छोटा जवाब: जेनरेटिव AI से पहले भी बेवरेज प्लांट्स में काफ़ी मशीन लर्निंग थी जो अपनी लागत वसूल करती थी, और अब भी करती है। प्रेडिक्टिव मेंटेनेंस फ़िलर, पाश्चराइज़र पंप और कन्वेयर के वाइब्रेशन और करंट पर नज़र रखता है और फ़ेलियर से दिनों पहले चेतावनी देता है। सॉफ़्ट सेंसर उन मानों का अनुमान लगाते हैं जिन्हें आप इन-लाइन नहीं माप सकते, उनसे जिन्हें माप सकते हैं। मल्टीवेरिएट एनोमली डिटेक्शन दर्जनों संकेतों में ऐसे पैटर्न पकड़ता है जो कोई अकेला कंट्रोल चार्ट नहीं दिखाता, जबकि SPC नीचे बेसलाइन के रूप में रहता है। और प्रति हेक्टोलीटर ऊर्जा और पानी का मतलब तभी है जब बेसलाइन जानती हो कि आप कितने व्यस्त थे। इसमें कुछ नया नहीं है। सब कुछ पिछली पोस्ट की डेटा नींव पर टिका है।
2026 में जब लोग ‘प्लांट में AI’ सुनते हैं, तो उनके मन में चैटबॉट आता है। पिछले दशक से बेवरेज प्लांट्स में पैसा बचा रहा AI चैटबॉट जैसा बिल्कुल नहीं दिखता। वह पाश्चराइज़र पंप का वाइब्रेशन देखता एक मॉडल है, लैब वैल्यू का अनुमान लगाता एक रिग्रेशन है, रात 4 बजे किसी अजीब पैटर्न को चिह्नित करता एक चार्ट है। वह शांत, ठोस और मापने लायक है, और ठीक इसी वजह से काम करता है।
यह सीरीज़ की पाँचवीं पोस्ट है। पिछली पोस्ट ने OEE, छह बड़े नुकसान और डेटा कहाँ रहता है, यह बताया। यह पोस्ट AI की सीढ़ी के मशीन लर्निंग पायदान को चार ऐसे उपयोगों में कवर करती है जो भरोसे से पैसा वसूल करते हैं।
फ़िलर और पाश्चराइज़र पर प्रेडिक्टिव मेंटेनेंस
ब्रेकडाउन छह बड़े नुकसानों में पहला है और आमतौर पर सबसे तकलीफ़देह, क्योंकि वह बिना चेतावनी और अक्सर रन के बीच में आता है। प्रेडिक्टिव मेंटेनेंस वही चेतावनी देने की कोशिश करता है।
डेटा के दो पहलू हैं:
- एसेट से कंडीशन संकेत: पंप और मोटर बेयरिंग का वाइब्रेशन, मोटर करंट, तापमान, प्रेशर, साइकिल गिनती। टनल पाश्चराइज़र पर सर्कुलेशन पंप, स्प्रे हेडर और हीट एक्सचेंजर आम उम्मीदवार हैं। फ़िलर पर मेन ड्राइव, वैक्यूम पंप और वाल्व।
- CMMS से फ़ेलियर इतिहास: क्या फ़ेल हुआ, कब, और क्या किया गया।
दोनों हों, तो मॉडल सीख सकता है कि पिछली ख़राबियों से पहले के दिनों में संकेत कैसे दिखते थे, और वही पैटर्न जल्दी चिह्नित कर सकता है। फ़ेलियर इतिहास के बिना भी आप कुछ काम का कर सकते हैं: सीखिए कि सामान्य कैसा दिखता है और उससे भटकाव चिह्नित कीजिए। यह एनोमली-आधारित मेंटेनेंस है, और ज़्यादातर प्लांट्स को यहीं से शुरू करना चाहिए, क्योंकि साफ़ फ़ेलियर रिकॉर्ड दुर्लभ होते हैं।
