Forudsigende vedligeholdelse

Få mere at vide om, hvordan AI kan bruges til at forudsige og undgå fejl og maksimere brugstiden

Introduktion

Ikke-planlagt nedetid af udstyr kan være ødelæggende for alle typer virksomheder. Det er af afgørende betydning at holde feltudstyr kørende for at få det fulde udbytte og minimere dyr ikke-planlagt nedetid samt udstyrets tilstands-, sikkerheds- og miljømæssige risici. Formålet med en strategi til prædiktiv vedligeholdelse er både at udvide udstyrets brugstid og undgå fejl. Registrering af uregelmæssigheder er en almindelig tilgang, da det identificerer, hvornår en enhed har en anderledes funktionsmåde end forventet. Løsninger til registrering af uregelmæssigheder er ofte mere præcise end simple regelbaserede metoder til fejlregistrering, og de er nyttige, når du forsøger at undgå dyre fejl og nedbrud.

Forbered data

Det første trin i en løsning til prædiktiv vedligeholdelse er at forberede dataene. Det involverer bl.a. dataindtagelse og -rensning samt udvikling af funktioner. Problemer i forbindelse med prædiktiv vedligeholdelse omfatter typisk data som f.eks.:

  • Maskinoplysninger (f.eks. maskinstørrelse, -mærke og -model)
  • Telemetridata (f.eks. sensordata som f.eks. temperatur, tryk, vibration, væskeegenskaber og driftshastigheder)
  • Vedligeholdelses- og brugerhandlingshistorik: en maskines reparationshistorik og runtimelogs
  • Fejlhistorik: Fejlhistorikken for en maskine eller vigtig komponent.

Dataene skal indeholde eksempler på både beståede og fejlbehæftede data for at kunne forudsige fejl. Et stort antal eksempler resulterer i bedre og mere generaliserbare modeller til prædiktiv vedligeholdelse. Det er vigtigt at have data fra enheder, der er fejlbehæftede, og enheder, der stadigvæk er i drift. Data kan også omfatte læsninger fra udstyr, der er fejlbehæftet pga. det specifikke problem, som du er interesseret i, samt data fra enheder, der er fejlbehæftede af andre årsager. I begge tilfælde gælder det, at jo flere data du har, desto bedre bliver løsningen.

Opbyg og oplær

Mange løsninger til prædiktiv vedligeholdelse benytter klassificeringsmodeller i flere klasser til beregning af et aktivs resterende brugstid. Brug Prædiktiv vedligeholdelse til klassificeringer i flere klasser, når du vil forudsige to resultater, dvs. et tidsinterval for fejl samt sandsynligheden for fejl pga. en af flere rodårsager. Ud over valg af den korrekte algoritme kræver en vellykket model velindstillede hyperparametre. Dette er parametre som f.eks. antallet af lag i et neuralt netværk, der angives, før oplæringsprocessen begynder. Hyperparametre angives ofte af datateknikeren på en trial and error-facon. De påvirker modellens nøjagtighed og ydeevne, og det kræver ofte flere gentagelser at finde de optimale værdier.

Hver oplæringskørsel genererer målepunkter, som bruges til at evaluere modellens effektivitet. Nøjagtighed er det mest populære målepunkt og bruges til at beskrive en klassificerings ydeevne, selvom genkaldelse og F1-scores ofte benyttes i løsninger til prædiktiv vedligeholdelse. Præcision angives som antallet af sande positive værdier samt antallet af falske positive værdier, mens genkaldelse angiver antallet af sande positive værdier over antallet af sande positive værdier plus antallet af falske negative værdier for ikke-beståede forudsigelsesforekomster. F1-scores medtager både præcisions- og genkaldelsesrater.

Installer

Når den mest effektive variant af en model er blevet identificeret, skal den pågældende model udrulles som en webtjeneste med et REST-slutpunkt. Modellen kaldes derefter af line of business-apps eller -analysesoftware. I forbindelse med prædiktiv vedligeholdelse involverer slutpunkt til slutpunkt-arkitekturer dog ofte telemetri i realtid fra maskineri, som indsamles af systemer som f.eks. Azure Event Hubs. Dataene indtages af Stream Analytics og behandles i realtid. De behandlede data sendes til en prædiktiv modelwebtjeneste, og resultaterne vises på et dashboard eller sendes til en beskedmekanisme, der informerer teknikere eller servicepersonale om problemerne. Data, der indtages, kan også gemmes i historiske databaser og flettes med eksterne data, f.eks. databaser i det lokale miljø, så de kan føres tilbage til oplæringseksempler til modellering. IoT-scenarier (Tingenes internet) kan have en model udrullet til kanten, så registreringen kan forekomme så tæt på hændelsen som muligt både had angår tid og sted.

Kunderne udretter fantastiske ting med AI