Prediktivní údržba – vytvoření a zavedení modelu do produkce

By September 13, 2019 Umělá inteligence
22-2019-09-04-utrzymanie_predykcyjne

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.