Pamatujete si na fachmany, kteří hned podle sluchu poznali, že někde drhne kolečko a věděli, co se strojem je, rychle vyviklaný šroubek nebo vychozené ložisko vyměnili a výroba mohla zvesela pokračovat dál? Takových znalců je pořád dost, ale i kvůli překotné modernizaci zařízení jsou stále více v kurzu. Přitom včasné rozpoznání „špatných“ zvuků, dnešním jazykem audio diagnostika, může firmám nejen ušetřit peníze za údržbu, ale zabránit i celému zastavení výroby. Jak takové naslouchání vypadá v době Průmyslu 4.0 a Digitální továrny 2.0, ukáže na brněnském strojírenském veletrhu společnost Neuron soundware, která zde zakotví úplně poprvé.
Tři roky starý start-up už má za sebou práci pro Airbus, Siemens, německé dráhy, světové automobilky a řadu dalších průmyslových firem. Jejich databáze zvuků strojů, díky níž je možné efektivně trénovat algoritmy, které poznají, kdy a kde to ve stroji drhne, se už dá nazvat unikátní. „Navazujeme na prastaré know how strojařů a jejich zkušený sluch. Celé to však posouváme o krok dál a diagnostiku automatizujeme a vylepšujeme,“ shrnuje Martin Kubáň z Neuron soundware (na snímku vpravo).
Začněme, prosím, chystanou expozicí na MSV.
Nový koncept Digitální továrny při MSV nás zaujal. Proto jsme se zde rozhodli představit svoji technologii a řešení pro průmysl. To zahrnuje hardwarovou část, která se na veletrzích dobře ukazuje, jsou to fyzické věci, ale chystáme se i na prezentaci softwarové a algoritmické části našeho řešení. Takže pro potřeby veletrhu jsme vytvořili názorný demonstrátor. Složili jsme jej ze dvou elektromotorů, v jednom jsme nasimulovali poškození ložiska, vytvořili předtrénovanou neuronovou síť a vizualizační dashboard, kterým vizualizujeme výsledky detekce návštěvníkům v reálném čase. Neuronová síť dokáže během pár sekund rozpoznat, zda posloucháme zdravý, poškozený motor, případně jiný zvuk. Tímto jednoduchým demonstrátorem ukážeme princip algoritmické detekce. Navíc detekci můžeme provést pomocí algoritmu spuštěném přímo na IoT zařízení nBox nebo můžeme využít mobilní nahrávací systém nCard a detekovat vadný motor pomocí poslání audio souboru pořízeném přes naší mobilní aplikaci mobilním telefonem a získání vyhodnocení stavu motoru na mobil z algoritmu paralelně běžícím v našem cloudu.
nCard
Může jeden sensor obsloužit více strojů a pohlídat tak například celý provoz?
Pro hlídání celé výroby potřebujete zpravidla spoustu sensorů. My se typicky soustředíme na monitoring kritických procesů a strojů. Spíš bych to definoval, že jedním IoT nahrávacím zařízením můžeme pohlídat hned několik strojů, protože náš nový nBox dokáže zároveň nahrávat a zpracovávat vstupy až z dvanácti připojených sensorů či mikrofonů. Hardwarově jsme tedy docela flexibilní, nicméně k takovému rozsáhlému monitoringu stále vede určitá cesta, protože pro každý audio kanál potřebujete i algoritmus, který zvuku „rozumí“ a pozná v něm anomálie či definované projevy konkrétních poruch.
Zvuků i z jediného stroje je mnoho, dá se databáze „špatných“ doplňovat?
Ano, to je nutné, bez doplňování a aktualizaci dat by systém neměl smysl. Za více jak tři roky našeho fungování již máme obří databázi, kterou používáme pro základní trénink, a pak (pro ty nejběžnější stroje jako kompresory, pumpy, motory, turbíny apod.) algoritmus kalibrujeme na daný stroj a prostředí. Ona ani samotná služba nejde spustit, bez toho aniž bychom neměli několik hodin nahrávek. Postupně upřesňujeme vše tak, aby systém dovedl vyhodnotit, co je a není falešný alarm. Jde o poměrně rychlý proces - základní monitorovací službu jsme schopni spustit během pár týdnů. Aby naše zařízení fungovalo spolehlivě a dle pokročilejších požadavků klienta, je to většinou záležitost následujících měsíců. Záleží na objemu dat, která máme k dispozici, například nahrávek konkrétních poruch nebo nevyhovujících stavů.
nBox
Jak jste ze začátku zvuky sbírali?
Určitě nám pomohlo, že jsme byli start-up a dostali jsme se do akceleračních programů několika velkých firem. Umožnilo nám to za velmi výhodných podmínek dostat se do továren, kam bychom se normálně nedostali. Pro nás byl zlom, že jsme se dostali ke gigantu Airbus. Kromě toho, že se zajímali o rozvoj myšlenky samotné, tak nás pustili do své továrny v Německu a mohli jsme svoji technologii namontovat na pět různých strojů, sbírat data a učit se je vyhodnocovat. Pro Deutsche Bahn jsme obdobně testovali naší technologii pro monitoring eskalátorů.
