Adaptive unsupervised anomaly detection with dynamic recalibration for scalable industrial asset reliability monitoring

आधुनिक उद्योग की विशाल, गूँजती दुनिया में, जहाँ भारी भरकम पंप रसायनों का संचार करते हैं और कारखानों को चालू रखते हैं, वहाँ अक्सर सन्नाटा ही सबसे खतरनाक संकेत होता है। जब किसी महत्वपूर्ण उपकरण जैसे कि पंप के विफल होने की शुरुआत होती है, तो यह शायद ही कभी कोई तेज़ या स्पष्ट चेतावनी देता है। इसके बजाय, यह अपने सामान्य व्यवहार से धीरे-धीरे दूर हो जाता है, सूक्ष्म तरीकों से अपनी लय बदल देता है जो तब तक पकड़ में आना मुश्किल होता है जब तक कि कोई विनाशकारी विफलता न हो जाए। दशकों से, इंजीनियरों ने फिक्स्ड अलार्म का उपयोग करके इन शुरुआती संकेतों को पकड़ने की कोशिश की है, जिसमें तापमान, दबाव या कंपन की कठोर सीमाएँ निर्धारित की जाती हैं। यदि कोई रीडिंग एक निश्चित रेखा से ऊपर जाती है, तो अलार्म बज उठता है। लेकिन इस दृष्टिकोण में एक मौलिक दोष है: औद्योगिक मशीनें स्थिर नहीं होती हैं। वे उम्र बढ़ती है, उनकी मरम्मत की जाती है, वे अलग-अलग सामग्रियों को संभालती हैं, और बदलते परिवेश में काम करती हैं। एक नई मशीन के लिए जो सेटिंग एकदम सही है, वह पुरानी मशीन पर लगातार बेकार के अलार्म बजा सकती है, या इससे भी बुरा यह कि यदि मशीन धीरे-धीरे एक खतरनाक स्थिति की ओर बढ़ती है, तो यह अलार्म बजाने में विफल हो सकती है क्योंकि "सामान्य" रेंज चुपचाप बदल चुकी होती है। इसलिए चुनौती यह है कि एक ऐसा सिस्टम बनाया जाए जो यह सीख सके कि किसी विशिष्ट मशीन के लिए "सामान्य" क्या दिखता है, विचलन पर नज़र रख सके, और मशीन के साथ बदलने के साथ-साथ अपनी 'सामान्य' की समझ को अपडेट कर सके, और वह भी बिना पिछले विफलताओं के रिकॉर्ड की लाइब्रेरी के।

यही वह समस्या है जिसे भारत के पेट्रोलियम एंड एनर्जी यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने हल करने का प्रयास किया। उन्होंने एक महत्वपूर्ण पंप, जिसे P-101 A/B के रूप में जाना जाता है, पर ध्यान केंद्रित किया, जो उच्च-घनत्व वाले पॉलीइथाइलीन उत्पादन प्रक्रिया का हिस्सा है। यह पंप अत्यंत महत्वपूर्ण है; यह रिएक्टर से गर्मी हटाने के लिए रसायनों के स्लरी (slurry) का संचार करता है। यदि यह विफल होता है, तो प्रक्रिया अत्यधिक गर्म हो सकती है, या स्लरी जम सकती है और इम्पेलर को जाम कर सकती है, जिससे पूरा प्लांट बंद हो सकता है। शोधकर्ता यह देखना चाहते थे कि क्या वे एक डिजिटल वॉचडॉग बना सकते हैं जो टूटे हुए पंप का एक भी उदाहरण देखे बिना विफलता के शुरुआती संकेतों को पहचान सके। कंप्यूटर को यह सिखाने के बजाय कि विफलता कैसी दिखती है, उन्होंने उसे यह सिखाया कि एक स्वस्थ पंप कैसा दिखता है, और फिर उससे पूछा कि वह उस पैटर्न से कितनी दूर भटक रहा है।

