A Risk-Aware Explainable Multi-Agent Decision Intelligence Framework for Human-Centric Predictive Maintenance in Smart Manufacturing

वाणिज्यिक विमानन की उच्च-जोखिम वाली दुनिया में, एक उड़ान की सुरक्षा उसके इंजनों के शांत, स्थिर धैर्य पर निर्भर करती है। दशकों से, इंजीनियर भविष्य कहनेवाला रखरखाव (प्रिडिक्टिव मेंटेनेंस) पर भरोसा करते आए हैं, जो एक ऐसी रणनीति है जो यह अनुमान लगाने के लिए डेटा का उपयोग करती है कि मशीन का कोई पुर्जा वास्तव में विफल होने से पहले कब विफल हो सकता है। यह दृष्टिकोण केवल चीजों के टूटने के बाद उन्हें ठीक करने या उन्हें एक कठोर समय सारणी पर बदलने से कहीं आगे जाता है। इसके बजाय, यह मशीनरी की गूंज को सुनता है, उन सूक्ष्म संकेतों की तलाश करता है जो बताते हैं कि कोई घटक अपने जीवन के अंत के करीब है। इसका लक्ष्य सही क्षण पर हस्तक्षेप करना है: न तो बहुत जल्दी, जिससे संसाधनों की बर्बादी होती है, और न ही बहुत देर से, जिससे तबाही का खतरा होता है। हालाँकि, इन कंप्यूटर मॉडलों द्वारा उत्पन्न कच्चे आंकड़ों और मानव रखरखाव कर्मियों द्वारा लिए गए वास्तविक निर्णयों के बीच लंबे समय से एक बड़ा अंतर बना हुआ है। एक कंप्यूटर यह अनुमान लगा सकता है कि एक इंजन का कुछ जीवन शेष है, लेकिन वह अक्सर यह नहीं समझा पाता कि उसने वह अनुमान क्यों लगाया, उसे उस अनुमान पर कितना भरोसा है, या यदि चालक दल प्रतीक्षा करने का निर्णय लेता है तो इसमें विशिष्ट जोखिम क्या हैं। इस संदर्भ के बिना, सबसे सटीक भविष्यवाणी भी केवल एक संख्या बनकर रह जाती है, जिस पर विश्वास के साथ कार्रवाई करना कठिन होता है।

भारत में एम.एस. रमाईया विश्वविद्यालय ऑफ एप्लाइड साइंसेज के शोधकर्ताओं की एक टीम ने एक नई प्रणाली विकसित की है जो इस अंतर को पाटने के लिए डिज़ाइन की गई है, जो कच्चे डेटा को मानव निर्णय लेने वालों के लिए एक स्पष्ट, भरोसेमंद कहानी में बदल देती है। वे अपनी इस रचना को 'रिस्क-अवेयर एक्सप्लेनेबल एजेंटिक प्रोग्नोस्टिक इंटेलिजेंस फ्रेमवर्क' कहते हैं। केवल यह आउटपुट देने के बजाय कि एक इंजन कितने समय तक चलेगा, यह प्रणाली डिजिटल सहायकों की एक टीम की तरह कार्य करती है, जिनमें से प्रत्येक का एक विशिष्ट कार्य है। प्रणाली का एक हिस्सा इंजन के सेंसरों पर नज़र रखता है ताकि उसके स्वास्थ्य और शेष जीवन का अनुमान लगाया जा सके। दूसरा हिस्सा एक संशयवादी (स्केप्टिक) के रूप में कार्य करता है, जो लगातार यह जाँचता रहता है कि पहले भाग को अपने स्वयं के अनुमानों पर कितना विश्वास होना चाहिए। तीसरा भाग स्थिति के खतरे का मूल्यांकन करता है, जबकि चौथा भाग यह स्पष्ट करता है कि किन विशिष्ट सेंसर रीडिंग के कारण निष्कर्ष निकाला गया। अंत में, एक निर्णय लेने वाला एजेंट इन सभी दृष्टिकोणों को एक साथ लाता है ताकि एक ठोस कार्रवाई का सुझाव दिया जा सके, जैसे कि उड़ान जारी रखना, इंजन की बारीकी से निगरानी करना, या तत्काल मरम्मत निर्धारित करना। शोधकर्ताओं ने इस ढांचे का परीक्षण टर्बोफैन इंजन की विफलता के एक प्रसिद्ध सिम्युलेटेड डेटासेट का उपयोग करके किया, जो इस क्षेत्र में एक मानक बेंचमार्क है, ताकि यह देखा जा सके कि क्या यह जटिल डेटा को विश्वसनीय, मानव-पठनीय सलाह में बदल सकता है।

