预测维护和机器学习:福利和方法
经常被讨论为未来的主要部分预测维护在制造技术方面,机器学习是当今制造商可用的最有价值的工具之一,然而,人们对它的了解和利用仍然很少。然而,随着机器学习变得越来越普遍,也越来越熟悉,制造商可以获得越来越多的好处,尤其是在预测维护。
什么是机器学习?这是人工智能的一种形式,计算机算法利用现有的数据和条件来“学习”,从而基于以前的事件对未来做出预测。机器学习的独特之处在于,算法使用输入的数据来模拟越来越复杂的预测,而不改变算法的编程。由于用于预测性维护的技术可以收集大量数据,机器学习在这一领域具有巨大的潜力,可以提供巨大的好处。
制造业机器的机器学习与预测维护
机器学习(ML)是一种依赖于复杂的计算机编程的人工智能的先进形式。然而,在其核心,ML依赖于两个主要因素来工作:
- 数据
- 一个算法
机器学习数据有两种主要形式:历史数据和连续数据收集(几乎总是由工业传感器收集)。历史数据用于基本上获得算法,并开始其“培训”以产生预测模型并提高准确性。连续数据以更多信息的形式提高了模型的准确性。创建算法以收集,处理和分析数据 - 基本上,以了解可用的大量信息和分离“信号”(显着数据点))来自“噪声”(与预测模型无关的数据点)。对于数据有用并且算法有效地运行,数据必须“清洁”。必须组织它,必须正确地“描述”算法知道该怎么办。
例如,机器温度条件数据点的集合本身并不是那么有用——即使数据涵盖了一段时间,包括标准操作和故障。数据必须与相关事件相关联,以便算法“知道”某个数据点意味着“按预期运行”或“即将崩溃”(或“正在崩溃”,等等)。
有了数据和算法,就可以对机器进行各种类型的预测性维护建模。
主要型号有:
- 分类建模:提供布尔值(“是”或“否”)答案,分类建模很有用,因为它可以通过更少的数据生成结果。通常,分类建模用于预测机器是否会在给定时期中分解或保持操作。在预测维修方案中,这一时期通常是短暂的 - 可能是从现在的几个小时或一两小时。这允许维护人员了解他们是否应该尽快修理。
- 回归建模:回归建模更复杂,用于预测“剩余使用寿命”(RUL) - 剩余的时间,直到下一次故障。回归建模通常需要具有更多失败事件的更大数据集(并正确识别) - 但是一旦此数据可用,预测RUL的能力非常有用,允许更准确的维护计划和其他优点(更大详细介绍以下部分)。
机器学习和预测维护的好处
预测维护机器学习提供了大量的好处,比如:
- 减少故障,停机时间和修复时间:通过预测的维护和机器学习,维护运营人员始终如一地探视设备性能和预期的未来状态,具有巨大的准确性。这允许维护计划在导致意外的设备故障,计划外停机和低效的紧急维修之前解决问题。通过准备维护和规划较少破坏性时期,获得了许多运营效率。
- 降低维护成本:通过机器学习预测维护可以在几个区域中降低电路板上的维护成本。规划维护意味着部件可以根据需要定位或采购,无需昂贵的紧急订购。可以安排合适的人员,以便不需要产生额外的成本。此外,更少的停机时间意味着提高生产力 - 减少或消除制造业中最大资源废物之一。
- 少许备用零件库存需要:机器学习能够更准确地预测库存,特别是使用回归建模。这使得库存操作在任何给定的时间保持更少的零件在手边,因为它的需求现在被更大的信心预测。这可以减少库存占用和更精简的操作。
- 更准确的维修计划:总体而言,机器学习帮助设施准确规划人员,设备运营,库存,调度等的维护需求 - 导致所有资源更有效地利用所有资源。
具有ATS的预测维护解决方案
ATS拥有超过30年的工业维护经验,依靠先进的制造技术,包括传感器为机械健康监测那可靠性工程师的数据分析和规定行动。
了解更多信息,今天联系ATS。