_kieses"]:
        tabla[nev][f"MAE: {allapot}"] = hiba[teszt & (q.allapot == allapot).to_numpy()].mean()
pd.DataFrame(tabla).T.round(4)
a PLS látens változóinak száma: 6
R² (2. félév) MAE (2. félév) MAE: normál MAE: szenzor_drift MAE: betap_zavar MAE: szelep_akadas MAE: hutoviz_kieses
PLS 0.9808 0.0155 0.0139 0.0420 0.0189 0.0180 0.0193
ridge 0.9828 0.0151 0.0139 0.0340 0.0189 0.0181 0.0204
véletlen erdő 0.9754 0.0175 0.0154 0.0451 0.0521 0.0177 0.0359
szürkedobozos 0.9790 0.0154 0.0133 0.0532 0.0140 0.0146 0.0164

Mind a négy modell pontos (R² ≈ 0,98), a fizikai ismeretre épülő szürkedobozos modell tanítás nélkül is a legjobbak között van – ez az ismert kinetika értéke. A véletlen erdő a legkevésbé pontos, főként a betáplálási zavar idején, amikor a betáplált koncentráció a tanítóadatok tartományán kívülre esik. A legérdekesebb az utolsó oszlopok mintázata: a szenzor-drift idején minden modell hibája többszörösére nő. A lágy szenzor a hibás hőmérséklet-mérésből számol, ezért a becslése eltér a laboreredménytől – vagyis a lágy szenzor maradéka a műszerhiba érzékeny jelzője.

m10 = ab.plant_clean()
m10 = m10[~m10.leallas].set_index("ido")
ablak = m10["2025-10-24":"2025-11-05"]
folyamatos = np.ravel(modellek["PLS"].predict(ablak[bemenet].rolling("60min").mean()))
lab = q[(q.ido >= "2025-10-24") & (q.ido < "2025-11-06")]
drift = P.truth["faults"].query("hiba == 'szenzor_drift' and kezdet > '2025-10-01'").iloc[0]
fig, ax = plt.subplots()
ax.axvspan(drift.kezdet, drift.veg, color="#6B7785", alpha=0.18, lw=0)
ax.plot(ablak.index, folyamatos, color=ab.PALETTE[0], lw=0.8, label="lágy szenzor (PLS)")
ax.scatter(lab.ido, lab.c_termek, color=ab.PALETTE[1], s=16, zorder=3, label="laboreredmény")
ax.set_ylabel("termékkoncentráció [mol/L]"); ax.legend(fontsize=8)
fig.autofmt_xdate()
fig.tight_layout()
ábra 15.4.. A PLS lágy szenzor folyamatos becslése és a laboreredmények a második szenzor-drift idején (szürke sáv). A drift előrehaladtával a becslés egyre jobban eltér a laboreredményektől.

15.7.2 Globális vagy állapotonkénti felügyeleti modell?

A Pannon üzem három terméket gyárt, eltérő alapjellel és betáplálással. Érdemes-e termékenként külön PCA-modellt építeni? Hasonlítsuk össze a 11. fejezet globális modelljét (empirikus határokkal, háromminás perzisztenciával) a termékenkénti modellekkel és a termékenként központosított, közös modellel!

from sklearn.decomposition import PCA

m = ab.plant_clean()
m = m[~m.leallas].copy()
m["hiba"] = P.truth["fault"].reindex(m.ido).to_numpy()
mi = m.set_index("ido")
jelek = ["T_reaktor", "F_hutoviz", "T_hutoviz", "P_reaktor", "F_betap", "c_betap", "T_betap",
         "P_kevero", "E_fogyasztas", "T_kornyezet"]
X = mi[jelek].copy()
X["F_hut_szoras_1h"] = mi.F_hutoviz.rolling("60min").std()
X = X.dropna()
allapot = mi.loc[X.index, "hiba"].to_numpy()
termek = mi.loc[X.index, "termek"].to_numpy()
tr = X.index < "2025-07-01"
nt = tr & (allapot == "normál")

def pca_riasztas(X_tanito, X_minden, q):
    """PCA-felügyelet empirikus (99,5%-os) T² és Q határokkal; logikai riasztásvektort ad."""
    sk = StandardScaler().fit(X_tanito)
    Zt, Z = sk.transform(X_tanito), sk.transform(X_minden)
    pca = PCA(n_components=q).fit(Zt)
    def stat(A):
        T = pca.transform(A)
        return (T ** 2 / pca.explained_variance_).sum(axis=1), ((A - pca.inverse_transform(T)) ** 2).sum(axis=1)
    T2t, Qt = stat(Zt); T2, Q = stat(Z)
    return (T2 > np.quantile(T2t, 0.995)) | (Q > np.quantile(Qt, 0.995))

