Így használhatják a vállalatok a prediktív karbantartást

A prediktív karbantartást övező tévhitekről, és a technológiai előnyeiről Philipp Wallner, a MathWorks ipari vezetője beszélt egy MachineDesign interjúban.

A prediktív karbantartást övező tévhitek

Az előrejelző karbantartást gyakran tévesen „fekete dobozos” megoldásnak nevezték el, ahol a berendezések működési adatait felhasználva valamilyen módon megjósolják a gépek hátralévő élettartamát. Ez a feltételezés azonban figyelmen kívül hagyja a tartományi ismeretek fontosságát, amik egyedülállóak egy adott környezetben – ezek ugyanis döntő szerepet játszanak a hibákat észlelő és előrejelző programok fejlesztésében.

Azok a vállalatok és gyártók, amelyek előrejelző karbantartást alkalmaznak a gyártósorokon, számos előnyt élveznek. Azok a vállalatok pedig, amelyek nem használják, versenyhátrányba kerülhetnek. De a prediktív karbantartás előnyei minden olyan vállalat számára elérhetőek, amely hajlandó befektetni az erőforrásokat a gépi tanulás és a szakértelem ötvözésébe.

A gépi tanulás és a szakértelem összekapcsolása

A prediktív karbantartás egy nagyszerű alkalom a vállalatok számára, hogy elősegítsék az együttműködést az adattudományi és a mérnöki közösségekben. Az adattudósok a matematikai hátterük alapján hagyományosan részt vesznek a prediktív karbantartásban – mégis gyakran nem rendelkeznek ismeretekkel az adott szakterülettel kapcsolatban.

Vannak eszközök a folyamat egyszerűsítésére és az együttműködés kiépítésére, például szoftver szimulációs programok. Ezek a programok lehetővé teszik a felhasználók számára, hogy hatékony prediktív karbantartási algoritmusokat hozzanak létre, miközben biztosítják, hogy ezeknek az algoritmusoknak kevesebb szakterületi adatra legyen szükségük a betanításhoz. A programok segítséget nyújthatnak azoknak a felhasználóknak is, akik nem ismerik a prediktív karbantartást, lehetővé téve számukra, hogy különféle technikákkal kísérletezzenek.

A hibás adatokat előrejelző programok fontosságáról

A prediktív karbantartási algoritmusok legjobb kialakításához hibaadatokat kell összegyűjteni – ez a fajta adat azonban nehezen hozzáférhető. A probléma megoldása érdekében a szoftvereszközök szimulációs modellek segítségével segítik a hibaadatok előállítását annak meghatározására, hogy a fizikai berendezések hogyan működhetnek a terepen különböző tesztelési forgatókönyvek esetén.

A szoftverszimulációs eszközök leegyszerűsítik a hibaadatok előállításának folyamatát, lehetővé téve számukra a prediktív karbantartási algoritmusok megerősítését a nagy mennyiségű terepről származó adat begyűjtése nélkül. Emellett ezek az eszközök lehetővé teszik az operátorok számára az adatok előfeldolgozásának különböző módszereit és a prediktív modellekkel való kísérletezést is.

A prediktív karbantartásban várható tendenciák

Az elkövetkező években a vállalatoknak már látniuk kell a számítógépek gyorsan növekvő számítási teljesítményét. Emellett az ipari vezérlők új lehetőségeket nyitnak a szoftverek új dimenzióinak a termelési rendszerekben. Az előrejelző karbantartás mind a helyszínen, mind a berendezések közelében elérhetővé válik, felhasználva több gyár és különböző gyártók felszereléseinek adatait. Ezek a mesterséges intelligencia-alapú algoritmusok a követelményektől függően valós és nem valós idejű platformokban és rendszerekben is működni fognak.

Ezenkívül több felhőplatform is lesz, amelyek a prediktív karbantartás leghatékonyabb felhasználói lesznek, és a világ minden részéről továbbítják az adatokat a különböző platformokra. Némi szkepticizmus ellenére a vállalatoknak fel kell készülniük a felhőalapú prediktív karbantartásra, mivel a felhő lehetővé teszi a gyártók számára, hogy több területről gyűjtsenek adatokat, és hatékonyabban fejlesszék a prediktív karbantartási algoritmusokat – olvasható a MachineDesign oldalán.