استفاده از هوش مصنوعی برای تشخیص های پیش بینی کننده در سیستم های قدرت مایع

تکنولوژی های کلیدی رانندگی AI تشخیصی در قدرت مایع

چندین تکنولوژی بنیادی، تشخیص های پیش بینی شده را در این حوزه امکان پذیر می کند:

یادگیری عمیق برای تشخیص الگو

شبکه های عصبی کانولو (CNNs) و شبکه های حافظه کوتاه مدت (LSTM) در تجزیه و تحلیل طیفograms ارتعاشات و منحنی های ترانسفر فشار، به عنوان مثال، سی ان می تواند شدت منافذ پمپ را از داده های شتاب سنج با دقت بیش از 95٪ طبقه بندی کند.

دوقلوهای دیجیتال و شبیه سازی

یک دوقلو دیجیتال – یک شبیه سازی مجازی از سیستم قدرت مایع فیزیکی – به مدل های AI اجازه می دهد تا سناریوهای شکست را بدون خطر کردن تجهیزات واقعی شبیه سازی کنند.با اجرای هزاران شرایط خطای شبیه سازی شده، الگوریتم های ML یاد می گیرند بین حرکت عادی و ناهنجاری های حیاتی مانند شرکت ها مانند (FLT:0Boschuro [LT:1 و [F:2LT:2Par Hannifin] تمایز قائل شوند.

دانلود بازی Real-Time Response

Latency در برنامه های کاربردی قدرت مایع حیاتی است - هشدارهای شکست می تواند به معنای تفاوت بین تعمیر جزئی و یک حادثه ایمنی عمده باشد. Edge AI به طور مستقیم در کنترل کننده های منطقی برنامه ریزی شده (PLC) یا دستگاه های دروازه اختصاصی نزدیک به ماشین آلات است.این باعث کاهش وابستگی به اتصال ابر و فعال کردن نوآوری های تشخیص سطح یکomaly مانند [F0y] می شود.

برنامه های کاربردی و مطالعات موردی

تشخیص پیش بینی AI در حال حاضر در صنایع مختلف مستقر شده است:

• Manufacing - یک کارخانه بزرگ مهر و موم خودرو نصب لرزش و سنسور فشار بر 200 فشار هیدرولیک. مدل های AI آموزش دیده در شش ماه از داده ها در حال حاضر پیش از دقت 90٪، پیش بینی شکست پمپ بیش از $ 500٪ در سال در زمان بدون برنامه.
• - ایرباس از AI برای نظارت بر سیستم های هیدرولیک در هواپیمای A350 استفاده کرده است، تجزیه و تحلیل داده های پرواز برای پیش بینی خرابی مهر و موم.این اجازه می دهد تا تعمیر و نگهداری در طول روز های معمول به جای ایجاد ناهنجاری های پرواز.
• تجهیزات تلفن همراه - پلت فرم هوش برق مایع کاترپیلار از AI مبتنی بر ابر برای تجزیه و تحلیل تلهومتر از ماشین آلات ساخت و ساز استفاده می کند، ارسال هشدار برای آلودگی روغن هیدرولیک یا چرخش سیلندر.

این مثال ها تغییر را از واکنش به نگهداری واقعا پیش بینی کننده نشان می دهند، برای جزئیات بیشتر در مورد معماری شبکه عصبی برای قدرت مایع، بررسی شده در ]برنامه های مهندسی هوش مصنوعی [ را ببینید.

چالش ها و ملاحظات

علی رغم وعده های آن، یکپارچه سازی AI به تشخیص قدرت مایع موانعی را ارائه می دهد که نیاز به مدیریت دقیق دارند:

کیفیت داده ها و مقدار

مدل های AI با داده های پر سر و صدا، ناقص یا تعصب آمیز ضعیف عمل می کنند. بسیاری از تاسیسات برق مایع قدیمی فاقد پوشش سنسور کافی هستند. سنسورهای مقاوم می توانند گران باشند و برچسب گذاری داده ها برای یادگیری نظارت شده نیازمند تلاش های انسانی متخصص است.

پیچیدگی سیستم و تنوع

سیستم های قدرت مایع دارای پویایی غیر خطی هستند که تحت تاثیر فشرده سازی مایع، تغییرات دما و تغییرات بار قرار می گیرند.یک مدل آموزش دیده در یک ماشین ممکن است به دلیل تحمل تولید یا شرایط مختلف عملیاتی، به یک دیگر از همان نوع تعمیم ندهد.

