Больше самообучающегося оборудования — меньше рисков

В скором времени безопасность автоматизации будет обеспечиваться в том числе самообучающимися машинами и оборудованием. Благодаря достижениям в области искусственного интеллекта (англ. Artificial intelligence, AI) и машинного обучения (англ. machine learning, ML) роботы и другое промышленное оборудование, при функционировании которого необходимо соблюдение особых мер безопасности, смогут учиться на большом массиве соответствующих данных.

Для того чтобы максимально изолировать машины от персонала, необходимо уделять основное внимание мерам промышленной безопасности. Технологические достижения в области оборудования для автоматизации позволили машинам, в частности коллаборативным, то есть предназначенным для совместного труда, находиться в общей рабочей зоне и в тесном контакте с операторами. Эти механизмы и устройства имеют такие особенности, как закругленные края и датчики обратной связи по силе, что снижает вероятность получения травмы человеком при непосредственном контакте с машиной.

Кроме того, системы автоматизации переходят с фиксированного размещения на автономную мобильность, то есть получают возможность перемещаться в широком пространстве (рис. 1). Одно производственное решение, предназначенное для преобразования текущего производства в современное предприятие, имеет подключение для совместной работы коллаборативного робота-манипулятора к мобильной навигационной базе. Чтобы инженеры-конструкторы могли эффективно применять меры по снижению риска для таких инноваций, они должны понимать требования технологии, ее потенциальные опасности и способы работы операторов в новой производственной реальности.

По мере усложнения систем производителям роботизированного оборудования становится все труднее анализировать весь объем данных, применимых к плану снижения рисков. Количество информации может быть огромным, а средства, доступные для управления процессом принятия решений, ограничены. Помочь преодолеть эти ограничения может искусственный интеллект (ИИ). Есть несколько вариантов, которые разработчик систем автоматизации мог вовремя не рассмотреть. Именно эти решения в сочетании с высокой вычислительной мощностью делают ИИ неотъемлемой частью перспективных систем автоматизации с акцентом на требования безопасности.

Определение требований безопасности

Стандарт IEC МЭК 62061, касающийся связанных с безопасностью электрических, электронных и программируемых электронных систем управления, определяет функциональную безопасность (англ. functional safety) как «часть безопасности машины и системы управления машины, которая зависит от корректного функционирования связанной с безопасностью электрической системы управления (Safety-Related Electrical Control System, SRECS — электрическая система управления, отказ которой может непосредственно привести к увеличению рисков), систем, связанных с безопасностью, основанных на других технологиях, и внешних средствах снижения риска».

В этом определении будет больше смысла, если переформулировать его так, чтобы говорить о цели, предусматривающей разработку системы, которая в случае нештатной ситуации будет давать сбой предсказуемым образом. Обрабатывающая промышленность уже давно освоила такие аппаратные решения. Стандарты безопасности предоставляют производителям, интеграторам и конечным пользователям методологию наилучшей практики для достижения приемлемых уровней риска для этих решений. Можно также опираться на эти стандарты, чтобы помочь определить требования безопасности при разработке новых роботизированных технологий.

В настоящее время еще не существует отдельных стандартов безопасности специально для промышленного робота, интегрированного с мобильной платформой. Однако для оценки рисков можно собрать соответствующую информацию из действующих сегодня стандартов безопасности, таких как ANSI B11.0 или ISO 12100, ANSI RIA R15.06 или ISO 10218-2 для промышленных роботизированных систем, ANSI/RIA R15.606 или ISO 15066 для коллаборативных роботов, ANSI/IT SDF B56.5 или EN 1525 (подлежит замене на ISO 3691-4 «Машины напольного транспорта, штабелеры и погрузчики с платформой с большой высотой подъема») и ISO 13849-1 для прогнозирования и валидации отказов. Кроме того, все источники опасности и рекомендуемые меры по снижению риска должны быть четко и однозначно указаны в инструкциях по эксплуатации от поставщиков такого оборудования.

