Prediktivt vedlikehold

Les om hvordan AI kan brukes til å forutsi og forhindre svikt og maksimere effektiv brukstid

Innføring

Uventet nedetid for utstyr kan være skadelig for alle virksomheter. Det er avgjørende at feltutstyr holdes i gang for å maksimere bruk og minimere kostbar nedetid som ikke er planlagt, samt helse-, sikkerhets- og miljørisikoer. Målet til en prediktiv vedlikeholdsstrategi er å forlenge den effektive brukstiden til utstyret og å forebygge svikt. Avvikspåvisning er en vanlig tilnærming fordi det oppdager når en enhet oppfører seg annerledes enn forventet. Løsninger for avvikspåvisning er ofte mer nøyaktige enn enkle regelbaserte metoder for sviktpåvisning, og de er nyttige i forbindelse med å forebygge kostbare svikter og driftsstans.

Klargjøre data

Det første trinnet i en prediktiv vedlikeholdsløsning er å klargjøre dataen. Dette inkluderer datainntak, opprydning og funksjonskonstruksjon. Prediktive vedlikeholdsproblemer inkluderer vanligvis data som:

  • Maskininformasjon (f.eks. motorstørrelse, produkt og modell)
  • Telemetridata (f.eks. sensordata som temperatur, trykk, vibrasjon, væskeegenskaper og driftshastighet)
  • Vedlikehold- og inngrepshistorikk: reperasjonshistorikken til en maskin og kjøretidslogger
  • Svikthistorikk: Svikthistorikken til en spesifikk maskin eller komponent.

Data må inneholde eksempler på både suksess og svikt for å kunne forutsi svikt. Et stort antall eksempler vil resultere i en bedre, mer generaliserbar prediktiv vedlikeholdsmodell. Det er også viktig å ha data fra enheter som har feilet, og for de som fortsatt er i bruk. Data kan omfatte avlesninger fra utstyr som har sviktet på grunn av det spesifikke problemet du er interessert i, og fra enheter som har sviktet av andre årsaker. I begge tilfeller vil mer data føre til en bedre løsning.

Utvikling og trening

Mange prediktive vedlikeholdsløsninger bruker flerklasses klassifiseringsmodeller til å beregne den gjenværende økonomiske levetiden til et aktiva. Bruk flerklasses prediktivt vedlikehold når du vil anslå to utfall, det vil si tidsområdet for svikt og sannsynligheten for svikt på grunn av flere rotårsaker. I tillegg til å velge riktige algoritmer, krever en vellykket modell finjusterte hyperparametre. Disse er parametre, slik som antall lag i et nervesystem, som er angitt før opplæringsprosessen starter. Hyperparametre er ofte angitt av dataforskeren gjennom prøving og feiling. De påvirker nøyaktigheten og ytelsen til modellen, og det tar ofte mange iterasjoner før de optimale verdiene blir funnet.

Hver opplæringsgjennomgang vil generere måleverdier som brukes til å evaluere modellens effektivitet. Nøyaktighet er den mest populære måleverdien som brukes til å beskrive ytelsen til klassifiseringen, selv om gjenkjenning og F1-vurderinger ofte brukes i prediktive vedlikeholdsløsninger. Presisjon er definert som antall sanne positiver delt på antall sanne positiver pluss antall falske positiver, mens gjenkjenning viser til antall sanne positiver over antall sanne positiver pluss antall falske negativer for forekomster av sviktanslag. F1 vurderer både presisjon- og gjenkjenningsverdier.

Distribuer

Når den mest effektive varianten av en modell har blitt identifisert, må den modellen distribueres som en webtjeneste med et REST-endepunkt. Modellen kalles da opp av bransjespesifikke programmer eller analyseprogramvare. Når det kommer til prediktivt vedlikehold derimot, vil ende-til-ende-arkitektur ofte involvere sanntidstelemetri fra maskineri, som samles inn av systemer som Azure Event Hub-er. Dataen inntas av analyseverktøy for strømming, og prosesseres i sanntid. De prosesserte dataene sendes videre til en prediktiv modellwebtjeneste, og resultatene vises på et instrumentbord eller gis til en varselmekanisme som informerer teknikere eller servicepersonell om problemer. Inntatt data kan også lagres i historiske databaser og bli slått sammen med ekstern data, slik som lokale databaser, slik at det kan gis tilbake til opplæringseksempler for modellering. Tingenes internett-scenarioer kan ha en modell distribuert til kanten slik at påvisning kan forekomme så nær hendelsen som mulig i både tid og rom.

Kunder gjør de utroligste ting med AI