इस नए ढांचे का मूल एक डीप लर्निंग मॉडल है जो इंजन के क्षरण (डिग्रेडेशन) के इतिहास से सीखता है। यह सत्रह अलग-अलग सेंसरों के डेटा स्ट्रीम को देखता है, और ट्रैक करता है कि इंजन समय के साथ कैसे व्यवहार करता है। केवल एक संख्या का अनुमान लगाने के बजाय, मॉडल टूट-फूट के पैटर्न को पहचानना सीखता है, जिससे इंजन के स्वास्थ्य स्कोर और शेष उपयोगी जीवन दोनों का पूर्वानुमान लगाया जा सके। लेकिन नवाचार उस समय होता है जब वह भविष्यवाणी की जाती है। प्रणाली वहीं नहीं रुकती है। यह तुरंत अपनी भविष्यवाणी को एक विश्वसनीयता जांच (रिलायबिलिटी चेक) के माध्यम से चलाती है, जिसमें एक ऐसी विधि का उपयोग किया जाता है जो कई स्वतंत्र मॉडलों के बीच तुलना करती है कि क्या वे सहमत हैं। यदि मॉडल असहमत हैं या डेटा शोर (नॉइजी) वाला है, तो सिस्टम भविष्यवाणी को अनिश्चित घोषित कर देता है। यह महत्वपूर्ण है क्योंकि विमानन में, एक गलत अनुमान खतरनाक हो सकता है। सिस्टम एक आत्मविश्वास स्कोर (कॉन्फिडेंस स्कोर) की गणना करता है, और यदि यह स्कोर बहुत कम हो जाता है, तो यह स्वचालित रूप से एक मानव समीक्षा को ट्रिगर करता है, यह सुनिश्चित करता है कि किसी भी असुरक्षित स्वचालित निर्णय को मानव विशेषज्ञ की देखरेख के बिना कभी न लिया जाए।

एक बार जब सिस्टम अपने आंकड़ों के प्रति आश्वस्त हो जाता है, तो यह अगले स्तर पर जाता है: जोखिम और स्पष्टीकरण। एक विशेष एजेंट 'फजी लॉजिक' का उपयोग करता है—तर्क करने का एक तरीका जो केवल काले और सफेद के बजाय ग्रे शेड्स (मध्यवर्ती अवस्थाओं) को संभालता है—परिचालन जोखिम का आकलन करने के लिए। यह इंजन के स्वास्थ्य, शेष जीवन, भविष्यवाणी में विश्वास और इंजन के व्यवहार की स्थिरता पर विचार करता है। यह एजेंट स्थिति को निम्न, मध्यम, उच्च या गंभीर जोखिम जैसे स्तरों में वर्गीकृत करता है। साथ ही, एक 'एक्सप्लेनेबिलिटी एजेंट' अदृश्य को दृश्य बनाने का कार्य करता है। यह उन्नत तकनीकों का उपयोग करता है ताकि यह उजागर किया जा सके कि इंजन के इतिहास के कौन से विशिष्ट क्षण और कौन से विशिष्ट सेंसर रीडिंग निष्कर्ष तक पहुँचने में सबसे महत्वपूर्ण थे। उदाहरण के लिए, यह इंगित कर सकता है कि पिछले कुछ चक्रों (साइकिल) की एक विशिष्ट सेंसर रीडिंग उच्च-जोखिम की चेतावनी का प्राथमिक कारण थी। यह कृत्रिम बुद्धिमत्ता के "ब्लैक बॉक्स" को एक पारदर्शी प्रक्रिया में बदल देता है जहाँ एक मानव इंजीनियर साक्ष्य देख सकता है और सिफारिश के पीछे के तर्क को समझ सकता है।

