AI וניתוח כשלים – האם אפשר לזהות את הכשל הבא לפני שהוא מתרחש?

מערכות הנדסיות מודרניות מייצרות כמויות גדולות של נתונים: טמפרטורה, רעידות, עומסים, לחצים, זרמים, זמני פעולה, התראות, אירועי תחזוקה, תוצאות בדיקות ודיווחי תקלות.

כאשר המידע הזה נאסף לאורך זמן, הוא עשוי להכיל סימנים לשינוי בהתנהגות המערכת.

האתגר הוא לזהות אותם בזמן.

כאן AI וכלים מתקדמים לניתוח נתונים יכולים לסייע.

מכשל שכבר התרחש לזיהוי מוקדם

בגישה המסורתית, חקירת כשל מתחילה פעמים רבות לאחר האירוע.

רכיב נכשל, מערכת מושבתת או מתקבלת תלונה – ואז מתחיל תהליך החקירה.

נאספים נתונים, נבחנים תנאי העבודה ומנסים להבין את מנגנון הכשל ואת גורם השורש.

כאשר קיימים נתונים היסטוריים ותפעוליים מתאימים, ניתן לנסות לשאול שאלה נוספת:

האם לפני הכשל הופיע דפוס שהיה אפשר לזהות?

לדוגמה, שינוי הדרגתי ברעידות, עלייה בטמפרטורה, שינוי בצריכת זרם או שילוב חריג בין מספר פרמטרים.

מה AI יכול לחפש בנתונים?

במערכת מורכבת יכולים להיות מאות או אלפי נתונים לאורך זמן.

כלי ניתוח מתקדמים יכולים לסייע בזיהוי:

• חריגות בהתנהגות
• מגמות הדרגתיות
• שילובים חריגים בין משתנים
• דפוסים שחוזרים לפני אירועי כשל
• קבוצות של אירועים בעלי מאפיינים דומים

היכולת הזו מעניינת במיוחד כאשר קשה להגדיר מראש סף פשוט שמפריד בין "תקין" ל"לא תקין".

במקום להסתכל רק על נקודת מדידה אחת, ניתן לבחון את התנהגות המערכת לאורך זמן.

Anomaly Detection – לזהות שמשהו השתנה

אחד השימושים האפשריים הוא Anomaly Detection – זיהוי חריגות.

המטרה אינה בהכרח לקבוע מיד מה עומד להיכשל.

המערכת יכולה לזהות שהתנהגות מסוימת אינה דומה להתנהגות הרגילה שנצפתה בעבר.

זהו הבדל חשוב.

חריגה היא אות לחקירה, לא בהכרח הוכחה לכשל.

שינוי בהתנהגות יכול לנבוע מתקלה מתפתחת, אך גם משינוי בתנאי העבודה, במוצר, בסביבה, בחיישן או בתהליך.

לכן ההתראה צריכה להיבחן בהקשר ההנדסי.

האם AI באמת יכול לחזות כשל?

לפעמים כן – אבל לא מעצם העובדה שמשתמשים ב־AI.

יכולת חיזוי תלויה במידה רבה בנתונים.

נדרשים נתונים רלוונטיים ואיכותיים, ולעיתים גם היסטוריה מספקת של מצבים תקינים וכשלים.

אם אירוע כשל מסוים כמעט ולא התרחש בעבר, ייתכן שלא יהיה מספיק מידע כדי לבנות מודל חיזוי אמין.

גם מערכת שמשתנה לאורך חייה עלולה להציב אתגר: שינוי בתכן, בתנאי השימוש, בספקים או בתוכנה יכול לשנות את דפוסי הנתונים.

לכן השאלה הנכונה אינה:

"האם יש לנו AI?"

אלא:

"האם יש לנו נתונים שמאפשרים ללמוד משהו שימושי על התנהגות המערכת?"

Predictive Maintenance – תחזוקה לפי מצב

אחד היישומים המוכרים של ניתוח נתונים הוא Predictive Maintenance.

במקום לבצע תחזוקה רק לפי לוח זמנים קבוע או להמתין לכשל, משתמשים בנתוני מצב כדי לתמוך בהחלטה מתי נדרשת התערבות.

לדוגמה, ניתן לעקוב אחר התנהגות של ציוד ולזהות הידרדרות שעשויה להצדיק בדיקה או טיפול.

המטרה אינה "לנחש את העתיד".

המטרה היא להשתמש במידע שכבר קיים במערכת כדי לקבל החלטות תחזוקה טובות יותר.

AI אינו מחליף Failure Analysis

כאשר מודל מזהה דפוס חריג, עדיין נשאלת השאלה:

למה זה קורה?

כאן נדרשת הנדסת אמינות.

צריך להבין את המערכת, את מנגנוני הכשל האפשריים, תנאי הסביבה, העומסים, הממשקים וההיסטוריה התפעולית.

AI עשוי להצביע על קשר בין משתנים.

הוא אינו מוכיח בהכרח סיבתיות.

לכן נכון לראות בו כלי נוסף בארגז הכלים של מהנדס האמינות, לצד Failure Analysis, בדיקות, מודלים הנדסיים וניתוח סטטיסטי.

החיבור ל־FMEA ו־FMECA

FMEA ו־FMECA עוסקים בזיהוי שיטתי של אופני כשל אפשריים ובהבנת ההשפעה והסיכון שלהם.

נתונים מהשטח יכולים להעשיר את התהליך.

אם ניתוח נתונים מצביע על דפוס שחוזר לפני סוג מסוים של תקלה, המידע יכול לשמש כקלט לדיון ההנדסי:

האם Failure Mode מסוים מופיע בתדירות שונה ממה שהערכנו? האם קיימים תנאי הפעלה שמגדילים את הסיכון? האם יש צורך בבקרה נוספת? האם ניתן לזהות סימן מקדים לכשל?

