예측 유지 보수 시스템은 장비 고장을 예측하기 위해 기계 학습 알고리즘을 사용합니다. 이 접근법은 산업이 적시 개입을 가능하게함으로써 가동 시간과 유지비를 줄일 수 있습니다. 다음 사례 연구는 제조 설정에서 이러한 시스템의 개발 과정을 설명합니다.

프로젝트 개요

이 목표는 기계에서 센서 데이터를 분석 할 수있는 시스템을 만드는 것이 잠재적 인 실패를 예측하는 것입니다. 이 프로젝트는 데이터 수집, 모델 교육, 배포 및 지속적인 모니터링을 사용하여 정확도와 신뢰성을 보장합니다.

데이터 수집 및 준비

센서 데이터는 6 개월 동안 다양한 기계에서 수집되었습니다. 데이터는 온도, 진동, 압력 및 작동 시간 포함. 분석 준비를 위해 무독한 값을 제거하고 데이터 청소를 포함하는 데이터 청소.

모델 개발

무작위 숲과 지원 Vector Machines와 같은 기계 학습 모델은 역사적인 데이터에 훈련되었습니다. 특징은 예측 능력을 향상시키기 위해 설계되었습니다. 모델은 과잉을 방지하기 위해 크로스 유효성 기술을 사용하여 검증되었습니다.

구현 및 결과

최고의 성능 모델은 API를 통해 제조 시스템에 통합되었습니다. 실시간 예측, 잠재적 인 실패의 유지 보수 팀 경고를 제공합니다. 구현은 계획되지 않은 가동 중단 및 낮은 유지 보수 비용의 20 % 감소로 결과되었습니다.