Table of Contents
تکنیک های یادگیری ماشین به طور فزاینده ای برای پیش بینی شکست های تجهیزات مورد استفاده قرار می گیرند و به صنایع کمک می کنند هزینه های خرابی و نگهداری را کاهش دهند، نمونه های عملی نشان می دهند که چگونه مدل های مبتنی بر داده می توانند مسائل بالقوه را قبل از وقوع شناسایی کنند، استراتژی های تعمیر و نگهداری فعال را فعال کنند.
درک پیش بینی شکست تجهیزات
پیش بینی شکست تجهیزات شامل تجزیه و تحلیل داده های تاریخی برای شناسایی الگوهایی است که پیش از شکست، مدل های یادگیری ماشین پردازش خواندن سنسور مختلف، پارامترهای عملیاتی و عوامل محیطی برای پیش بینی خرابی های بالقوه است.
نمونه های عملی مدل های یادگیری ماشین
یک رویکرد مشترک از الگوریتم های طبقه بندی مانند جنگل های تصادفی یا ماشین های پشتیبان برای طبقه بندی وضعیت تجهیزات به عنوان "سالم" یا "faulty" استفاده می کند، مدل های رگرسیون می توانند زندگی مفید باقی مانده (RUL) ماشین آلات بر اساس ویژگی های ورودی را تخمین بزنند.
نمونه محاسبه برای پیش بینی شکست
فرض کنید داده های سنسور نشان دهنده میزان دما و ارتعاش است.یک مدل آموزش دیده احتمال شکست را در هفته آینده پیش بینی می کند، به عنوان مثال، اگر مدل احتمال شکست ۰.۷۵ را داشته باشد، نگهداری می تواند به طور فعال برنامه ریزی شود.
محاسبات اغلب شامل عادی سازی ویژگی، استنتاج مدل و تنظیم آستانه می شود.برای مثال، تنظیم آستانه 0.6 برای احتمال شکست تضمین می کند که تنها موارد پرخطر هشدارها را ایجاد می کنند، و کاهش مثبت کاذب.
مزایای استفاده از ماشین یادگیری
پیاده سازی مدل های یادگیری ماشین، برنامه ریزی تعمیر و نگهداری را بهبود می بخشد، خرابی های غیرمنتظره را کاهش می دهد و طول عمر تجهیزات را گسترش می دهد. جمع آوری داده های مداوم و آموزش مدل بهبود دقت پیش بینی در طول زمان.