valtozatok = {"globális modell": pca_riasztas(X[nt], X, 5)}
lokalis = np.zeros(len(X), bool)
kozpontositott = X.copy()
for t in ["A", "B", "C"]:
    s = termek == t
    lokalis[s] = pca_riasztas(X[nt & s], X[s], 4)
    kozpontositott[s] = (X[s] - X[nt & s].mean()) / X[nt & s].std()
valtozatok["termékenkénti modellek"] = lokalis
valtozatok["termékenként központosított közös modell"] = pca_riasztas(kozpontositott[nt], kozpontositott, 5)

eredm = {}
for nev, r in valtozatok.items():
    r3 = pd.Series(r, index=X.index).rolling(3).sum().eq(3).to_numpy()
    eredm[nev] = {"téves riasztás (2. félév)": r3[~tr & (allapot == "normál")].mean()}
    eredm[nev].update({f: r3[~tr & (allapot == f)].mean() for f in ["szenzor_drift", "betap_zavar", "szelep_akadas", "hutoviz_kieses"]})
pd.DataFrame(eredm).T.round(3)
téves riasztás (2. félév) szenzor_drift betap_zavar szelep_akadas hutoviz_kieses
globális modell 0.005 0.078 0.993 0.991 0.933
termékenkénti modellek 0.022 0.129 0.167 0.991 0.620
termékenként központosított közös modell 0.015 0.086 0.979 0.991 0.700
pd.crosstab(pd.Series(termek, name="termék"), pd.Series(np.where(tr, "1. félév", "2. félév"), name="időszak"))
időszak 1. félév 2. félév
termék
A 8496 10414
B 7294 9550
C 10126 6336

Az eredmény elsőre meglepő: a termékenkénti modellek több téves riasztást adnak, és a betáplálási zavart és a hűtővíz-kiesést is rosszabbul ismerik fel, mint a globális modell. A magyarázat a tanítóadatok lefedettségében rejlik. A termékek az év során eltérő arányban és eltérő évszakokban futottak, így egy termékenkénti modell tanítóadatai csak az év egy részének körülményeit (környezeti és hűtővíz-hőmérséklet, lerakódás) fedik le; a második félév más körülményeit a modell rendellenesnek látja, a határai pedig a kevesebb adat miatt bizonytalanabbak. A globális modell az összes termék összes körülményét látta, és empirikus határai a termékek közötti különbségeket is magukba foglalják. A tanulság nem az, hogy a lokális modellek rosszak, hanem az, hogy az állapotfüggő felügyelet csak akkor javít, ha az állapotok összefüggési szerkezete valóban eltér, és mindegyikről elegendő, reprezentatív normál adat áll rendelkezésre; különben a lassú változásokat követő adaptív modellek vagy a globális modell a jobb választás.

15.7.3 A riasztási rendszer értékelése

riaszt = P.alarms.copy()
tiz_perc = riaszt.groupby(riaszt.ido.dt.floor("10min")).size()
oras = riaszt.groupby(riaszt.ido.dt.floor("1h")).size()
riaszt = riaszt.sort_values("ido")
riaszt["elozo"] = riaszt.groupby("riasztas").ido.diff()
pd.Series({
    "riasztások száma (1 év)": len(riaszt),
    "átlagos riasztásszám / nap": round(len(riaszt) / 365, 2),
    "legtöbb riasztás 10 perc alatt": int(tiz_perc.max()),
    "áradatos 10 perces ablakok (≥ 10 riasztás)": int((tiz_perc >= 10).sum()),
    "legtöbb riasztás egy óra alatt": int(oras.max()),
    "30 percen belül ismétlődő riasztások aránya": round((riaszt.elozo < pd.Timedelta("30min")).mean(), 3),
}, name="érték").to_frame()
érték
riasztások száma (1 év) 605.00
átlagos riasztásszám / nap 1.66
legtöbb riasztás 10 perc alatt 3.00
áradatos 10 perces ablakok (≥ 10 riasztás) 0.00
legtöbb riasztás egy óra alatt 3.00
30 percen belül ismétlődő riasztások aránya 0.00

