Rio Tinto, özerk lokomotifler gibi varlıkları etkileyen “kronik sorunları” belirlemesine yardımcı olmak ve düzeltmelere öncelik vermesine yardımcı olmak için Reconai adlı bir araç oluşturdu.
Rio Tinto’nun Milan parası.
Kıdemli Veri Bilimcisi ve Müfettiş Mühendislik Milan Paraek, AWS Summit Sydney’e madencinin varlık güvenilirliğini ve kullanılabilirliğini artırmak için veri kullanımını en üst düzeye çıkarmak istediğini söyledi.
Reconai, varlık sağlığı verilerinin sorunlu bir varlığı belirlemek ve düzeltici eylem için sıraya koymak için kullanıldığı kusur eliminasyonu adı verilen bir mühendislik sürecini hedefler.
Paraek, “Kusur eleme projeleri tipik olarak mekanik veya elektrik mühendisliği projeleri veya bakım taktiklerinde de değişiklikler olabilir” dedi.
Özellikle, Reconai sürecin altı adımından üçünü alır – “tüm hataları tüm farklı sistemlerden verileri kullanarak sınıflandırma, böylece mühendislerin bunu yapmak zorunda kalmaması gerekmez” ve daha sonra düzeltici eylemlerin etkinliğini ölçmek.
Bunu yaparken, Rio Tinto, aksi takdirde mühendisler tarafından gerçekleştirilecek ve düzeltici eyleme harcamak için daha fazla zaman veren tekrarlayan – uzman da olsa – idari işleri kaldırıyor.
Paraek, “Bu, mühendislere aslında projeler sunmak, OPS ile çalışmak ve arızalara katılmak için daha fazla zaman geçirmeleri için güçlendiriyor” dedi.
Madenci bunu, şirketin otomatik demiryolu yük ağında çukurdan limana özerk bir şekilde taşıyan “yüzlerce” olarak numaralandırılan lokomotif filosu için test etti.
Paraek, “Bu kadar büyük, uzak ve otonom bir operasyonla, sahadaki varlıklarımızla kesinti süresini en aza indirmek bizim için gerçekten kritiktir, çünkü yaşadığımız herhangi bir hata genellikle operasyonel personelin dışarı çıkmasını ve gerçekte treni kurtarmasını gerektirebilir, bu da hatayı çözme süresini artırır” dedi.
Şirket, varlık ekipmanı hataları hakkında birçok veriye erişebilir. Bu, geleneksel telemetri içerir – günlükler, alarmlar, olaylar vb.
Paraek, “Bu ücretsiz metin verileri, operasyonel personelin, örneğin bir treni gerçekten kurtardıklarında girdikleri veya bir hatayı düzeltmek için sahaya çıkmışlarsa bilgileri içeriyor” dedi.
“SAP genellikle atölyelere bakıcılar tarafından bir sorunu nasıl teşhis ettikleri, nasıl giderdikleri, değiştirdikleri vb.
Reconai, yerinde çalışan bakım ve güvenilirlik mühendislerine “farklı varlık türlerimizde meydana gelen tüm hataların bozulmamış bir görünümü” ve “bu hataları bir ekipmana veya bir bileşene veya bir alt sistemine ve daha sonra bir hata moduna sınıflandırmak” için tasarlanmıştır.
Sınıflandırmalar granüler – bir lokomotif üzerindeki yüzlerce sistem ve alt sistemlerle sadece bir varlık türü olarak, örneğin – dolayısıyla mühendislerin bunları yaptıkları tarihsel gereklilikle uğraşıyor.
Bir yıl boyunca, Reconai, hataları nitel ve nicel verilere dayalı olarak sınıflandırmada etkili olduğu kanıtlanmıştır ve aracı kusur eliminasyon projelerine öncelik vermek için üretim aracıdır.
Yüksek düzeyde, madenci tüm rayını, SAP’yi ve diğer ilgili verileri toplamak için AWS’de Palantir dökümhanesini kullanır.