خطرات امنیت سایبری

اتصال سنسور ها و کنترل کننده ها به سیستم عامل های هوش مصنوعی مبتنی بر ابر، سطح حمله را گسترش می دهد.یک مدل AI به خطر افتاده می تواند هشدارهای شکست را سرکوب کند یا هشدارهای کاذب ایجاد کند، که منجر به اقدامات امنیتی ناامن مانند جریان های داده رمزگذاری شده، دسترسی معتبر و اعتبار مدل ها بسیار حیاتی هستند.

نیاز به تخصص تخصصی

استقرار AI در قدرت مایع نیازمند تیم های متقابل عملکردی است که هر دو یادگیری ماشین و مهندسی هیدرولیک را درک می کنند، کمبود چنین استعدادی یک مانع است، به ویژه برای شرکت های کوچک و متوسط. پلتفرم های AI کاربر پسند که آموزش و استقرار مدل را خودکار می کنند، اما نظارت انسانی همچنان حیاتی است.

مسیر های آینده

نسل بعدی تشخیص های قدرت مایع مبتنی بر هوش مصنوعی مرزهای بیشتری را به سمت زیر سوق می دهد:

سیستم های خود-Healing

فراتر از پیش بینی، AI ممکن است اقدامات اصلاحی را در زمان واقعی هدایت کند.برای مثال، یک کنترل کننده هوشمند می تواند سرعت پمپ را برای جلوگیری از حفره بدون دخالت انسان تنظیم کند یا یک دریچه اضافی برای جداسازی یک بخش نشتی را فعال کند.تحقیقات نشان داده اند که کنترل AI حلقه بسته که باعث کاهش فشار در طول شروع، از بین بردن اثرات چکش آب می شود.

آموزش در سراسر ناوگان

برای غلبه بر چالش کمبود داده ها، تولیدکنندگان در حال بررسی یادگیری تغذیه شده هستند، جایی که مدل ها در سراسر سایت های متعدد مشتری بدون انتقال داده های خام آموزش دیده اند، این حفظ حریم خصوصی در حالی که بهبود قوی بودن مدل است.یک خلبان توسط یک تامین کننده هیدرولیک صنعتی نشان داد که مدل های تغذیه شده در حالت های نادر شکست در مقایسه با مدل های خاص سایت، دقت بیشتری به دست می آورند.

ادغام با Twins دیجیتال و AIOps

ترکیب دوقلوهای دیجیتال با تشخیص مبتنی بر هوش مصنوعی، تجزیه و تحلیل در مورد برنامه ریزی تعمیر و نگهداری را امکان پذیر می سازد. اپراتورها می توانند اثر تاخیر در جایگزینی فیلتر یا دویدن در یک بار بالاتر را شبیه سازی کنند، سپس برای ریسک و هزینه عملیات AI (AIOps) که نظارت مدل، آموزش مجدد و نسخه سازی را خودکار می کند، بار تخصص را کاهش می دهد.

از آنجا که هزینه های سنسور همچنان به سقوط و محاسبه قدرت در دسترس تر می شود، AI برای تشخیص های پیش بینی کننده قدرت مایع از ویژگی های برتر به یک استاندارد صنعتی تغییر می کند.سازمان هایی که در حال حاضر سرمایه گذاری می کنند، از مزایای بالاتر، هزینه های پایین تر و عملیات امن تر بهره می برند. کلید این است که با یک استراتژی داده روشن، خلبان در یک سیستم بحرانی و مقیاس بر اساس ROI اندازه گیری شده شروع شود.

نتیجه گیری

هوش مصنوعی دیگر یک مفهوم آینده نگر برای سیستم های قدرت مایع نیست – این یک ابزار عملی برای تشخیص پیش بینی است که باعث کاهش خرابی، گسترش عمر تجهیزات و کاهش هزینه ها می شود.با استفاده از داده های سنسور، یادگیری ماشین و محاسبات لبه، صنایع از تولید خودرو به هوافضا، عملیات تعمیر و نگهداری خود را تغییر می دهند، در حالی که چالش های اطراف کیفیت داده، پیچیدگی و امنیت باقی می ماند، پیشرفت های مداوم در الگوریتم های AI، و یکپارچه سازی برق های هوشمند، و حتی به دنبال اپراتورهای کنترل دارایی های هوشمند است.