फ़ायदा अनुमान में ख़ुद नहीं है। फ़ायदा है बिना योजना वाले ब्रेकडाउन को किसी तय स्टॉप के दौरान योजनाबद्ध मरम्मत में बदलना। पैकेजिंग वाले पहलू पर मैंने Predictive Maintenance for Fillers and Seamers में ज़्यादा गहराई से लिखा है।
सॉफ़्ट सेंसर: जो इन-लाइन नहीं माप सकते, उसका अनुमान
सॉफ़्ट सेंसर किसी ऐसे मान का अनुमान लगाता है जिसे सीधे मापना मुश्किल या धीमा हो, उन संकेतों से जिन्हें मापना आसान है।
यह देखना मदद करता है कि सीढ़ी कहाँ से शुरू होती है। पाश्चराइज़ेशन यूनिट एक गणना है, मॉडल नहीं। आम परिपाटी के अनुसार 60 डिग्री C पर एक मिनट 1 PU है, और उससे ऊपर हर डिग्री दर को लगभग 1.393 गुना कर देती है। तो 62 डिग्री पर एक मिनट लगभग 1.94 PU देता है, और वहाँ दस मिनट लगभग 19.4। यह भौतिकी और एक नियम है, सबसे निचले पायदान पर, और इसे वहीं रहना चाहिए।
मशीन लर्निंग वाला वर्शन वहाँ आता है जहाँ भौतिकी अधूरी है। जो PU मायने रखता है, वह है जो पैक के भीतर के प्रोडक्ट को मिला। आप हर ज़ोन में स्प्रे पानी का तापमान मापते हैं। चलते हुए टेम्परेचर लॉगर वाले टेस्ट रन के डेटा पर ट्रेन किया गया सॉफ़्ट सेंसर इन-पैक तापमान, और इसलिए PU, का अनुमान हर पैक के लिए लगा सकता है, सिर्फ़ टेस्ट वालों के लिए नहीं। इसी तरह के विचार लैब सैंपल के बीच डिसॉल्व्ड CO2 या ऑक्सीजन पिकअप का अनुमान लगाते हैं, या ग्रैविटी रीडिंग के बीच फ़र्मेंटेशन में बचे एक्सट्रैक्ट का।
सॉफ़्ट सेंसर का नियम: वे अनुमान लगाते हैं, रेफ़रेंस तरीका पुष्टि करता है। वे बताते हैं कि कहाँ देखना है और कब सैंपल लेना है, यह नहीं कि क्या रिलीज़ करना है।
SPC के ऊपर एनोमली डिटेक्शन
पिछली पोस्ट वाला SPC एक बार में एक वेरिएबल देखने में बेहतरीन है: फ़िल वॉल्यूम, क्राउन क्रिम्प, PU। उसका अंधा कोना वे पैटर्न हैं जो सिर्फ़ कई संकेतों को साथ देखने पर दिखते हैं। फ़िलर बाउल का प्रेशर थोड़ा ज़्यादा, प्रोडक्ट का तापमान थोड़ा कम और CO2 रीडिंग थोड़ी हटकर, हर एक अपनी कंट्रोल सीमा के भीतर हो सकता है, जबकि तीनों मिलकर एक बदल चुके प्रोसेस को बता रहे हों।
मल्टीवेरिएट एनोमली डिटेक्शन यह कमी पूरी करता है। तरीके लंबे समय से स्थापित वालों (Hotelling T squared चार्ट के साथ प्रिंसिपल कंपोनेंट एनालिसिस, जो प्रोसेस इंडस्ट्री में दशकों से इस्तेमाल हो रहा है) से लेकर नए तक हैं, जैसे आइसोलेशन फ़ॉरेस्ट या ऑटोएनकोडर। वे कई संकेतों के बीच का सामान्य रिश्ता सीखते हैं और उसके टूटने पर चिह्नित करते हैं।
