Ramon Perez

Organizacije za upravljanje imovinom oslanjaju se na tačne i dosledne šifre kvarova kako bi razumele pouzdanost opreme, optimizovale strategije održavanja i dale prioritet intervencijama sa najvećom vrednošću. Strukturirani podaci o kvarovima omogućavaju inženjerskim i timovima za održavanje da identifikuju ponavljajuće probleme, kvantifikuju rizik, efikasno rasporede kapital i usmere resurse na unapređenja pouzdanosti sa najvećim uticajem. Međutim, u mnogim nasleđenim sistemima za upravljanje održavanjem, istorijski nalozi za korektivno održavanje evidentirani su bez strukturirane klasifikacije kvarova. U ovom slučaju, više od 20 godina istorije radnih naloga nije sadržalo standardizovane šifre kvarova, što je stvorilo značajan jaz u podacima. Ručni pregled i naknadna klasifikacija desetina hiljada zapisa zahtevali bi hiljade radnih sati, uneli subjektivnost i nedoslednost i verovatno i dalje rezultirali nepotpunom pokrivenošću. Ova prezentacija opisuje inicijativu treće faze koja koristi velike jezičke modele (LLM) za automatsku klasifikaciju tipova kvarova u evidencijama održavanja opreme za proizvodnju električne energije. Cilj je bio da se utvrdi da li savremeni generativni AI sistemi mogu precizno interpretirati slobodan tekst korektivnih radnih naloga i dodeliti strukturirane šifre kvarova u skladu sa uspostavljenom hijerarhijom kvarova. Izvori podataka obuhvatali su korektivne radne naloge iz sistema za upravljanje održavanjem (Maximo), višeslojnu hijerarhiju klasifikacije kvarova (npr. klasa kvara, komponenta, uzrok, mera otklanjanja) i tehničku dokumentaciju specifičnu za domen. Radi poboljšanja kontekstualne tačnosti i smanjenja „halucinacija“, primenjen je okvir Retrieval-Augmented Generation (RAG), kojim su relevantne definicije iz hijerarhije i tehničke reference dinamički dostavljane modelu tokom obrade. Takođe je primenjen pristup učenja sa malim brojem primera (few-shot learning) kako bi se model usmerio kroz reprezentativne označene primere. Izabrani model, Anthropic Claude 3.5 Sonnet, evaluiran je korišćenjem metodologije većinskog glasanja radi povećanja robusnosti i pouzdanosti konačnih predikcija. Za svaki radni nalog izvršeno je više prolaza inferencije, a konsenzus je korišćen za stabilizaciju izlaza. Performanse modela procenjivane su u odnosu na pažljivo pripremljen evaluacioni skup podataka, primenom standardnih metrika klasifikacije. Rezultati pokazuju da LLM modeli mogu pouzdano dodeljivati strukturirane šifre kvarova, uz postignuti F1-skor od 92% na evaluacionim skupovima podataka. Ovaj pristup značajno smanjuje potreban manuelni rad uz očuvanje visokog kvaliteta klasifikacije, omogućavajući brzo formiranje istorijski kompletne baze podataka o kvarovima koja bi inače zahtevala godine ručnog rada. Pored retroaktivnog obogaćivanja podataka, metodologija pokazuje potencijal i kao alat za osiguranje kvaliteta budućih ručno kodiranih radnih naloga, kao i kao moguća zamena ili dopuna tradicionalnim procesima prijave kvarova u okviru CMMS sistema. Prezentacija razmatra dizajn metodologije, rezultate evaluacije, uočena ograničenja i oblasti za unapređenje — uključujući proširenje skupova podataka raznovrsnijim primerima kvarova, unapređenje strategija upita i preuzimanja informacija, kao i istraživanje integracije sa dijagnostičkim alatima i industrijskim okvirima izveštavanja kao što je GADS. Sveukupno, nalazi ukazuju da klasifikacija zasnovana na LLM modelima može ubrzati inicijative za unapređenje upravljanja imovinom, unaprediti donošenje odluka zasnovanih na podacima u oblasti održavanja i obezbediti skalabilno i ponovljivo osiguranje kvaliteta za istorijske i buduće evidencije održavanja u okruženju proizvodnje električne energije.

Ključne reči: AI, LLM