Predictive maintenance

Leer hoe AI kan worden gebruikt om fouten te voorspellen en te voorkomen en de bruikbare levensduur te maximaliseren

Inleiding

Ongeplande downtime van apparatuur kan schadelijk zijn voor elk bedrijf. Het is belangrijk de veldapparatuur in bedrijf te houden om het gebruik te maximaliseren en daarnaast dure, ongeplande downtijd en gezondheids-, veiligheids- en milieurisico’s te minimaliseren. Het doel van de strategie voor predictief onderhoud is om de nuttige levensduur van apparatuur te verlengen en fouten te voorkomen. Anomaliedetectie is een gebruikelijke aanpak, omdat hiermee kan worden geïdentificeerd wanneer een apparaat zich anders gedraagt dan verwacht. Oplossingen voor anomaliedetectie zijn vaak nauwkeuriger dan eenvoudige op regels gebaseerde foutdetectiemethoden en zijn nuttig om dure fouten en storingen te voorkomen.

Gegevens voorbereiden

De eerste stap in een oplossing voor predictief onderhoud bestaat uit het voorbereiden van de gegevens. Dit omvat gegevensopname, opschoning en functie-engineering. Problemen met predictief onderhoud bevatten gewoonlijk gegevens als de volgende:

  • Machinegegevens (bijvoorbeeld enginegrootte, merk en model)
  • Telemetriegegevens (bijvoorbeeld sensorgegevens zoals temperatuur, druk, vibratie, vloeistofeigenschappen en bewerkingssnelheden)
  • Onderhouds- en tussenkomstgeschiedenis: de herstelgeschiedenis van een machine en runtimelogboeken
  • Foutgeschiedenis: de foutgeschiedenis van een belangrijke machine of een belangrijk onderdeel.

Voor het voorspellen van fouten moeten gegevens zowel geslaagde als afgekeurde voorbeelden bevatten. Veel voorbeelden leiden tot betere, meer algemeen bruikbare modellen voor predictief onderhoud. Het is ook belangrijk om gegevens te hebben van apparaten die zijn afgekeurd en van apparaten die nog in gebruik zijn. Gegevens kunnen ook waarden bevatten van apparatuur die is afgekeurd op het specifieke probleem waarin u geïnteresseerd bent, en gegevens van apparaten die om andere redenen zijn afgekeurd. In beide gevallen geldt: hoe meer gegevens, hoe beter de oplossing.

Bouw en train

Veel oplossingen voor predictief onderhoud maken gebruik van classificatiemodellen met meerdere klassen om de resterende levensduur van een asset te berekenen. Gebruik predictief onderhoud op basis van classificatie met meerdere klassen wanneer u twee resultaten wilt voorspellen, dat wil zeggen een tijdsbereik voor afkeuring en de kans op afkeuring door een van meerdere hoofdoorzaken. Naast het kiezen van de juiste algoritmen zijn goed afgestemde hyperparameters nodig voor een succesvol model. Dit zijn parameters, zoals het aantal lagen in een neuraal netwerk, die voor aanvang van het trainingsproces worden ingesteld. Hyperparameters worden vaak proefondervindelijk door de gegevenswetenschappers opgegeven. Deze beïnvloeden de nauwkeurigheid en prestaties van het model, en er zijn vaak veel herhalingen nodig om de optimale waarden te vinden.

Uit elke trainingsronde komen metrische gegevens die worden gebruikt om de effectiviteit van het model te evalueren. Nauwkeurigheid is het populairste metrische gegeven dat wordt gebruikt om de prestaties van een classificatie te beschrijven, hoewel vaak relevante overeenkomsten en F1-scores worden gebruikt bij oplossingen voor predictief onderhoud. De definitie van precisie is het aantal echte positieven ten opzichte van het aantal echte positieven plus het aantal fout-positieven, en de definitie van relevante overeenkomsten is het aantal echte positieven ten opzichte van het aantal echte positieven plus het aantal fout-positieven van de foutvoorspellingsinstanties. F1-scores hebben betrekking op zowel precisiewaarden als waarden van relevante overeenkomsten.

Implementeren

Zodra de effectiefste variant van het model is geïdentificeerd, moet dat model zodanig worden geïmplementeerd als webservice met een REST-eindpunt. Het model wordt vervolgens aangeroepen door Line-Of-Business-toepassingen of door analytische software. Bij predictief onderhoud bevatten end-to-end architecturen echter vaak realtime telemetrie van machinerie, die wordt verzameld door systemen als Azure Event Hubs. De gegevens worden opgenomen in stroomanalyses en realtime verwerkt. De verwerkte gegevens worden doorgegeven aan een voorspellend webservicemodel en de resultaten worden weergegeven op een dashboard of gestuurd naar een waarschuwingsmechanisme waarmee technisch of servicepersoneel kan worden geïnformeerd over problemen. Opgenomen gegevens kunnen ook worden opgeslagen in historische databases en samengevoegd met externe gegevens, zoals on-premises databases, zodat ze weer kunnen worden teruggevoerd in trainingsvoorbeelden voor het maken van modellen. Binnen IoT-scenario’s (Internet of Things) kan een model tot op de grens worden geïmplementeerd, zodat detectie zowel in tijd als ruimte zo dicht mogelijk bij de gebeurtenis kan plaatsvinden.

Klanten doen geweldige dingen met AI