दो व्यावहारिक नियम:
- SPC को बेसलाइन बनाए रखिए। वह सरल, ऑडिट करने लायक और भरोसेमंद है। एनोमली डिटेक्शन दूसरी परत है, और अगर वह आपके प्रोसेस पर ऐसा कुछ नहीं ढूँढ पाता जो SPC से छूटता हो, तो आपको उसकी ज़रूरत नहीं।
- अलार्म का बजट रखिए। हर एनोमली फ़्लैग किसी का ध्यान माँगता है। जो मॉडल हर शिफ़्ट में बीस चीज़ें चिह्नित करे, उसे बुधवार तक अनदेखा किया जाने लगेगा। उसे गिने-चुने उच्च-गुणवत्ता वाले फ़्लैग तक ट्यून कीजिए, हर एक उन संकेतों के साथ जिनसे वह बना।
प्रति हेक्टोलीटर ऊर्जा और पानी, एक उचित बेसलाइन के सामने
हर बेवरेज प्लांट प्रति हेक्टोलीटर ऊर्जा और पानी ट्रैक करता है, और कई को ये संख्याएँ खीज भरी लगती हैं। अच्छा हफ़्ता अक्सर ख़राब दिखता है और ख़राब हफ़्ता अच्छा, क्योंकि यह अनुपात वॉल्यूम, प्रोडक्ट मिक्स, पैक मिक्स, सफ़ाई के शेड्यूल और मौसम के साथ बदलता है।
उपाय ऐसी बेसलाइन है जो इन कारकों को जानती हो। मान लीजिए, साप्ताहिक थर्मल ऊर्जा का रिग्रेशन पैक किए गए वॉल्यूम, रिटर्नेबल ग्लास के हिस्से (उसके बॉटल वॉशर के साथ) और बाहर के तापमान पर, हर हफ़्ते के लिए एक अपेक्षित मान देता है। देखने वाली संख्या असली और अपेक्षित के बीच का अंतर है, कच्चा अनुपात नहीं। एनर्जी मैनेजमेंट स्टैंडर्ड ठीक यही तरीका इस्तेमाल करते हैं, और यह सबसे साधारण तरह की मशीन लर्निंग है।
बेसलाइन बन जाए, तो ऊपर के एनोमली तरीके लागू होते हैं: जो हफ़्ता, शिफ़्ट या CIP साइकिल अपेक्षा से कहीं ज़्यादा इस्तेमाल करे, वह चिह्नित होता है और उसकी वजह बताई जाती है। पानी और केमिकल के लिए CIP ऑप्टिमाइज़ेशन पर मेरी पिछली पोस्ट इसके CIP वाले हिस्से को आगे ले जाती है, और ब्रुअरी ऊर्जा और यूटिलिटीज़ यूटिलिटी वाला पहलू कवर करती है।
यह कहाँ टूटता है
फ़ेलियर डेटा कम होता है। अच्छी तरह रखा गया पंप कई सालों में एक बार फ़ेल हो सकता है। प्लांट के लिए यह बढ़िया है और मॉडल ट्रेन करने के लिए बहुत बुरा। मिलते-जुलते एसेट्स का डेटा एक साथ रखिए, एनोमली डिटेक्शन से शुरू कीजिए और धीरे-धीरे अनुमान तक बढ़िए।
सेंसर भटकते हैं और बदले जाते हैं। मरम्मत के दौरान बदला गया वाइब्रेशन सेंसर एसेट में अचानक बदलाव जैसा दिख सकता है। सेंसर बदलने को इवेंट के रूप में दर्ज कीजिए, वरना मॉडल मशीन के बजाय मेंटेनेंस कैलेंडर सीख लेगा।
सॉफ़्ट सेंसर पुराने पड़ते हैं। पाश्चराइज़र के रीबिल्ड से पहले ट्रेन किया सॉफ़्ट सेंसर उसके बाद गलत हो सकता है। उसे तय समय पर रेफ़रेंस तरीके से जाँचिए और भटकने पर दोबारा ट्रेन कीजिए।