उनके द्वारा विकसित पद्धति आश्चर्यजनक रूप से सरल है, जो कच्चे डेटा को एक स्पष्ट चेतावनी में बदलने के लिए कुछ प्रमुख चरणों पर निर्भर करती है। सबसे पहले, सिस्टम पंप से जुड़े दस अलग-अलग सेंसरों से डेटा एकत्र करता है, जो कंपन, प्रवाह दर (flow rate), दबाव और तापमान जैसी चीजों को मापते हैं। चूंकि ये सेंसर अलग-अलग इकाइयों में अलग-अलग चीजें मापते हैं, इसलिए सिस्टम पहले डेटा को नॉर्मलाइज़ करता है, जिससे सब कुछ एक सामान्य पैमाने पर आ जाता है ताकि कंप्यूटर निष्पक्ष रूप से तुलना कर सके। इसके बाद, यह इस जटिल सूचना जाल को सरल बनाने के लिए एक सांख्यिकीय तकनीक का उपयोग करता है, जिससे उन मुख्य पैटर्न को खोजा जा सके जो बताते हैं कि पंप सही ढंग से काम करते समय कैसे व्यवहार करता है। इन मुख्य पैटर्न पर ध्यान केंद्रित करके, सिस्टम "स्वस्थ" संचालन का एक मानसिक मानचित्र बनाता है। यह इस स्वस्थ अवस्था के औसत स्थान की गणना करता है और फिर वर्तमान व्यवहार इस केंद्र बिंदु से कितना दूर है, इसे मापता है। यदि पंप सामान्य रूप से व्यवहार कर रहा है, तो दूरी कम होती है। यदि कुछ गलत है, तो दूरी बढ़ती जाती है।

इस सिस्टम को लंबे समय तक उपयोगी बनाने के लिए, शोधकर्ताओं ने एक महत्वपूर्ण विशेषता जोड़ी: डायनेमिक रीकैलिब्रेशन (dynamic recalibration)। अतीत में, 2017 में किसी मशीन पर प्रशिक्षित मॉडल 2020 तक बेकार हो जाता था क्योंकि मशीन की उम्र बढ़ जाती थी या वह बदल जाती थी। हालाँकि, यह नया सिस्टम लगातार स्थिर और स्वस्थ संचालन की अवधि की जाँच करता है। जब इसे एक लंबा समय मिलता है जहाँ पंप सुचारू रूप से चल रहा होता है, तो यह चुपचाप अपनी "सामान्य" की परिभाषा को अपडेट करता है, अपने केंद्र बिंदु को स्थानांतरित करता है और मशीन की वर्तमान स्थिति के अनुरूप अपनी संवेदनशीलता को समायोजित करता है। इसका अर्थ यह है कि जब भी प्लांट की परिचालन स्थितियाँ बदलती हैं या रखरखाव के बाद शटडाउन होता है, तो इसे मैन्युअल रूप से रीप्रोग्राम करने की आवश्यकता नहीं होती है। यह अपने आप अनुकूलित होता है, जिससे यह सुनिश्चित होता है कि यह नई समस्याओं के प्रति संवेदनशील बना रहे और मशीन के जीवन चक्र के साथ आने वाले स्वाभाविक, हानिरहित परिवर्तनों को अनदेखा करे।

टीम ने इस दृष्टिकोण का परीक्षण पंप के तीन साल के ऐतिहासिक डेटा का उपयोग करके किया, जिसमें स्थिर संचालन, स्टार्टअप सीक्वेंस, रखरखाव संक्रमण और सबसे महत्वपूर्ण बात, पैंतालीस दर्ज की गई कार्यात्मक विफलताएं शामिल थीं। उन्होंने मॉडल को प्रशिक्षित करने के लिए विफलता के डेटा का उपयोग नहीं किया; सिस्टम ने केवल स्वस्थ डेटा को देखा। जब उन्होंने तीन साल की समयरेखा पर मॉडल चलाया, तो परिणाम चौंकाने वाले थे। सिस्टम ने प्रत्येक एक में से सभी पैंतालीस विफलताओं की सफलतापूर्वक पहचान की, और पहचान का एक पूर्ण रिकॉर्ड प्राप्त किया। इससे भी महत्वपूर्ण बात यह है कि इसने औसतन बहत्तर घंटों का 'लीड टाइम' (चेतावनी का समय) प्रदान किया। यह एक महत्वपूर्ण समय अंतराल है, जो प्लांट ऑपरेटरों को एक विनाशकारी शटडाउन होने से पहले उपकरण का निरीक्षण करने, लोड को समायोजित करने या मरम्मत का समय निर्धारित करने के लिए तीन पूरे दिन का समय देता है। सिस्टम ने गलत अलार्म को भी अपेक्षाकृत कम रखने में सफलता प्राप्त की, जिसमें केवल आठ मामले ऐसे थे जहाँ इसने एक ऐसी समस्या को चिह्नित किया जो विफलता में नहीं बदली।