इस बुद्धिमान वर्कफ़्लो का अंतिम चरण निर्णय लेने वाला एजेंट है। यह स्वास्थ्य स्कोर, जोखिम स्तर, विश्वास मेट्रिक्स और स्पष्टीकरणों को लेता है, और उन सभी को एक साथ तौलता है ताकि कार्रवाई का एक मार्ग सुझाया जा सके। सिस्टम केवल यह नहीं कहता कि "इंजन बीमार है"; बल्कि यह कहता है कि "इंजन बीमार है, हम इस बारे में 82 प्रतिशत आश्वस्त हैं, जोखिम उच्च है, और यहाँ वह विशिष्ट सेंसर है जो हमें चिंतित कर रहा है, इसलिए आपको रखरखाव निर्धारित करना चाहिए।" अपने परीक्षणों में, इस ढांचे ने उच्च सटीकता प्रदर्शित की, जिसमें इंजन के स्वास्थ्य और शेष जीवन दोनों के अनुमानों में बहुत कम त्रुटियां देखी गईं। इससे भी महत्वपूर्ण बात यह है कि इसने सफलतापूर्वक इंजन विफलता के जोखिम को वर्गीकृत किया और ऐसे रखरखाव सुझाव तैयार किए जो स्थिति की गंभीरता के अनुरूप थे। एक विशिष्ट केस स्टडी में, जिसमें एक इंजन विफलता के करीब था, सिस्टम ने सही ढंग से गंभीर जोखिम स्तर की पहचान की और, यह देखते हुए कि इसका अपना आत्मविश्वास सामान्य से कम था, एक स्वचालित सुधार के बजाय बुद्धिमानी से मानव समीक्षा की सिफारिश की। अपनी अनिश्चितता को पहचानने और मानव निर्णय के अधीन होने की यह क्षमता इसके डिज़ाइन की एक प्रमुख विशेषता है।

शोधकर्ताओं ने पाया कि उनका दृष्टिकोण पारंपरिक तरीकों से एक महत्वपूर्ण कदम आगे है जो केवल भविष्यवाणी सटीकता पर ध्यान केंद्रित करते हैं। विश्वसनीयता जांच, जोखिम मूल्यांकन और स्पष्ट स्पष्टीकरण को एक एकल प्रणाली में एकीकृत करके, उन्होंने एक ऐसा उपकरण बनाया है जो केवल एक कैलकुलेटर नहीं बल्कि निर्णय लेने में एक भागीदार है। यह प्रणाली इंजन के क्षरण डेटा की जटिलता को संभालने और इसे कार्रवाई योग्य बुद्धिमत्ता में अनुवादित करने में सक्षम सिद्ध हुई। हालांकि यह अध्ययन एक मानक बेंचमार्क से प्राप्त सिम्युलेटेड डेटा का उपयोग करके किया गया था, लेकिन परिणाम बताते हैं कि ऐसा ढांचा वास्तविक दुनिया के एयरोस्पेस रखरखाव में अत्यधिक मूल्यवान हो सकता है। यह विश्वास और समझ की मानवीय आवश्यकता को संबोधित करता है, यह सुनिश्चित करता है कि जब कोई मशीन कहती है कि एक इंजन को ध्यान देने की आवश्यकता है, तो विमान के लिए जिम्मेदार लोग बिल्कुल जानते हैं कि क्यों और वे उस चेतावनी पर कितना भरोसा कर सकते हैं। यह कार्य इस बात पर प्रकाश डालता है कि कैसे कृत्रिम बुद्धिमत्ता को सुरक्षा-महत्वपूर्ण उद्योगों में लागू किया जा रहा है, जो सरल भविष्यवाणी से हटकर एक अधिक समग्र, मानव-केंद्रित दृष्टिकोण की ओर बढ़ रहा है जहाँ मशीन मनुष्य को सही चुनाव करने में मदद करती है।