નફો:
- કયો ડેટા ખરાબી સૂચવે છે તે જાણે છે
- સરળ થ્રેશોલ્ડ મોનિટરિંગ સાથે આગાહી કરી શકે છે
- AI અહીં શું કરી શકે છે અને શું કરી શકતું નથી તે અલગ પાડે છે
મોટાભાગની ખામીઓ અચાનક થતી નથી; અગાઉથી સંકેત આપે છે. વધેલા કંપન, તાપમાનમાં વધારો, વર્તમાન ડ્રોમાં ફેરફાર અને ધ્વનિ પાત્રમાં ફેરફાર એ સૌથી સામાન્ય પૂર્વવર્તી છે.
ટ્રેક કરવા માટેનો ડેટા
- મોટર કરંટ: વધતો પ્રવાહ અવરોધ અથવા બેરિંગ ચોંટતા સૂચવી શકે છે.
- બેરિંગ તાપમાન: લ્યુબ્રિકેશનનો અભાવ અથવા ખોટી ગોઠવણી.
- કંપન: અસંતુલન, વસ્ત્રો, ખીલવું.
- એસ્પિરેશન પ્રેશર તફાવત: ફિલ્ટર ક્લોગિંગ.
- ઉત્પાદન કાર્યક્ષમતા: સમાન સેટિંગ સાથે કાર્યક્ષમતામાં ઘટાડો એ વસ્ત્રોનું પરોક્ષ સૂચક છે.
કૃત્રિમ બુદ્ધિની ભૂમિકા
આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ડેટાની પેટર્નને માનવ કરતાં વધુ ધીરજપૂર્વક અનુસરે છે: "છેલ્લા ત્રણ અઠવાડિયામાં C2 રોલરનો મોટર પ્રવાહ ધીમે ધીમે વધી રહ્યો છે" ની શોધ એ વલણને દૃશ્યમાન બનાવે છે જે કદાચ અવગણવામાં આવ્યું હશે.
જો કે, આર્ટિફિશિયલ ઇન્ટેલિજન્સ ખામીને જોતું નથી, તે ડેટા જુએ છે. જો ત્યાં કોઈ સેન્સર નથી અને કોઈ ડેટા રેકોર્ડ નથી, તો કોઈ આગાહી નથી. અનુમાનિત જાળવણી માટેની પૂર્વશરત માપ છે; સોફ્ટવેર એ બીજું પગલું છે.
"એઆઈ નિષ્ફળતાની આગાહી કરે છે" વાક્ય ડેટા હોય તો જ સાચું છે. પહેલા માપો, મોડલ પછી. માપ્યા વિના મોડેલ બનાવવાનો અર્થ એ છે કે અસ્તિત્વમાં નથી તેવી માહિતીમાંથી અનુમાન લગાવવું.