A riasztási terhelés messze az EEMUA 191 ajánlásai alatt marad – a szimulált üzem riasztási rendszere „racionalizált”. Fontosabb kérdés, hogy a riasztások mennyire relevánsak: hányad részük kapcsolódik valódi üzemzavarhoz, és melyik zavart jelzik?

esemenyek = P.truth["faults"]
def esemenyhez(t):
    talalt = esemenyek[(esemenyek.kezdet <= t) & (esemenyek.veg + pd.Timedelta("2h") >= t)]
    return talalt.hiba.iloc[0] if len(talalt) else "nincs (normál üzem)"
riaszt["esemeny"] = riaszt.ido.apply(esemenyhez)
osszesito = pd.crosstab(riaszt.riasztas, riaszt.esemeny)
osszesito.insert(0, "összesen", osszesito.sum(axis=1))
osszesito["eseményhez kötődő arány"] = (1 - osszesito["nincs (normál üzem)"] / osszesito["összesen"]).round(2)
osszesito.sort_values("összesen", ascending=False)
táblázat 15.1.. A riasztástípusok gyakorisága és hibaeseményekhez kötődő aránya (a riasztás egy hibaesemény alatt vagy azt követő két órán belül jelentkezett).
esemeny összesen betap_zavar hutoviz_kieses nincs (normál üzem) szelep_akadas szenzor_drift eseményhez kötődő arány
riasztas
MINOSEG_ELTERES 189 25 2 138 5 19 0.27
HUTOVIZ_OSZCILLACIO 103 2 13 78 2 8 0.24
HUTES_TELITETT 92 0 5 79 0 8 0.14
T_MAGAS 73 0 5 65 1 2 0.11
HUTOVIZ_MELEG 72 3 8 60 0 1 0.17
BETAP_KONC_ALACSONY 43 2 0 40 0 1 0.07
NYOMAS_MAGAS 26 0 0 24 1 1 0.08
BETAP_LEALLT 7 0 0 5 0 2 0.29
def elso_riasztas(e):
    r = riaszt[(riaszt.ido >= e.kezdet) & (riaszt.ido <= e.veg)]
    return pd.Series({"első riasztás": r.riasztas.iloc[0] if len(r) else "—",
                      "késés [óra]": round((r.ido.iloc[0] - e.kezdet).total_seconds() / 3600, 1) if len(r) else np.nan})
esemenyek.join(esemenyek.apply(elso_riasztas, axis=1))[["hiba", "kezdet", "első riasztás", "késés [óra]"]] \
    .query("kezdet >= '2025-07-01'").reset_index(drop=True)
hiba kezdet első riasztás késés [óra]
0 szenzor_drift 2025-07-10 06:50:00 HUTES_TELITETT 0.5
1 hutoviz_kieses 2025-07-11 02:20:00 HUTOVIZ_MELEG 0.0
2 hutoviz_kieses 2025-07-24 10:20:00 HUTOVIZ_MELEG 0.0
3 hutoviz_kieses 2025-08-05 06:30:00 HUTOVIZ_MELEG 0.0
4 hutoviz_kieses 2025-08-18 15:30:00 HUTES_TELITETT 0.2
5 betap_zavar 2025-08-19 06:30:00 BETAP_KONC_ALACSONY 0.0
6 hutoviz_kieses 2025-09-01 16:20:00 HUTOVIZ_OSZCILLACIO 0.0
7 szelep_akadas 2025-09-23 17:00:00 HUTOVIZ_OSZCILLACIO 0.3
8 szenzor_drift 2025-10-28 03:30:00 HUTOVIZ_OSZCILLACIO 7.3

A leggyakoribb riasztás, a minőségi eltérés (MINOSEG_ELTERES), nagyrészt normál üzemben jelentkezik: ezek a hűtés nyári telítődéséből és a termék célértéke körüli ingadozásból eredő, utólagos jelzések, amelyek a laboreredmény késése miatt órákkal az ok után érkeznek. A hűtővíz felmelegedését, a betáplálási zavart és a szelepakadást a határérték-alapú riasztások gyorsan és a hiba jellegének megfelelő üzenettel jelzik. A szenzor-drift idején fellépő első riasztások (a hűtés telítődése, a hűtővízáram ingadozása) viszont egyidejű, más jelenségekhez kötődnek, és a hiba okára egyáltalán nem utalnak – a hibás hőmérséklet-mérés a határértékek szempontjából „normálisnak” látszik. Az adatalapú felügyelet (11.1. táblázat) a hirtelen hibákat hasonlóan gyorsan észlelte, a driftet pedig 10, illetve 50 óra után, a sérült összefüggések alapján. A két rendszer tehát kiegészíti egymást: a határérték-alapú riasztások egyszerűek és jól érthetők, az adatalapú felügyelet a változók közötti összefüggések sérülését is észreveszi.

