כשלי ציוד חיזוי בייצור יכולים להפחית את עלויות התחזוקה והתחזוקה.על-ידי למידה, גישה למידת מכונה, משתמשת בנתונים היסטוריים כדי להכשיר מודלים החיזוי כישלונות לפני שהם מתרחשים.במקרה זה, מחקר בוחן כיצד למידה מבוקרת הוחלפה על מנת לשפר את אמינות הציוד.

איסוף נתונים והכנת

הנתונים נאספו מחיישנים שהותקנו על ציוד ייצור.חיישנים אלה רשמו פרמטרים כגון טמפרטורה, רטט, לחץ מחזורי תפעול.הנתונים הוטבעו על מנת לציין האם התרחשות כשל בתוך מסגרת זמן מסוימת. Data preמעבדת ניקוי, נורמליזציה ומיצוי תכונה כדי להכין אותו לאימון מודל.

בחירת מודל ואימון

כמה אלגוריתמים למידה מבוקרים הוערכו, כולל עצי החלטות, יערות אקראיים, ותומכים במכונות וקטור.מודל היער האקוורטי נבחר לדיוק ולחזקות שלו.המודל הוכשר ב-80% מהנתונים, עם 20% הנותרים שמורים לבדיקות.

תוצאות והטמעה

המודל המאומנים השיג דיוק של 92% בחיזוי כשלים.זהה בהצלחה סימני אזהרה מוקדמים, מה שמאפשר לצוותי תחזוקה להתערב באופן פרואקטיבי.היישום המעורב בשילוב המודל למערכת ניטור הקיימת, מתן תחזיות כשל בזמן אמת ואזהרות.

דרושים Key Takeaways

  • נתונים באיכות גבוהה חיישן חיוני לתחזיות מדויקות.
  • מודלים של למידה על-ידי פיקוח יכולים לחזות ביעילות את כשלי הציוד.
  • גילוי מוקדם מסייע להפחית את עלויות התחזוקה והתחזוקה.
  • מעקב אחר מודל רציף משפר את הדיוק החיזוי לאורך זמן.