Kun kone käyttäytyy eri tavalla, tiimisi tarvitsee lähtökohdan tutkimukselle. Selvitämme, miten tekoäly ja koneoppiminen voivat löytää muutoksia konedatasta, koota hyödyllistä tietoa ja auttaa seuraavassa tutkimusvaiheessa.
Tarkista anturit, kalibrointi, aikaleimat ja käyttötilanne. Säilytä luokitukset ja alkuperä.
02
Luo vertailutaso
Vertaa signaalisuureita ja tilastomenetelmiä ennen mallin koulutusta. Erota koulutusdata riippumattomasta testidatasta.
03
Validoi
Testaa väärät hälytykset, puuttuvat tapahtumat, muutos, viive, muisti ja teho koko käyttöalueella.
04
Sovella ja arvioi
Aloita rajatuista neuvoista. Vastuullinen insinööri tarkistaa tulokset ja muutokset sekä voi palauttaa aiemman version.
Teknologia
Ohjauksella ja oppimisella on eri vastuut
Deterministinen ohjaus suorittaa säännöt ajallaan. Signaalinkäsittely muuntaa mittauksia; tilastollinen tunnistus vertaa niitä lähtötasoon. Malli oppii parametrit koulutusdatasta, päättely soveltaa niitä uuteen dataan. Koulutus voi tapahtua työasemalla tai palvelimella. Paikallinen päättely vaatii oman resurssi- ja ajoitusvalidoinnin moottorisilmukoiden ja riippumattoman suojauksen ulkopuolella.
01 / Tutkimussuunta
Onko koneen toiminta muuttunut?
Lähtödata
Synkronoitu virta, nopeus, asento, lämpötila ja käyttötila kelpuutetuilla antureilla.
Ehdotettu tulos
Priorisoitu poikkeama insinöörin tutkittavaksi.
Suorituspaikka
Tutkimus työasemalla tai yhdyskäytävällä; paikallinen päättely validoidaan erikseen.
Tarvittava validointi
Terveet ja vialliset esimerkit, kuormamuutokset, väärät hälytykset, puuttuvat tapahtumat ja muutos.
Kone- tai huoltoinsinööri arvioi näytön ja päättää toimista. Automaattista diagnoosia, suojauksen ohitusta tai mitattua hyötyä ei ole osoitettu.
Luvallasi käytämme Google Analyticsia selvittääksemme, mitkä sivut auttavat kävijöitä ja miten verkkosivustoa voidaan parantaa. Analytics pysyy poissa käytöstä, kunnes hyväksyt sen.