इस खोज को जो चीज़ विशेष रूप से मूल्यवान बनाती है, वह केवल उच्च सटीकता नहीं है, बल्कि निदान की स्पष्टता भी है। जब सिस्टम ने किसी समस्या को चिह्नित किया, तो उसने केवल यह नहीं कहा कि "कुछ गलत है।" इसने विश्लेषण किया कि कौन से विशिष्ट सेंसर विचलन में सबसे अधिक योगदान दे रहे थे। वास्तविक विफलताओं के मामलों में, सिस्टम ने सही ढंग से पहचाना कि पंप कम प्रवाह और डिस्चार्ज दबाव में बदलाव के साथ संघर्ष कर रहा था, जो भौतिक रूप से इस बात को दर्शाता है कि स्लरी गाढ़ी हो रही है और इम्पेलर को जाम कर रही है। जिन कुछ मामलों में इसने गलत अलार्म दिया, वहां सिस्टम ने अस्थायी तापमान स्पाइक्स की ओर सही संकेत दिया जो विफलता का कारण नहीं बने। यह ऑपरेटरों को संभावित कारण की ओर इशारा करने की क्षमता इस उपकरण को एक साधारण अलार्म से बदलकर एक डायग्नोस्टिक असिस्टेंट (निदान सहायक) बना देती है, जिससे इंजीनियरों को यह समझने में मदद मिलती है कि न केवल मशीन विफल हो रही है, बल्कि क्यों हो रही है।

शोधकर्ता तर्क देते हैं कि यह दृष्टिकोण औद्योगिक विश्वसनीयता के लिए एक व्यावहारिक मार्ग प्रदान करता है। भारी मात्रा में लेबल किए गए विफलता डेटा और अत्यधिक कंप्यूटिंग शक्ति की आवश्यकता वाले जटिल आर्टिफिशियल इंटेलिजेंस मॉडल के विपरीत, यह विधि हल्की और व्याख्या योग्य है। इसे सीखने के लिए टूटी हुई मशीनों के इतिहास की आवश्यकता नहीं है; इसे केवल स्वस्थ मशीनों के इतिहास की आवश्यकता है। स्वयं को निरंतर रीकैलिब्रेट करके, यह उपकरण के पुराने होने और प्रक्रियाओं के विकसित होने के साथ प्रासंगिक बना रहता है। हालांकि यह अध्ययन एक विशिष्ट रासायनिक प्रक्रिया में एक एकल पंप पर किया गया था, लेकिन इसका तर्क सामान्य (generic) बनाया गया है। टीम का सुझाव है कि इसी ढांचे को अन्य प्रकार के घूमने वाले उपकरणों, जैसे कि कंप्रेसर या हीट एक्सचेंजर पर लागू किया जा सकता है, बशर्ते सेंसर का चयन सावधानीपूर्वक किया जाए। यह कार्य प्रदर्शित करता है कि एक सरल, स्व-अपडेटिंग मॉडल जटिल प्रणालियों जितना प्रभावी हो सकता है, जो एक ऐसे समाधान की पेशकश करता है जो लंबे समय से महत्वपूर्ण औद्योगिक संपत्तियों के रखरखाव की समस्या से जूझ रहा है। निष्कर्ष बताते हैं कि भविष्य का प्रेडिक्टिव मेंटेनेंस (पूर्वानुमानित रखरखाव) और भी जटिल एल्गोरिदम में नहीं, बल्कि उन सिस्टम में निहित है जो उन मशीनों के बदलते यथार्थ को सीखने और अनुकूलित होने के लिए पर्याप्त स्मार्ट हैं जिनकी वे निगरानी करते हैं।