Gevinster:
- Ved hvilke data der indikerer en funktionsfejl
- Kan lave forudsigelser med simpel tærskelovervågning
- skelner mellem, hvad AI kan og ikke kan her
De fleste fejl opstår ikke pludseligt; giver et signal på forhånd. Øget vibration, temperaturstigning, ændring i strømtræk og ændring i lydkarakter er de mest almindelige forløbere.
Data at spore
- Motorstrøm: stigende strøm kan indikere blokering eller fastklæbning af lejet.
- Lejetemperatur: manglende smøring eller fejljustering.
- Vibration: ubalance, slid, løsning.
- Aspirationstrykforskel: filtertilstopning.
- Produktionseffektivitet: faldende effektivitet med samme indstilling er en indirekte indikator for slid.
Rollen af kunstig intelligens
Kunstig intelligens følger mønsteret i disse data mere tålmodigt end et menneske: Detekteringen af "C2-rullens motorstrøm er gradvist stigende i de sidste tre uger" synliggør en tendens, der måske er blevet overset.
Men kunstig intelligens ser ikke fejlen, den ser dataene. Hvis der ikke er nogen sensor, og der ikke registreres data, er der ingen forudsigelse. Forudsætningen for prædiktiv vedligeholdelse er måling; software er det andet trin.
Sætningen "AI forudsiger fiasko" er kun sand, hvis der er data. Mål først, model senere. At bygge en model uden at måle betyder at drage slutninger fra ikke-eksisterende information.