בכיוון ההפוך, FMEA יכול לעזור למקד את ניתוח הנתונים במנגנוני הכשל ובפרמטרים בעלי משמעות הנדסית.

כך נוצרת השלמה בין ידע הנדסי לבין Data Analytics.

החיבור ל־FRACAS

מערכת FRACAS – Failure Reporting, Analysis and Corrective Action System מרכזת מידע על כשלים, חקירות ופעולות מתקנות.

כאשר הנתונים מתועדים באופן עקבי, הם יכולים להפוך לבסיס חשוב לניתוח.

כלי AI יכולים לסייע, למשל, באיתור אירועים דומים, בסיווג דיווחים ובזיהוי תופעות שחוזרות במספר מערכות או לאורך זמן.

במקום שכל אירוע יישאר רשומה נפרדת, ניתן לנסות להפוך את המידע המצטבר לידע הנדסי שימושי.

ומה לגבי נתונים טקסטואליים?

לא כל המידע על כשלים מגיע מחיישנים.

חלק גדול ממנו נמצא בטקסט:

דוחות תקלה, תלונות, דוחות שירות, תוצאות חקירה, תיאורי טכנאים, Lessons Learned.

כלי AI לעיבוד שפה יכולים לסייע בארגון כמויות גדולות של מידע כזה, בחיפוש אירועים דומים ובהצפת נושאים חוזרים – כפי שפירטנו בידעון על AI בניהול איכות.

גם כאן נדרשת בדיקה מקצועית.

דמיון בין שני תיאורים אינו מוכיח ששני הכשלים נגרמו מאותו מנגנון.

איכות הנתונים היא חלק מהנדסת האמינות

מערכת AI אינה יכולה לפצות באופן קסום על נתונים שאינם אמינים.

אם חיישנים אינם מכוילים, דיווחי כשל אינם עקביים או שחסרים נתונים חשובים – גם הניתוח עלול להיות בעייתי.

לפני שבונים יכולת חיזוי מתקדמת כדאי לשאול:

האם אנחנו אוספים את הנתונים הנכונים? האם הגדרות הכשל אחידות? האם אנחנו יודעים באילו תנאים המערכת פעלה? האם הנתונים ניתנים למעקב לאורך מחזור החיים?

לעיתים השלב הראשון בדרך ל־AI אינו אלגוריתם חדש.

הוא שיפור תשתית הנתונים.

ומה לגבי False Alarms?

מערכת שמתריעה על כל שינוי קטן יכולה להפוך במהירות למערכת שמתעלמים ממנה.

לכן יש משמעות גם ל־False Positives – מצבים שבהם מתקבלת התראה אך אין כשל ממשי.

מצד שני, מודל שאינו רגיש מספיק עלול להחמיץ אירועים משמעותיים.

האיזון בין השניים צריך להיקבע בהתאם להשלכות ההנדסיות והעסקיות.

במערכת קריטית, המשמעות של החמצת אירוע עשויה להיות שונה לחלוטין ממערכת שבה ניתן לבצע תיקון פשוט וזול.

AI בתוך RAMS

בעולמות Reliability, Availability, Maintainability and Safety – RAMS, AI יכול להוסיף שכבה נוספת של ניתוח מידע.

אבל הוא אינו מחליף את יסודות ההנדסה.

מדדי אמינות, ניתוח כשלים, תחזקותיות, זמינות, ניהול סיכונים ובטיחות עדיין דורשים מודלים, דרישות ושיקול דעת מקצועי.

האפשרות המעניינת היא לחבר בין השניים:

הנדסת RAMS מספקת את ההקשר והמשמעות. ניתוח הנתונים מסייע לזהות דפוסים בתוך כמויות מידע גדולות.

אז האם אפשר לזהות את הכשל הבא?

בחלק מהמקרים ניתן לזהות סימנים מוקדמים, להעריך הידרדרות או להצביע על התנהגות חריגה לפני כשל.

במקרים אחרים הנתונים לא יספיקו, מנגנון הכשל יהיה פתאומי מדי או שהתנאים יהיו שונים ממה שהמערכת הכירה בעבר.

לכן ההבטחה אינה:

"AI יידע מתי המערכת תיכשל."

הגישה המקצועית יותר היא:

"נשתמש בנתונים כדי לזהות מוקדם יותר מצבים שראויים לבדיקה ולקבל החלטות הנדסיות טובות יותר."

לסיכום

השילוב בין AI להנדסת אמינות פותח אפשרויות מעניינות בזיהוי חריגות, ניתוח מידע היסטורי, תחזוקה מבוססת מצב ולמידה מאירועי כשל.

אבל הטכנולוגיה אינה עומדת בפני עצמה.

כדי להפיק ממנה ערך נדרשים נתונים איכותיים, הבנה של מנגנוני הכשל, תהליך אימות ושיקול דעת הנדסי.

העתיד של ניתוח כשלים אינו בהכרח AI במקום מהנדס האמינות.

הוא עשוי להיות מהנדס אמינות שמקבל תמונה טובה יותר מתוך הנתונים – מוקדם יותר.

רוצים לחבר בין נתוני המערכת להנדסת אמינות ו־RAMS?

ALD Advanced Solutions מלווה ארגונים בתחומי הנדסת אמינות, RAMS, ניתוח כשלים, FMEA/FMECA, FRACAS וניהול סיכונים הנדסי.

רוצים להעמיק? קורס CRE – Certified Reliability Engineer · AI בניהול איכות

לשיחה מקצועית עם צוות ALD →