Category

Umělá inteligence

22-2019-09-04-utrzymanie_predykcyjne

Prediktivní údržba – vytvoření a zavedení modelu do produkce

By Umělá inteligence

V posledních dvou článcích o prediktivní údržbě, založené na umělé inteligenci, jsme vysvětlili samotný proces, rozdíl mezi ostatními metodami údržby a ukázali jsme dvě fáze nezbytné pro vývoj modelů prediktivní údržby. V tomto článku se zaměříme na závěrečné fáze, pojďme na to!

Shrňme všechny kroky potřebné k vytvoření predikčního modelu:

  • Sběr, filtrace, analýza a třídění dat – strojové učení vyžaduje k trénování velké množství kvalitních dat.
  • Výběr správného modelu na základě požadavků na predikci.
  • Trénování, hodnocení a ladění hyperparametrů – tyto kroky je potřeba opakovat, dokud není dosaženo přesné predikce.

Podívejme se, co se děje během třetí fáze.

22-2019-09-30-f152da90-2ae9-4a39-953f-e26ae77f5d52

Fáze 3: Výstavba, instalace a implementace řešení v produkčním prostředí

1

Když jsme spokojeni s výsledky predikce naší neuronové sítě, je čas implementovat predikční model na produkci. Budeme muset navrhnout architekturu a vyvinout aplikaci.
2

Poté přistoupíme k instalaci a testování řešení v testovacím prostředí. S využitím nejnovějších údajů provádíme jak prediktivní údržbu v testovacím prostředí, tak plánovanou údržbu, abychom výsledky. Toto validační období potvrdí správnost modelu a umožní jeho implementaci do produkce.
3

Instalace a implementace osvědčeného prediktivního řešení neznamená úplné nahrazení pravidelných kontrol. Vyskytují se však méně často – čím vyšší je účinnost modelu, tím méně často je nutné provádět kontroly.

Po implementaci řešení prediktivní údržby do produkčního prostředí musíme stále shromažďovat data. Kromě toho musíme sledovat veškeré informace o změnách v zařízení nebo jeho konfiguraci – to by mohlo mít dopad na přesnost predikce. Poslední fází tohoto procesu je údržba modelu.

Fáze 4: Údržba prediktivního modelu na produkci

Se sběrem nových dat na produkci je náš model v testovacím prostředí pravidelně znovu trénován a testován proti současnému modelu. Pokud je jeho přesnost vyšší, nahrazuje model na produkci, čímž se zvyšuje přesnost řešení. Data postupně zastarávají, a proto je nutné trénovat model na těch nejnovějších.

Zdánlivě malé změny ve výrobním systému mohou změnit přesnost predikce modelu. Proto je důležité po úpravách systému model vždy modifikovat.

Výhody

Tento proces se často jeví jako velmi časově náročný, ale stojí za to. Postupem času se tato investice vrátí více než jednou. Jaké výhody plynou pro firmy z implementace řešení prediktivní údržby?

12

Snížení nákladů na údržbu

9

Zkrácení doby odstavení stroje při servisu

14

Snížení rizika poškození zařízení, zdraví a životního prostředí

20

Prodloužení životnosti kontrolovaných aktiv

 Zdroj: Studie provedená PwC.

Prediktivní údržba založená na umělé inteligenci je jednou z mnoha praktických aplikací strojového učení v průmyslu. Brzy Vám přiblížíme další!

Přihlaste se k odběru našeho newsletteru a dostávejte pravidelně informace o nových technologiích.

22-2019-08-30-oze

PROGO – Předpověď produkce energie z obnovitelných zdrojů

By Energetika, R & D, Umělá inteligence

Náš výzkumný a vývojový tým aktivně pracuje na inovativních IT projektech a spolupracuje s nejprestižnějšími technickými univerzitami a výzkumnými zařízeními. Řešení pro různá průmyslová odvětví jsou implementována v mnoha společnostech po celém světě. Jedním z našich projektů pro energetický sektor je PROGO – systém, který bude produkovat dostupné předpovědi výroby energie z obnovitelných zdrojů energie (OZE). Nedávno jsme dokončili druhou fázi tohoto projektu.

Co je PROGO?

PROGO je řešení pro přesnou predikci produkce OZE založenou na oblastech. Na rozdíl od bodových předpovědí umožňuje tato metoda významné snížení nákladů, což umožňuje zahrnout do prognózy mnoho malých a středních výrobců. V současné době to z důvodu nedostatečné ziskovosti není možné a jejich energetický potenciál je nevyužit.

Jaký rozdíl udělá?

Implementace PROGO okamžitě sníží cenu energie z OZE a současně zvýší její dodávku. Předpověď provedená tímto systémem bude zahrnovat nové zdroje a aktuální zatížení sítě. Schopnost předvídat spotřebu a výrobu v různých časových horizontech a různé frekvenci v závislosti na potřebách pomůže stabilizovat a zabezpečit síť.

Další milník

Nedávno jsme dokončili druhou fázi tohoto projektu. Fáze byla ukončena validací a testováním predikčních dat PROGO. Spolupracovali jsme s Enea, provozovatelem polské distribuční soustavy, odkud jsme obdrželi data nezbytná pro kontrolu kvality předpovědi běžného využití zákazníkem.

Náš systém byl testován v severozápadní části Polska – perfektní testovací místo. V létě zažívá tento region velký příliv turistů, což znamená obrovské energetické nároky. V této oblasti se také nachází řada různých obnovitelných zdrojů energie včetně větrných turbín a několika malých vodních elektráren s asi 100 odběrateli. To nám umožnilo vyzkoušet naši predikci v náročném reálném prostředí.

22-2019-09-02-OZE_progo

Testy začaly v dubnu 2016 a trvaly 33 měsíců. Poté byla shromážděná data přenesena a analyzována. Použili jsme je k vytvoření a aktualizaci nových modelů hlubokého učení a ke konfrontaci předvídaných hodnot se skutečnými požadavky.

Akceptační práh směrodatné odchylky, který byl uveden v přípravách našeho projektu, byl 20 %.

Výsledky

Směrodatná odchylka:

8,5% - 10,1
pro větrné turbíny
5%-7,7
pro malé elektrárny
6,7
pro celou testovací oblast

Po nastavení korekcí se nám podařilo snížit směrodatnou odchylku na 6,1 %. Tyto výsledky přesnosti byly lepší než prahová hodnota přijatelnosti – což znamená, že jsme ve druhé fázi projektu PROGO uspěli.

Pokud se chcete dozvědět více o našem nedávném posunu ve výzkumných projektech, kontaktujte nás! Rádi zodpovíme Vaše dotazy.