Vedlikehold er viktig i produksjon, da feil på maskiner kan gi kostbar nedetid. Derfor er det viktig å oppdage problemene tidlig.
En ny løsning fra det israelske oppstartsselskapet 3DSignals tar i bruk ultralydsensorer og kunstig intelligens for å oppdage problemer før de oppstår.
Løsningen vil ganske enkelt lytte til maskinen, for eksempel en sag, og oppdage endringer i lyden den lager når den er i bruk.
3DSignals har i dag kunder innen produksjon, og vannkraftverk hvor det lyttes til vannturbiner.
Flere europeiske bilprodusenter skal også være interessert i teknologien, ifølge IEEE Spectrum. Både i forbindelse med selve produksjonen, og for å kunne brukes i særlig selvkjørende biler, slik at feil kan oppdages mellom service-intervallene.
Tanken er at mange problemer vil gi seg til kjenne i lyden maskinen lager. Ved å lytte etter ørsmå endringer i lydene, kan programvaren advare om at et problem har oppstått, eller er i ferd med å oppstå, og at vedlikehold er nødvendig.
- Les også: Slik virker kunstig intelligens
Dyp læring
3DSignals har tatt i bruk deep learning, eller dyp læring på norsk. Kort sagt at programvaren har algoritmer som over tid lærer hvordan den skal gjenkjenne nye mønstre.
Så i 3DSignals' tilfelle, trenger ikke programvaren på forhånd å vite nøyaktig hva den skal lytte etter, og vil gi beskjed når den hører at noe er i ferd med å endre seg.
Mikrofoner lytter etter lyder i frekvensområdet opp til 100 kilohertz, og sender lydene til en lokal enhet som prosesserer noe av dataene. De sendes så videre til en internettjeneste som lar seg av den tyngste databehandlingen.
Kunden kan så få varsler, og undersøke tilstanden på maskinene sine når de ønsker det.
- Kunstig intelligens: Robot lærer seg å lage omelett på Youtube
Forskjellige nivåer
3DSignals' kunder har til nå ikke kjøpt tjenesten med dyp læring, ettersom dette er noe de først nå lanserer. I stedet har disse brukt en enklere tjeneste som er tilpasset spesifikke maskiner.
To andre nivåer av tjenesten er tilgjengelig. En benytter dyp læring for å identifisere uvanlige lyder fra maskinen, mens det øverste nivået kan identifisere spesifikke typer problemer. Dette krever imidlertid at kunden må trene opp algoritmen med lyder knyttet til disse problemene.
Yair Lavi i 3DSignals sier til IEEE Spectrum at tjenesten på denne måten ikke bare kan avgjøre at et spesifikt problem har oppstått, men også kunne identifisere at det er i ferd med å oppstå i forveien.
.png){kind=logo}
Forutsigende vedlikehold
På sikt håper de at teknologien skal kunne brukes til «forutsigende vedlikehold», både innen industri, kraftproduksjon og andre som bruker maskiner.
Dyp læring kan brukes på en rekke andre områder enn bare å lytte til maskiner. For eksempel brukes dette til ansiktsgjenkjenning, automatiske oversettelser og annet.
Talegjenkjenning er et godt eksempel. Mens tidlige utgaver av dette på for eksempel telefoner egentlig bare var forsøk på å sammenligne et lydopptak mot et annet, er det langt mer avansert i dag, med tjenester som Siri.
Bildegjenkjenning kan sortere gjennom tusenvis av bilder, og kjenne igjen objekter og personer. Det uten å måtte spesifikt fortelle maskinen hva den skal se etter. I stedet vises den bilder av for eksempel en hund, så lærer den hva som kjennetegner en hund, og kan plukke en ut fra et stort utvalg bilder.
- Les også: Denne maskinen knekte de umulige kodene
Prøv selv
Det finnes demonstrasjoner på dette, som Googles «Quick, draw!». Denne tjenesten, som du selv kan prøve, forsøker å kjenne igjen hva du tegner.
Etterhvert som flere prøver tjenesten, lærer den å kjenne igjen objekter basert på hvordan folk har tegnet for eksempel biler, blomster eller andre ting.
Tesla bruker også dyp læring i sine nye biler, som alle er utstyrt med en datamaskin med stor regnekraft, slik at dette delvis kan gjøres om bord i bilene.
Det norske DoMore-prosjektet er et annet eksempel. Her skal de blant annet vurdere markører i svulster ved hjelp av dyp læring.
- Podcast om kunstig intelligens: «Robotene trenger også følelser»
