Ramon Perez

Организације за управљање имовином ослањају се на тачне и доследне шифре кварова како би разумеле поузданост опреме, оптимизовале стратегије одржавања и дале приоритет интервенцијама са највећом вредношћу. Структурирани подаци о кваровима омогућавају инжењерским и тимовима за одржавање да идентификују понављајуће проблеме, квантификују ризик, ефикасно распореде капитал и усмере ресурсе на унапређења поузданости са највећим утицајем. Међутим, у многим наслеђеним системима за управљање одржавањем, историјски налози за корективно одржавање евидентирани су без структуриране класификације кварова. У овом случају, више од 20 година историје радних налога није садржало стандардизоване шифре кварова, што је створило значајан јаз у подацима. Ручни преглед и накнадна класификација десетина хиљада записа захтевали би хиљаде радних сати, унели субјективност и недоследност и вероватно и даље резултирали непотпуном покривеношћу. Ова презентација описује иницијативу треће фазе која користи велике језичке моделе (ЛЛМ) за аутоматску класификацију типова кварова у евиденцијама одржавања опреме за производњу електричне енергије. Циљ је био да се утврди да ли савремени генеративни АИ системи могу прецизно интерпретирати слободан текст корективних радних налога и доделити структуриране шифре кварова у складу са успостављеном хијерархијом кварова. Извори података обухватали су корективне радне налоге из система за управљање одржавањем (Maximo), вишеслојну хијерархију класификације кварова (нпр. класа квара, компонента, узрок, мера отклањања) и техничку документацију специфичну за домен. Ради побољшања контекстуалне тачности и смањења „халуцинација“, примењен је оквир Retrieval-Augmented Generation (РАГ), којим су релевантне дефиниције из хијерархије и техничке референце динамички достављане моделу током обраде. Такође је примењен приступ учења са малим бројем примера (few-shot learning) како би се модел усмерио кроз репрезентативне означене примере. Изабрани модел, Anthropic Claude 3.5 Sonnet, евалуиран је коришћењем методологије већинског гласања ради повећања робусности и поузданости коначних предикција. За сваки радни налог извршено је више пролаза инференције, а консензус је коришћен за стабилизацију излаза. Перформансе модела процењиване су у односу на пажљиво припремљен евалуациони скуп података, применом стандардних метрика класификације. Резултати показују да ЛЛМ модели могу поуздано додељивати структуриране шифре кварова, уз постигнути Ф1-скор од 92% на евалуационим скуповима података. Овај приступ значајно смањује потребан мануелни рад уз очување високог квалитета класификације, омогућавајући брзо формирање историјски комплетне базе података о кваровима која би иначе захтевала године ручног рада. Поред ретроактивног обогаћивања података, методологија показује потенцијал и као алат за осигурање квалитета будућих ручно кодираних радних налога, као и као могућа замена или допуна традиционалним процесима пријаве кварова у оквиру ЦММС система. Презентација разматра дизајн методологије, резултате евалуације, уочена ограничења и области за унапређење — укључујући проширење скупова података разноврснијим примерима кварова, унапређење стратегија упита и преузимања информација, као и истраживање интеграције са дијагностичким алатима и индустријским оквирима извештавања као што је ГАДС. Свеукупно, налази указују да класификација заснована на ЛЛМ моделима може убрзати иницијативе за унапређење управљања имовином, унапредити доношење одлука заснованих на подацима у области одржавања и обезбедити скалабилно и поновљиво осигурање квалитета за историјске и будуће евиденције одржавања у окружењу производње електричне енергије.

Кључне речи: АИ, ЛЛМ