15.7.4 Állapotindikátor és hátralévő idő a hűtőköpeny lerakódására

A hűtőköpenyt jelenleg nagyjából hét hetente tisztítják. Készítsünk állapotindikátort, amely a lerakódás mértékét az üzemi adatokból becsli, és vizsgáljuk meg, mennyire jelezhető előre, mikor éri el egy karbantartási küszöböt! Az indikátor a hűtési igény relatív többlete a tiszta állapotra jellemző igényhez képest: a hűtési igény modelljét (másodfokú polinomos ridge-regresszió) csak a tisztítások utáni első hét nap adatain tanítjuk, így a modell a tiszta hűtőköpeny viselkedését írja le.

from sklearn.preprocessing import PolynomialFeatures
m = ab.plant_clean()
utolso = m.ido.where(m.leallas).ffill()
m["nap_tisztitas_ota"] = ((m.ido - utolso).dt.total_seconds() / 86400).fillna((m.ido - m.ido.iloc[0]).dt.total_seconds() / 86400)
m = m[~m.leallas].copy()
m["hiba"] = P.truth["fault"].reindex(m.ido).to_numpy()
be = ["T_reaktor", "T_alapjel", "T_hutoviz", "F_betap", "c_betap", "T_betap", "T_kornyezet"]
h = (m[m.hiba == "normál"].set_index("ido")[be + ["F_hutoviz", "nap_tisztitas_ota"]]
     .resample("1h").mean().dropna())
tiszta = h.nap_tisztitas_ota < 7
modell_tiszta = make_pipeline(StandardScaler(), PolynomialFeatures(2), StandardScaler(),
                              RidgeCV(alphas=np.logspace(-3, 3, 13))).fit(h.loc[tiszta, be], h.F_hutoviz[tiszta])
h["HI"] = h.F_hutoviz / modell_tiszta.predict(h[be]) - 1          # relatív többletigény
napi = h[["HI", "nap_tisztitas_ota"]].resample("1D").mean().dropna()
napi["lerakodas"] = P.truth["fouling"].resample("1D").mean().reindex(napi.index)   # csak az ellenőrzéshez
print(f"az állapotindikátor és a (szimulált, a valóságban nem mérhető) lerakódás korrelációja: "
      f"{napi.HI.corr(napi.lerakodas):.3f}")
az állapotindikátor és a (szimulált, a valóságban nem mérhető) lerakódás korrelációja: 0.892
fig, ax = plt.subplots()
ax.plot(napi.index, napi.HI, color=ab.PALETTE[0], lw=1.2)
for d in P.truth["cleanings"]:
    ax.axvline(d, color="#6B7785", lw=0.8, ls=":")
ax.axhline(0.30, color=ab.PALETTE[4], lw=1, ls="--")
ax.set_ylabel("állapotindikátor")
fig.tight_layout()
ábra 15.5.. A hűtőköpeny állapotindikátora (a hűtési igény relatív többlete a tiszta állapothoz képest, napi átlag) az év során. A függőleges vonalak a tisztítások, a szaggatott vízszintes vonal a 30%-os karbantartási küszöb.

Az indikátor minden tisztítás után nulla közelébe esik, majd egyre gyorsulva nő – a lerakódás rontja a hőátadást, és a szükséges hűtővízáram a hőátadási tényező csökkenésével nemlineárisan nő. A hátralévő idő becsléséhez a korábbi ciklusokból egy közös romlási görbét tanulunk (\(\mathrm{HI}(t) \approx \beta_1t + \beta_2t^2\)), és az aktuális ciklus első húsz napjának adataiból egyetlen skálatényezővel igazítjuk az aktuális ciklushoz; a becsült küszöbátlépés az igazított görbe és a küszöb metszéspontja.