Je někdo z vašeho dvacetičlenného týmu čistý strojař, který ví, jak třeba nějaké soukolí pracuje?
Více se soustřeďujeme na technologii, aby nám fungoval hardware a software, takže jsme spíš ajťáci. Řetězec, který musí fungovat od sensoru, přes zpracování signálu, ukládání v cloudu, vyhodnocení umělou inteligencí po nasazení do provozu a vizualizaci pro zákazníka a zaslání notifikace, je dlouhý a spolehlivost technologie je pro nás teď to nejdůležitější. Zkušeného strojaře máme často u našeho koncového zákazníka, kde do systému zapojujeme jeho ostřílené zaměstnance. Rozjíždíme také partnerskou síť, spolupracujeme se servisními organizacemi, které mají do strojů dostatečný vhled a pomáhají nám vše rozklíčovat. Tímto přístupem dokážeme nabídnout naši službu pro velmi široké pole strojů a zařízení v různých odvětvích.
Vašimi nejčastějšími partnery jsou strojařské firmy, nebo dá se sledovat i nevýrobní proces, například servovny, procesory...?
V této fázi se zaměřujeme na výrobní sektor. Poptávka je z automobilového průmyslu, jde o sledování pump, motorů, kompresorů, zkoušeli jsme jeřáby nebo roboty, které jsou ve fabrikách běžně a je jich hodně. Obecně je ale technologie aplikovatelná na jakýkoliv obor. Poptávky nám chodí různé a občas už se musíme rozmýšlet, jestli je to pro nás zajímavý směr. Firmy samozřejmě také koukají na návratnost a tady jsme v bodě, kdy má smysl technologii aplikovat spíše k větším zařízením, jejichž závada může zastavit i celou výrobu. Kromě úspory na údržbě je tedy kalkulován i potenciálně ušlý zisk.
Ozývají se vám firmy, které plánují nákup důležitého stroje a myslí na prevenci, nebo ty, které již mají starší zařízení a chtějí řešit nadbytek oprav?
Většinou jdeme z druhé strany, tedy od firem, které již nějaký kritický stroj mají. Jejich životnost je třeba i desítky let, a jak postupuje moderní doba, tak s naším zařízením se může i starý stroj bez jakýchkoliv senzorů či chytrých řešení v podstatě zdigitalizovat. V našem systému vidíte, jestli běží, v jakém režimu a můžeme na něm detekovat jakékoliv anomálie. Zvuk je velmi univerzální a bohatý zdroj informací. Máme poptávky také od firem, které pořizují nové stroje, ale většinou v sobě již nějaké sensory logicky mají – na teplotu, tlak, vibrace. Zvuk může přidat další užitečný vhled, ale určitě není standardem, takže se snažíme spolupracovat i s předními výrobci strojů a stát se součástí jejich standardního řešení.
Laicky řečeno, zákazník dostane od vás krabičku na stroj. A co dál, každý den má report, jak si zařízení vede?
Každý den většinou ne. Pokud sensor neznamená nějakou chybu, není k tomu ani důvod. Informace si ale zákazník může vyhledat kdykoliv na dashboardu, kde vše formou grafů a statistik sleduje v reálném čase. Může si i poslechnout přímo konkrétní zvukovou nahrávku. Případně jsou aktivovány SMS nebo e-mail notifikace pro oznámení anomálních/poruchových stavů.
Dá se říct, že vaše sbírka zvuků je unikátní?
Určitě ano a myslím, že do budoucna získá na hodnotě a bude představovat konkurenční výhodu. Budeme hledat nové příležitosti pro využití dat a jejich monetizaci. Proto si data chceme chránit a spravovat ve správných databázích, abychom byli připraveni pomoci třeba hned u konkrétního stroje a problému, aniž bychom ho museli dlouze zkoumat a nahrávat. Jde o to, abychom nemuseli začínat s učením vždy od začátku.
Existuje vůbec nějaká hranice počtu zvuků?
Asi ne, stroje se pořád dělají nové nebo inovují, tady je prostor pro sběr a aktualizaci v podstatě nekonečný.
Byli jste při vzniku Neuron soundware takovým tím klasickým modelem – pár studentů dá hlavy dohromady a na kolejním pokoji vykouzlí zázrak?
Ne, nejsme studentský garážový start-up. Měli jsme už každý nějaké zkušenosti a zajímal nás rostoucí trend umělé inteligence a směry, kde by se daly její možnosti dobře využít. Našli jsme zvuk. Pomohl nám v Praze Startup Yard, kde jsme myšlenku rozvinuli a dostali se až k současné audio diagnostice v průmyslu. Od té doby se na to specializujeme; kromě strojů se věnujeme i quality managementu, kdy díky zvuku jsme schopni najít potenciálně vadný výrobek.
