Перед тим як вони відбуваються, перед вироком, використовують алгоритми машинного навчання для прогнозування несправностей обладнання. Такий підхід допомагає індустріям знизити витрати часу та обслуговування, дозволяючи своєчасно здійснювати втручання. У такому випадку дослідження ілюструє процес розробки такої системи в виробничому обстановці.

Огляд проекту

Мета роботи — створити систему, яка здатна аналізувати дані датчиків від машин для прогнозування можливих збiв. Проект залучає збір даних, моделювання, розгортання та постійний контроль, щоб забезпечити точність та надійність.

Збір даних та підготовка даних

Дані датчика зібрані з різних машин за періодом шести місяців. Дані включені температурні, вібраційні, тиск і робочі години. Очищення даних, залучені до видалення аномалії і заповнення відсутніх значень для підготовки до аналізу.

Розробка макетів

У статті вивчали моделі машинного навчання, такі як випадкові ліси та опорні векторні машини. Особливості були розроблені для підвищення передбачуваної потужності. Моделі були втілені за допомогою методів кросовалідації, щоб запобігти перенаряддуванню.

Результати та результати

Найкраща модель була інтегрована в виробничу систему через API. Вона забезпечує проведення оперативних прогнозів, оповіщення про обслуговування команд потенційних збiв. Реалізація призвело до зменшення 20% без планованих витрат на утримання.