kuszob, k = 0.30, 20
napi["ciklus"] = (napi.nap_tisztitas_ota.diff() < -1).cumsum()
ciklusok = [g.sort_values("nap_tisztitas_ota") for _, g in napi.groupby("ciklus") if len(g) >= 30]
sorok = []
for i in range(1, len(ciklusok)):
    elozmeny = pd.concat(ciklusok[:i])
    elozmeny = elozmeny[elozmeny.nap_tisztitas_ota <= 45]
    A = np.column_stack([elozmeny.nap_tisztitas_ota, elozmeny.nap_tisztitas_ota ** 2])
    beta, *_ = np.linalg.lstsq(A, elozmeny.HI.to_numpy(), rcond=None)
    g = ciklusok[i]
    tenyleges = g.nap_tisztitas_ota[g.HI.rolling(3, center=True).mean() >= kuszob].min()
    s = g[(g.nap_tisztitas_ota >= 2) & (g.nap_tisztitas_ota <= k)]
    alak = beta[0] * s.nap_tisztitas_ota + beta[1] * s.nap_tisztitas_ota ** 2
    skala = float(alak @ s.HI / (alak @ alak))
    t = np.linspace(0, 120, 4801)
    becsult = t[np.argmax(skala * (beta[0] * t + beta[1] * t ** 2) >= kuszob)]
    sorok.append({"ciklus kezdete": g.index[0].date(), "skálatényező": round(skala, 2),
                  "becsült átlépés [nap]": round(becsult, 1), "tényleges átlépés [nap]": round(tenyleges, 1),
                  "hiba [nap]": round(becsult - tenyleges, 1)})
rul = pd.DataFrame(sorok)
print(f"átlagos abszolút hiba: {rul['hiba [nap]'].abs().mean():.1f} nap")
rul
átlagos abszolút hiba: 5.1 nap
táblázat 15.2.. A 30%-os küszöb átlépésének becsült és tényleges ideje ciklusonként (napokban a tisztítás óta), a ciklus 20. napján készített előrejelzés alapján.
ciklus kezdete skálatényező becsült átlépés [nap] tényleges átlépés [nap] hiba [nap]
0 2025-02-15 1.27 31.1 34.2 -3.1
1 2025-04-01 1.66 25.6 29.8 -4.1
2 2025-05-26 2.06 21.8 26.2 -4.3
3 2025-07-15 1.77 22.3 21.2 1.1
4 2025-08-25 1.36 23.8 29.0 -5.2
5 2025-10-12 1.30 24.2 37.2 -13.0

Az állapotindikátor jól követi a lerakódást, a hátralévő idő becslése azonban átlagosan mintegy öt napos, egy ciklusban közel két hetes hibával terhelt; a becslés többnyire korai, vagyis konzervatív. A hibák fő forrása, hogy az indikátor nemcsak a lerakódástól függ: a nyári ciklusokban a melegebb hűtővíz és a nagyobb terhelés gyorsabb növekedést okoz (a skálatényező is nagyobb), és ezt a korábbi ciklusokból tanult görbe nem tudja előre. A prediktív karbantartás gyakorlatában ezért a becslést valószínűségi intervallummal adják meg, a modellt a körülmények (évszak, terhelés) előrejelzésével bővítik, és a döntést nem egyetlen pontbecslésre, hanem a kockázat és a karbantartási költség mérlegelésére alapozzák. Már a puszta indikátor is jelentős előrelépés a rögzített időközönkénti tisztításhoz képest: megmutatja, mikor valóban szükséges a beavatkozás, és mikor halasztható.

15.8 A modellek üzemeltetése

Egy adatalapú modell értéke csak akkor realizálódik, ha tartósan, megbízhatóan működik az üzemi környezetben. Ez szoftvermérnöki és szervezeti feladat is: a gépi tanulási rendszerek „rejtett technikai adóssága” – az adatfüggőségek, a visszacsatolási hurkok, a konfigurációs bonyolultság – sokszor nagyobb, mint maga a modell (Sculley és mtsai., 2015). A CRISP-ML(Q) folyamatmodell (Studer és mtsai., 2021) ezért a 1. fejezet CRISP-DM modelljét a minőségbiztosítással és a modellek üzemeltetésével (monitorozás, karbantartás) egészíti ki. Az ipari alkalmazások legfontosabb kérdései:

