zisky:
- Ví, která data indikují poruchu
- Dokáže předpovídat pomocí jednoduchého monitorování prahových hodnot
- Rozlišuje, co zde umělá inteligence může a co ne
Většina poruch nenastane náhle; dává signál předem. Nejčastějšími prekurzory jsou zvýšené vibrace, zvýšení teploty, změna odběru proudu a změna zvukového charakteru.
Data ke sledování
- Proud motoru: stoupající proud může indikovat zablokování nebo zadření ložiska.
- Teplota ložisek: nedostatečné mazání nebo nesouosost.
- Vibrace: nerovnováha, opotřebení, uvolnění.
- Rozdíl nasávacího tlaku: ucpání filtru.
- Efektivita výroby: klesající efektivita při stejném nastavení je nepřímým ukazatelem opotřebení.
Role umělé inteligence
Umělá inteligence sleduje vzor v těchto datech trpělivější než člověk: detekce „motorového proudu válce C2 se v posledních třech týdnech postupně zvyšuje“ zviditelní trend, který mohl být přehlédnut.
Umělá inteligence však nevidí poruchu, vidí data. Pokud neexistuje žádný senzor a nejsou zaznamenána žádná data, neexistuje žádná předpověď. Předpokladem prediktivní údržby je měření; software je druhým krokem.
Věta „AI předpovídá selhání“ je pravdivá pouze v případě, že existují data. Nejprve měřte, později modelujte. Sestavit model bez měření znamená dělat závěry z neexistujících informací.