了解制造业的预测维护

丹尼尔Faggella.
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

了解制造业的预测维护

假设很简单:

  • 设备故障或停机是非常昂贵的(想象一列火车在距离最近的车辆段数百英里的孤立轨道上发生故障)
  • 重型设备(发动机,风力涡轮机,制造机)产生各种数据流(热,振动,时间序列等)
  • 机器学习可用于检测该数据中的“故障模式”,帮助企业更有效地维护设备健康

把这个想法付诸实践一点也不简单。

即使是两个相同的设备(即制造作业中两个相同型号的钻头)也可能有独特的数据模式,因此需要独特的校准和诊断。探测热量的传感器在寒冷的季节可能不能很好地工作,或者在极端条件下可能会脱落或失去灵敏度。确定准确的什么数据作为诊断数据流对于一个特定的设备也是不容易的,并且可能需要昂贵和耗时的迭代。即使是在工业人工智能领域资金最充足的公司也仍然处于这种状态绕轴旋转为了找到机器学习的合适应用程序,以便为客户提供一致的结果。

尽管有这些挑战,我们的118bet官网 显示预测维护,成为跨所有重型工业部门的最资助的使用情况之一,从公用事业到运输到制造业和超越。通过减少停机时间和失败创建的成本节约是巨大的(想象在巨大的丰田植物中关闭制造线的成本,或者在海洋中间关闭石油钻井平台的成本)和机器学习适用于此工作所需的复杂模式识别 - 即使找到传感器和算法的正确应用,也是简单的。

在本文中,我们将探讨制造业的预测维护的使用情况,突出了过程的业务价值,所涉及的数据和数据处理以及业务结果以及工作流程的更改。

商业价值

对物理设备进行昂贵且耗时耗时。除了经过培训的专业人士的人类诊断努力的成本外,设备停机可能会产生下游生产力影响。

当一块制造设备(例如钻头或车床)关闭以进行维护时,将送入该机器的过程中库存必须停止或在其他地方进行路由。支持的内容库存可以为其他设备,运输和运营的劳动力创造不可预测的下游效果 - 更不用说潜在的未能满足客户的交付期望和截止日期。

由于设备故障或故障的费用和影响是如此重要,因此制造公司业务必须具有一致的维护和维护方案,以限制生产力中断,同时也保持密切脉冲对它最重要的设备的运作。

人工智能减少停机时间的潜力,同时还提金博宝官网高了整体维护和监控设备是显着的。降低风险和提高吞吐量(收入)对任何制造业都很重要。

相关文章:

涉及的数据

预测性维护应用程序利用各种数据类型:

  • 设备本身的传感器数据,包括:热传感器,振动传感器,运动传感器等等。
  • 可编程逻辑控制器(PLC)数据其中包括:输入到机器的输入、机器的输出、随着时间的推移对机器的人工指令以及其他因素。
  • 计算机视觉。例如:一种摄像头,该摄像头按向上或向下移动的次数,或者检查装配线上的产品质量。
  • 已知故障、问题或故障的时间序列数据-这可以绑定回传感器数据,以确定导致问题的机器状态。
  • 相关外部数据来源- 这可能涉及从生产线上的其他相关设备的数据,甚至是天气数据(如果天气或外部温度可能会影响机器性能)。

不同的设备需要不同的传感器组合,通常需要试验来确定哪种数据组合将是故障或机器功能的最佳预测器。

AI 1200x200 @ 2x入门

数据处理

跨职能的数据科学家团队(通常来自AI供应商公司,因为少数制造公司拥有内部数据科学人员)和机器维护专家一起工作,以确定可能是跟踪机器功能或故障最重要的因素。

这些对话导致假设关于可能是最佳维护指标的数据组合。例如,让我们说团队考虑如何预测某种情况机床。他们可能会问:

  • 在过去的故障实例中,这台机器一直提供什么PLC数据或模式?
  • 这台机器的哪些部分最有可能失败?
  • 温度,振动,压力等的变化可能会促使所述故障?

他们的一些问题可能有强有力的答案,而另一些问题则需要实验或变通。

为了得到一个比以前的非人工智能维护程序性能更好的解决方案,可能会尝试数据组合的多次迭代和不同的算法方法。由于数据和算法无法保证产生预期的结果,公司可能会发现,对于某些设备来说,非人工智能维护更可靠。

还应注意,交叉功能预测维护团队必须考虑将哪些机器集中在维护努力上。该决定将基于各种因素,包括:

  • 该机器公司运营中有多少(花费时间训练单一算法和一组传感器通常只有在许多宝贵资产上应用这些最佳实践时才有用)
  • 该机器或机器类型的失效成本
  • 传感器,PLC或其他数据可以用于预测该机器的故障(即较旧的计算机可能具有较少的电子数据蒸汽,并且可能或可能不值得投资,或者不值得投资预测维护目的)

吸收的演示视频,而过于简化,总结了大多数的一般价值主张的AI供应商预见性维护空间,即:利用多个数据流(包括,如果必要,第三方来源)创建仪表板或预测性能——允许制造商或重型设备所有者建立接口和应用在新的相互作用和维护他们的机器,data-informed方式:

此空间中的其他供应商包括C3.DataPRM无限正常运行时间, 和别的。并非所有预测维护供应商都在制造中运行。例如,Konux仅在铁路和机车上运营。

结果和影响

成功部署的预测性维护计划应该会导致:

  • 在给定的时间段内的灾难性失败较少
  • 所讨论的维护机器的整体停机时间较少
  • 对机器专家的手动诊断工作较少

虽然,该倡议将随着持久的成本而来:

  • 持续的迭代和测试传感器和预测性维护系统,以确保准确性和有效性
  • 维护和维护传感器和数据流
  • 更详细的用户界面关注点(例如,向用户提供预测和数据流,使他们能够驱动智能操作和运营业务)

从制造员工和管理层的角度来看,预测分析应用程序创建新的仪表板和指标来运行业务。其中一些接口可能允许精通技术的管理人员(或在IT或数据科学人员的帮助下的管理人员)创建新的数据视图和指标——允许以新的方式评估机器运行状况或跟踪生产。如果做得好,这些新的数据视图将允许团队只在需要时更有效地维护设备,并更有信心地管理吞吐量和生产,避免停机。

这也需要一些员工或经理制造地板上理解的基本面如何使用这些新数据流和传感器,这些员工可以有效地使用新的仪表板,和可以有效地参与跨职能团队来帮助维护人工智能工具,或寻找新的预测维护解决方案或方法为其他设备(阅读:主题专家的关键作用)。

EMERJ面试制造和预测维护

具有更深利于制造和预测性维护的读者可以享受我们的一些访谈AI在商业播客

Jurgen Schmidhuber,公司联合创始人兼首席科学家nnaisense.- Schmidhuber博士是机器学习领域的原创创新者之一,在这一集中,他探讨了AI的潜在用例,包括机器人灵巧,多用机器人等:

Tilak Kasturi,Ceo Timii- Tilak打破了“预测维护”的概念,并分享了他在未来5年内的工业物联网未来的思考:

Provikto的首席科学家麦金尼斯将- 在这一集中,将与我们谈论适用于改善铁路和机车设备的预测性维护:

订阅Business Podcast的AI与您最喜欢的播客服务:

iTunes-podcast.
soundloud-podcast.
Google-Podcast.
Stitcher-Podcast.

保持领先于AI曲线

发现在业务未来将赢家分开获奖者的关键AI趋势和应用程序。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅镜像
走在机器学习曲线的前面

加入超过20,000名专注于AI的商业领袖,每周接收我们最新的AI研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。