Prediktivt underhåll är en populär tillämpning av prediktiv analys som kan hjälpa företag i flera branscher att uppnå högt tillgångsutnyttjande och besparingar i driftskostnader.
Kritiska tillgångar, som industrimaskiner, hissar eller fordon, måste köras på topp för att uppnå avkastning på investeringar och minska förlorade intäkter på grund av stillestånd. För underhåll av dessa tillgångar förlitar sig de flesta företag på antingen avhjälpande underhåll, där delar byts ut när de går sönder, förebyggande underhåll, där de bestämmer livslängden för en del, och underhåller eller byter ut den före ett fel, eller en kombination av båda.
Varför använda Prediktivt Underhåll?
Målet med förutsägande underhåll är att optimera balansen mellan korrigerande och förebyggande underhåll genom att möjliggöra just-in-time utbyte av komponenter. Detta tillvägagångssätt syftar till att minska den operativa risken för verksamhetskritisk utrustning och att öka avkastningen på tillgångar genom att förutsäga fel innan de inträffar. Förutsägande underhåll involverar vanligtvis utplacering av sensorbaserad diagnostisk övervakning i realtid, såsom fjärrsensorer, edge computing och IoT-plattformar.
Hur implementerar jag Prediktivt Underhåll?
Prediktivt underhåll kan implementeras på några olika sätt beroende på situationen. Du kan använda binär klassificering för att förutsäga sannolikheten att en utrustning misslyckas inom en framtida tidsperiod. Modellen, när den är tränad, bör identifiera varje nytt exempel på data, till exempel innebära vibrationer av en del under dagen, eftersom det är sannolikt att delar misslyckas eller fungerar normalt inom en framtida tidsperiod. Regressionsmodeller kan också användas för prediktivt underhåll och används istället för att beräkna den återstående livslängden för en tillgång. Modellen ska beräkna den återstående livslängden för varje nytt exempel som ett kontinuerligt tal som anger den tid som återstår före felet. Klassificeringstekniker med flera klasser är också användbara i vissa fall, till exempel för att förutsäga den mest sannolika orsaken till ett visst fel.
Valet av metod beror på affärsfallet och på tillgänglig data. Till exempel vid regression kan tillgångar utan några exempel på fel i data inte användas för modellering eftersom märkning görs med hänvisning till en felpunkt.
kan användas i kombination med AI för att förutsäga hjulets återstående livslängd. Det är en helhetslösning som inkluderar dataintag, datalagring, databehandling och avancerad analys. Det här exemplet använder flera Azure-tjänster inklusive Azure Stream Analytics för att analysera data för att tillhandahålla nästan realtidsanalys på indataströmmen från Event Hub, HDInsight används för att köra Hive-skript för att tillhandahålla aggregering av råhändelserna och Azure Machine Learning för att göra förutsägelser om den återstående livslängden som ska visas i Power BI. Azure Data Factory används för orkestrering, schemaläggning och övervakning.
Slutsats
Förutsägande underhåll kan hjälpa företag i flera branscher att uppnå högt tillgångsutnyttjande och besparingar i driftskostnader genom att möjliggöra just-in-time utbyte av komponenter genom att förutsäga fel innan de inträffar. Binär klassificering, regressionsmodeller eller flerklassklassificeringstekniker kan användas. Valet av metod beror på affärsfallet och på tillgänglig data. Det finns många tjänster som gör maskininlärningsprocessen enkel och integrerad, till exempel Azure machine learning.
Kontakta oss om du vill veta mer!