बेसलाइन असली सुधार को छिपा सकती है। अगर बेसलाइन हर महीने दोबारा ट्रेन हो, तो असली बचत धीरे-धीरे नया सामान्य बन जाती है और रिपोर्ट से ग़ायब हो जाती है। बेसलाइन को एक तय अवधि के लिए जमा दीजिए, जैसे एनर्जी स्टैंडर्ड करते हैं।
निचोड़
बेवरेज प्लांट्स में पैसा वसूल करने वाली मशीन लर्निंग चमक-दमक वाली नहीं है। वह पंपों पर नज़र रखती है, जो इन-लाइन मापा नहीं जा सकता उसका अनुमान लगाती है, संकेतों में ऐसे पैटर्न पकड़ती है जिन्हें SPC अकेले नहीं देख सकता, और ऊर्जा और पानी को एक उचित बेसलाइन के सामने आँकती है। हर उपयोग नीचे नियमों और SPC पर, और उसके नीचे जुड़े, साफ़ डेटा पर खड़ा है। इन्हें सही कर लीजिए, तो अगली दो पोस्टों की जेनरेटिव और एजेंटिक परतों के पास खड़े होने के लिए कुछ ठोस होगा।
अगली पोस्ट: OpEx के लिए जेनरेटिव AI, जहाँ प्लांट का टेक्स्ट काम का बनता है। ख़ास तौर पर पैकेजिंग लाइन डाउनटाइम के लिए देखिए Predicting Packaging Line Downtime and Lifting OEE। पूरी सूची सीरीज़ पेज पर है।
अक्सर पूछे जाने वाले सवाल
फ़िलर या पाश्चराइज़र पर प्रेडिक्टिव मेंटेनेंस के लिए कौन-सा डेटा चाहिए? एसेट का कंडीशन डेटा, जैसे वाइब्रेशन, मोटर करंट, तापमान और प्रेशर, जो हिस्टोरियन में एक काम की फ़्रीक्वेंसी पर सहेजा गया हो, और CMMS से मेंटेनेंस इतिहास जिसमें दर्ज हो कि क्या और कब फ़ेल हुआ। फ़ेलियर रिकॉर्ड के बिना भी आप असामान्य व्यवहार पकड़ सकते हैं, पर यह नहीं सीख सकते कि फ़ेलियर कितना पहले आ रहा है।
क्या मशीन लर्निंग स्टैटिस्टिकल प्रोसेस कंट्रोल की जगह ले लेती है? नहीं। SPC एक-एक वेरिएबल के लिए, जैसे फ़िल वॉल्यूम या PU, सरल और ऑडिट करने लायक बेसलाइन बना रहता है। मशीन लर्निंग उन पैटर्न के लिए एक परत जोड़ती है जो एक साथ कई संकेतों में दिखते हैं और जिन्हें कोई अकेला कंट्रोल चार्ट नहीं दिखाता। अगर किसी समस्या पर मॉडल SPC को नहीं हरा सकता, तो SPC इस्तेमाल कीजिए।
प्रति हेक्टोलीटर ऊर्जा और पानी को उचित ढंग से कैसे ट्रैक करें? असली खपत की तुलना ऐसी बेसलाइन से कीजिए जो उसके कारकों का हिसाब रखे: उत्पादित वॉल्यूम, प्रोडक्ट और पैक मिक्स, और बाहर का तापमान। एनर्जी मैनेजमेंट स्टैंडर्ड्स में इस्तेमाल होने वाली तरह की एक सरल रिग्रेशन बेसलाइन दिखाती है कि कोई हफ़्ता सच में अच्छा था या बस व्यस्त। असली और बेसलाइन के बीच का अंतर ही वह संख्या है जिस पर कदम उठाना है।