Table of Contents
سیستم های تعمیر و نگهداری پیش بینی شده از الگوریتم های یادگیری ماشین برای پیش بینی خرابی های تجهیزات قبل از وقوع استفاده می کنند، این رویکرد به صنایع کمک می کند تا هزینه های خرابی و نگهداری را با فعال کردن مداخلات به موقع کاهش دهند. مطالعه موردی زیر نشان دهنده روند توسعه چنین سیستم در یک محیط تولیدی است.
پروژه
هدف ایجاد یک سیستم قادر به تجزیه و تحلیل داده های سنسور از ماشین آلات برای پیش بینی شکست های بالقوه بود.این پروژه شامل جمع آوری داده ها، آموزش مدل، استقرار و نظارت مداوم برای اطمینان از دقت و قابلیت اطمینان است.
جمع آوری داده ها و آمادگی
داده های سنسور از ماشین های مختلف در طول یک دوره شش ماهه جمع آوری شد.اطلاعات شامل دما، لرزش، فشار و ساعت های عملیاتی بود. تمیز کردن داده ها شامل حذف ناهنجاری ها و پر کردن ارزش های از دست رفته برای آماده سازی برای تجزیه و تحلیل.
مدل توسعه
مدل های یادگیری ماشین مانند جنگل های تصادفی و ماشین آلات پشتیبانی در داده های تاریخی آموزش دیده بودند.ویژگی های مهندسی شده برای افزایش قدرت پیش بینی شده بود. این مدل ها با استفاده از تکنیک های متقابل-validation برای جلوگیری از بیش از حد قابل استفاده بودند.
پیاده سازی و نتایج
مدل بهترین عملکرد در سیستم تولید از طریق یک API یکپارچه شده است. پیش بینی های زمان واقعی را ارائه داد و تیم های تعمیر و نگهداری شکست های بالقوه را هشدار داد.این پیاده سازی منجر به کاهش 20٪ در هزینه های تعمیر و نگهداری غیر برنامه ریزی شده و پایین تر شد.