  • Adatminőség és -elérés: a historian adatainak tömörítése, a hiányzó és hibás mérések kezelése valós időben (3. fejezet).
  • A modell érvényességének felügyelete: a bemenetek eloszlásának és a modell hibájának folyamatos követése, a koncepciósodródás (concept drift) észlelése (Gama és mtsai., 2014), és a modell újratanításának szabályozott folyamata.
  • Az ember szerepe: a kezelőnek értenie kell, miért riaszt vagy mit javasol a rendszer; az értelmezhető modellek és a hozzájárulási ábrák ezt szolgálják. A döntés felelőssége az emberé marad.
  • Biztonság és szabályozás: a folyamatirányításba beavatkozó modellekre a funkcionális biztonsági követelmények, az MI-rendszerekre az európai MI-rendelet (Európai Parlament és Tanács, 2024) előírásai vonatkoznak.
Lágy szenzor: bemenetek, modell és a laboreredményekMegnyitás új lapon ↗

15.9 Összefoglalás

  • Az ipari adatok dinamikusak, eltérő mintavételezésűek, szabályozott és több működési állapotú folyamatokból származnak; a folyamatismeret ezért az elemzés kulcsa.
  • A lágy szenzor a ritkán mért minőségi jellemzőket becsli az online mérésekből; a laboreredmény és a becslés eltérése a modell érvényességét és a műszerhibákat is jelzi.
  • A több működési állapotú folyamatok felügyeletében a lokális modellek csak elegendő és reprezentatív állapotonkénti adat mellett előnyösek.
  • A hibadiagnózis modellalapú, tudásalapú és adatvezérelt eszközöket és több információforrást kombinál.
  • A riasztási rendszert a szabványos mutatókkal (riasztásszám, áradatok, fecsegés, relevancia) kell értékelni; az adatbányászat a redundáns és fölösleges riasztások azonosítását segíti.
  • A prediktív karbantartás állapotindikátorra és a hátralévő idő – bizonytalanságot is számszerűsítő – előrejelzésére épül.
  • Az adatalapú modellek ipari értéke az üzemeltetésen múlik: adatminőség, monitorozás, újratanítás, átláthatóság és emberi felelősség.

Ellenőrző kérdések

  1. Miben különböznek az ipari folyamatadatok a webáruház tranzakciós adataitól?
  2. Miért nehéz a szabályozott változó mérési hibáját közvetlenül észlelni?
  3. Miben különbözik a PLS a főkomponens-regressziótól?
  4. Miért lehet a lágy szenzor maradéka diagnosztikai jel?
  5. Mikor érdemes működési állapotonként külön felügyeleti modellt építeni?
  6. Milyen mutatókkal értékelhető egy riasztási rendszer az EEMUA 191 szerint?
  7. Miért kell a hátralévő hasznos élettartamot intervallummal megadni?

Feladatok

  1. Adaptív lágy szenzor. Frissítse a PLS lágy szenzort mozgó ablakkal (az utolsó 60 nap laboreredményeivel, hetente)! Javul-e a második félév pontossága? Hogyan hat a frissítés a szenzor-drift észlelhetőségére?
  2. Lágy szenzor mint detektor. Készítsen EWMA-kártyát a lágy szenzor maradékára (a laboreredmény és a becslés különbségére)! Mennyi idő után jelez a szenzor-drift során?
  3. Állapotazonosítás klaszterezéssel. Azonosítsa a működési állapotokat a termékazonosító nélkül, Gauss-keverék modellel (5. fejezet), és építsen állapotonkénti felügyeleti modelleket! Hogyan viszonyul az eredmény a termékenkénti modellekhez?
  4. Riasztási sorozatok. Keressen gyakori riasztási sorozatokat a hibaesemények körül (6. fejezet), és javasoljon egy riasztáscsoportosítást, amely a redundáns riasztásokat egyetlen összefoglaló jelzéssé vonja össze!
  5. Valószínűségi RUL. A korábbi ciklusok skálatényezőinek eloszlása alapján adjon 80%-os előrejelzési intervallumot a küszöbátlépés idejére! Hány ciklusban esik a tényleges érték az intervallumba?

További olvasmányok

A lágy szenzorokról Fortuna és mtsai. (2007) könyve és Kadlec és mtsai. (2009) áttekintése, a PLS-ről Wold és mtsai. (2001) ajánlott. Az adatalapú folyamatfelügyelet és -diagnosztika áttekintései Venkatasubramanian és mtsai. (2003), Qin (2012) és Ge és mtsai. (2013); a folyamatadatok elemzésének kihívásairól Qin (2014) ír. A riasztáskezelésről Wang és mtsai. (2016) áttekintése, valamint az ANSI/ISA-18.2 (International Society of Automation, 2016) és az EEMUA 191 (EEMUA, 2013) szabvány, a prediktív karbantartásról Jardine és mtsai. (2006) és Lei és mtsai. (2018) ajánlott.