“Bu verileri S3’e çoğaltıyoruz ve daha sonra başka veri mühendisliğine ihtiyacımız yok çünkü bu verileri doğal veya doğrudan okumak için Amazon Glue ve Athena’yı kullanıyoruz.
“Recon AI arka uç uygulaması EC2’de çalışır ve her bir arıza olayından gelen verileri ve her bir hatayı, her bir hatayı neden olan bir ekipman ve hata moduna sınıflandırmak için ilgili varlıklarla ilgili tüm bağlamsal bakım geçmişini ve diğer verileri kullanır.
“Antropik Claude modelleri – ağırlıklı olarak sonnet – diyoruz. [Amazon] Ana kaya ve ayrıca, mühendislerin belgeleri koyduğu SharePoints ile senkronize edilen birçok anakaya bilgi tabanını da kullanıyoruz.
“Kullanıcılar sınıflandırmalara Foundry aracılığıyla Frontend Recon uygulaması aracılığıyla erişiyorlar.”
Paraek, Recon’un kullanıcılara “alınan ve tüm süreç boyunca gerekçeleri veya sınıflandırmaları da dahil olmak üzere, iş akışının en başından sonuna kadar tüm aracı iş akışının tam şeffaf mantığını gösterdiğini” belirtti.
“Bu güven için kritik” dedi.
“Mühendisler kadar şüpheci ve sert ve AI’yı eleştiren kullanıcılarla ve hatta çok fazla jargon, kısaltma ve iş karmaşıklığının olduğu karmaşık alanlar için bile, kullanıcılar onlara tam şeffaf akıl yürütmeyi sağlıyorsanız ve yolculuk için onları beraberinde getirirseniz buna güveniyorlar.”
Paraek, geçen yıl bu kez bir kavram kanıtı başladığını, “neden olan ekipmanın veya ilgili bileşenlerin nispeten ayrıntılı bir sınıflandırması üzerinde yüzde 80 sınıflandırma doğruluğu elde ettiğini söyledi-şimdi gittiğimiz kadar derin değil, yine de mühendisler için oldukça ayrıntılı ve yeterince iyi”.
Yinelemeli deneylerle şirket, “lokomotif hataları sınıflandırmak için bu performansı üretimde yüzde 96’ya kadar itmeyi” başardı.
Bu yinelemeler, madencinin – diğer şeylerin yanı sıra – Claude 3.5 Sonnet V2 şeklinde yeni bir model benimsediğini ve sürece yeni bir ajan sunduğunu gördü.
Şirket ayrıca yanlış sınıflandırmaların meydana geldiği durumlarda değişiklikler yaptı ve mühendislerin boşlukların tanımlandığı araç tarafından kullanılabilecek ek belgeler oluşturması.
Paraek, güvenilirlik ve bakım mühendisleri tarafından kabul edilmenin yanı sıra, aracın veri yakalamasındaki iyileştirmelere de katkıda bulunduğunu söyledi.
Paraek, “Örneğin, bakım denetçileri SAP’deki verilerin nasıl daha iyi yakalanacağına dair geri bildirim alıyor, böylece sadece bu sürece yardımcı olmakla kalmıyor, aynı zamanda diğer tüm temel süreçlere de yardımcı oluyor” dedi.
Rio Tinto, cevher arabaları, sinyal ve liman konveyörleri de dahil olmak üzere lokomotiflerin ötesinde daha fazla demiryolu varlık sınıfına reconai uygulama sürecindedir.
Teknoloji tarafındaki çoğu çaba doğruluğu artırmaya odaklanmış olsa da, şirket “sınıflandırma başına maliyetini” izliyor ve maliyetlerini azaltmak için toplu çıkarma ve hızlı önbellekleme etrafında bazı optimizasyonlar yapmayı planlıyor.
Ry Crozier, Sydney’deki AWS zirvesine AWS konuğu olarak katıldı.