Hoppa över navigering

Förebyggande underhåll

Upptäck hur AI kan användas för att förutsäga och förhindra fel och maximera tjänstelivstid

Introduktion

Oplanerade avbrott för utrustning kan vara skadliga för alla företag. Det är viktigt att hålla igång fältutrustning för att maximera utnyttjande och minimera dyra oplanerade avbrott samt hälso-, säkerhets- och miljörisker. Målet med en strategi för förutsägande underhåll är att utöka utrustningens tjänstelivstid och förhindra fel. Avvikelseidentifiering är en vanlig metod eftersom den identifierar när en enhet fungerar annorlunda än väntat. Lösningar för avvikelseidentifiering är ofta mer exakta än enkla regelbaserade metoder för felidentifiering och de är användbara när du försöker förhindra dyra fel och avbrott.

Förbered data

Det första steget i en lösning för förutsägande underhåll är att förbereda data. Det omfattar datainmatning, rensning och funktionsteknik. Problem med förutsägande underhåll omfattar vanligtvis data som exempelvis:

  • Maskininformation (till exempel motorns storlek, märke och modell)
  • Telemetridata (till exempel sensordata som temperatur, tryck, vibration, vätskeegenskaper och driftshastigheter)
  • Underhålls- och åtgärdshistorik: Reparationshistoriken för en maskin och körningsloggar
  • Felhistorik: Felhistoriken för en maskin eller komponent.

För att kunna förutsäga fel måste data innehålla både lyckade och misslyckade exempel. Ett stort antal exempel leder till bättre, mer generaliserbara modeller för förutsägande underhåll. Det är även viktigt att ha data från enheter där fel har uppstått och enheter som fortfarande fungerar. Data kan omfatta avläsningar från utrustning där fel har uppstått för det specifika problem som du är intresserad av och från enheter där fel har uppstått av andra orsaker. I båda fallen blir lösningen bättre ju mer data du har.

Skapa och träna

Många lösningar för förutsägande underhåll använder klassificeringsmodeller med flera klasser för att beräkna en tillgångs RUL (Remaining Useful Life). Använd förutsägande underhåll med hjälp av klassificering med flera klasser när du vill förutsäga två utfall, alltså ett tidsintervall för fel och sannolikheten för fel på grund av en av flera rotorsaker. Förutom att välja rätt algoritmer kräver en framgångsrik modell väljusterade hyperparametrar. Det är parametrar, till exempel antalet lager i ett neuralt nätverk, som anges innan träningsprocessen börjar. Hyperparametrar anges ofta av dataexperter genom att de prövar sig fram. De påverkar modellens precision och prestanda och det kan ofta krävas många iterationer för att hitta optimala värden.

Vid varje träningsomgång genereras mått som används för att utvärdera modellens effektivitet. Precision är det populäraste måttet som används för att beskriva en klassificerares prestanda, men träffsäkerhet och F1-poäng används ofta i lösningar för förutsägande underhåll. Precision definieras som antalet sanna positiva identifieringar genom antalet sanna positiva identifieringar plus antalet falska positiva identifieringar, medan träffsäkerhet betecknar antalet sanna positiva identifieringar genom antalet sanna positiva identifieringar plus antalet falska negativa identifieringar av instanser av felförutsägelse. F1-poäng tar hänsyn till värden för både precision och träffsäkerhet.

Distribuera

När den mest effektiva varianten av en modell har identifierats måste den modellen distribueras som en webbtjänst med en REST-slutpunkt. Modellen anropas sedan av verksamhetsspecifika appar eller analysprogramvara. När det gäller förutsägande underhåll omfattar dock kompletta arkitekturer ofta realtidstelemetri från maskiner som samlas in av system som Azure Event Hubs. Data matas in av strömanalys och bearbetas i realtid. Bearbetade data skickas till en webbtjänst med en förutsägande modell och resultat visas på en instrumentpanel eller skickas till en aviseringsmekanism som informerar tekniker eller servicepersonal om problem. Inmatade data kan även lagras i historiska databaser och sammanfogas med externa data, till exempel lokala databaser, så att de kan skickas tillbaka till träningsexempel för modellering. Scenarier för Sakernas Internet (IoT) kan ha en modell distribuerad till Edge så att identifiering kan utföras så nära händelsen som möjligt i både tid och rum.

Kunderna åstadkommer fantastiska saker med AI