Szenzorok és IoT-eszközök
Az érzékelők jelentik a prediktív karbantartás gerincét. Valós idejű adatokat gyűjtenek különféle paraméterekről, például hőmérsékletről, rezgésről, nyomásról, páratartalomról, működési időkről és távolságokról. Az IoT-eszközök megkönnyítik ezen adatok zökkenőmentes továbbítását a központi elemzőrendszerekbe.
Szenzortípusok:
Rezgésérzékelők: A motorok, szivattyúk és más forgó berendezések rezgésének figyelésére szolgálnak. A rezgésminták eltérései gyakran mechanikai problémákat jeleznek, mint például eltolódás vagy egyensúlyhiány.
Hőérzékelők: Mérik a hőmérséklet-változásokat a gépekben. A túlmelegedés gyakran csapágyhibákat vagy kenési problémákat jelez.
Akusztikus érzékelők: rögzítik a gépek által generált hanghullámokat. Az akusztikus minták változása hibákra, például repedésekre vagy szivárgásokra utalhat.
Optikai érzékelők: A fényminták figyelése, és a felületi hibák, az igazítási problémák és más vizuális anomáliák észlelésére szolgál.
Adatgyűjtés és -tárolás
A szenzorok által gyűjtött hatalmas mennyiségű adatot strukturált formátumban kell tárolni. Erre a célra gyakran használnak felhőalapú tárolási megoldásokat, amelyek méretezhetőséget és könnyű hozzáférést kínálnak.
Az SSI SCHÄFER peremhálózati eszközöket használ a valós idejű adatok vezérlési szintű eléréséhez, majd átviteléhez a Számítógépes Karbantartás Menedzsment Rendszerbe, a WAMAS Karbantartási Központba.
Adatgazdagítás
Előfeldolgozás: Az érzékelőktől gyűjtött nyers adatok olyan előfeldolgozási lépésekkel gazdagodnak, mint a szűrés, a normalizálás és az átalakítás. Ez alkalmasabbá teszi az adatokat az elemzésekhez és a gépi tanulási modellekhez.
Valós idejű feldolgozás: A valós idejű adatfeldolgozásra képes rendszerek azonnali betekintést nyújtanak, lehetővé téve az időben történő beavatkozást.
Haladó szintű analitika és gépi tanulás
Az összegyűjtött adatokat fejlett algoritmusok és gépi tanulási modellek segítségével elemzik. Ezek a technológiák képesek azonosítani azokat a mintákat és összefüggéseket, amelyek potenciális berendezéshibára utalnak.
Az SSI SCHÄFER-nél az egyedi karbantartási előzmények mellett a globális gépadatokat is felhasználják, amelyek a WAMAS Karbantartási Központon keresztül érhetők el. Ezen az alapon például anomáliák formájában mutatkozó eltérések mutathatók ki.
Az algoritmusok szerepe:
Lineáris regresszió: Előzményadatokon alapuló számértékek előrejelzésére szolgál.
Döntési fák: Osztályozási feladatokhoz és hibaminták azonosításához használják.
Neurális hálózatok: Hatékony a mély tanulási feladatokhoz, különösen hasznos az összetett minták és anomáliák felismerésében.
Anomália észlelés: Algoritmusok, amelyeket kifejezetten a normál működési paraméterektől való eltérések azonosítására terveztek, jelezve a lehetséges problémákat.
Gépi tanulási modellek:
Felügyelt tanulás: magában foglalja a modell betanítását a címkézett történelmi adatokon a jövőbeli eredmények előrejelzéséhez.
Megerősítő tanulás: A modellek próbálgatással javítják előrejelzéseiket, tanulva a múltbeli döntéseikből.
Felügyelet nélküli tanulás: Azonosítja a rejtett mintákat a címkézetlen adatokban, hasznos az anomáliák észleléséhez és klaszterezéshez.
Felhasználói felület és irányítópultok
Az adatelemzésből származó betekintést felhasználóbarát irányítópultok mutatják be. Ezek az interfészek lehetővé teszik a karbantartó csapatok számára, hogy figyelemmel kísérjék a berendezések állapotát, és valós időben kapjanak riasztásokat a lehetséges problémákról.
Vizualizációs eszközök: Az irányítópultok különféle vizualizációs eszközöket, például grafikonokat, hőtérképeket és trendvonalakat használnak az adatok intuitív bemutatására.
Valós idejű riasztások: Az azonnali értesítések gyors választ adnak a lehetséges problémákra, minimalizálva az állásidőt.