После определения применимых стандартов инженер в своем конечном решении должен оценить и учесть все, что оказывает то или иное влияние на безопасность, а именно: изучить непосредственно сам рабочий процесс, препятствия, доступность, предусмотреть вероятность неправильного использования и обучение. Технологии также играют роль, поскольку ошибка в организации обратной связи может вызвать помехи для измерения, что окажет влияние на отслеживание текущего положения и назначения манипуляторов, вызвав их недетерминированное поведение. Инженеры, кроме того, должны рассмотреть способы, с помощью которых система поглощает энергию, методы, используемые для ограничения силы, и применение функций безопасности.

Интеграция ИИ в систему обеспечения безопасности

Основной проблемой обеспечения безопасности технологий будущего является не нехватка соответствующей информации, а скорее ее избыток. Когда переменных слишком много, основные ограничения разработки простых бинарных правил для представления прошлого опыта становятся еще более очевидными. По мере развития технологий, в то время как разработка стандартов отстает, разработчикам часто приходится делать прогнозы на будущее, отсутствие стандартизированного подхода заставляет их переоценивать или недооценивать необходимые функции безопасности.

Производители роботизированного оборудования могут работать с этой информацией более эффективно, если они расширяют свой набор инструментов, поддерживая процессы обработки данных и принятия решений. В частности, они могут найти нужное решение в форме алгоритмов ИИ и машинного обучения. Система ИИ могла бы рекомендовать новые системно ориентированные руководящие принципы, основанные на тематическом обучении и данных исследований, по мере их появления.

Машинное обучение выявляет скрытые корреляции, анализируя большие объемы данных, что позволяет выяснить основные закономерности и тенденции, которые трудно увидеть с помощью традиционных статистических инструментов. А люди, исходя из этих корреляций, могут создавать абстрактные модели и проводить эксперименты, чтобы определить, насколько хорошо такие модели работают в реальных условиях.

Конструкторы и инженеры могут полагаться на интеллектуальную систему, которая будет руководить проектированием, позволяя использовать лучшие подходы и максимально приблизиться к желаемому решению.

С другой стороны, ИИ крайне важен для устранения предубеждений, которые могут помешать принятию решений. Поскольку память — это большая часть того, на основании чего мозг принимает решения, восприятие экспертами прошлого опыта может привести к ошибкам, влияющим на то, как они справляются с новыми ситуациями. Эксперт также может либо не признать, что важная информация отсутствует, либо совершить ошибку, если в начале процесса займется поиском решения для конечной точки. Алгоритмы машинного обучения уменьшают такие ошибки, потому что находят шаблоны в текущих и фактических данных, которые помогают решить конкретную проблему как часть процесса, используя либо контролируемый обучающий набор, либо неконтролируемую отправную точку.

Проблема управления данными

Движущей силой внедрения ИИ в промышленное оборудование является огромное количество информации, связанной с безопасностью, что характерно для современных производственных мощностей (рис. 2). В настоящее время имеется так много данных, что даже опытные работники испытывают трудности с обучением и сохранением этого материала в своей памяти, не говоря уже о молодых сотрудниках, только начинающих свою карьеру. Приучая машины учиться самостоятельно, компании могут воспользоваться мощным инструментом снижения рисков, который предоставит как краткосрочные, так и долгосрочные данные о требованиях безопасности в постоянно изменяющейся среде.

Все, что сегодня применяется в решениях безопасности, основано на том, что инженеры, операторы и производители извлекли уроки из прошлого. Здесь можно сказать, что стандарты безопасности, как и армейские уставы, написаны кровью. В этом смысле ИИ не так уж от нас и отличается. Люди и алгоритмы не появляются с уже готовым набором знаний о промышленной безопасности — мы все должны устанавливать связи, используя свой опыт, который можно применить в тех или иных новых ситуациях. Прошлое — это фундамент и кирпичики для будущего безопасности. Мы узнаем, что работает, а что нет, и используем эти знания для принятия последующих решений. Искусственный интеллект работает так же.

Больше интересных и полезных статей на нашем форуме по АСУ ТП: https://p4b.su/forums

Тендера фриланс по АСУ ТП: https://p4b.su/projects

Библиотека с технической литературой по промышленной автоматизации: https://p4b.su/library

Источник: m.vk.com

Комментарии: