I sistemi di manutenzione predittivi utilizzano algoritmi di apprendimento automatico per prevedere guasti delle apparecchiature prima di esse. Questo approccio aiuta le industrie a ridurre i tempi di fermo e i costi di manutenzione consentendo interventi tempestivi.

Panoramica del progetto

L'obiettivo era quello di creare un sistema in grado di analizzare i dati dei sensori dai macchinari per prevedere potenziali guasti, il progetto ha coinvolto la raccolta dei dati, la formazione dei modelli, la distribuzione e il monitoraggio continuo per garantire precisione e affidabilità.

Raccolta e preparazione dei dati

I dati dei sensori sono stati raccolti da varie macchine per un periodo di sei mesi, i dati includono temperatura, vibrazioni, pressione e ore operative.

Sviluppo del modello

Modelli di apprendimento automatico come le macchine per il trasporto di energia elettrica e di supporto della foresta casuale sono stati formati su dati storici. Le caratteristiche sono state progettate per migliorare la potenza predittiva. I modelli sono stati convalidati utilizzando tecniche di valutazione incrociata per evitare l'eccessiva configurazione.

Attuazione e risultati

Il modello migliore performativo è stato integrato nel sistema di produzione tramite un API, che ha fornito previsioni in tempo reale, avvisando i team di manutenzione di potenziali guasti. L'implementazione ha portato a una riduzione del 20% dei tempi di fermo non pianificati e a costi di manutenzione inferiori.