Использование сверхспособностей IOT, ML и Cloud.

Почему методы технического обслуживания нуждаются в капитальном ремонте?

Предприятия тратят значительную часть своего общего капитала на приобретение активов, которые ведут их основной бизнес. Надежность и доступность этих активов в значительной степени способствуют основному бизнесу. Идеальным и оптимизированным случаем будет случай, когда эти активы окупятся даже при наименьших затратах на техническое обслуживание.

В наш век передовых вычислений вполне возможно следить за этими активами из удаленных мест, пока они выполняют свои обязанности. В данной статье кратко рассматривается этот подход.

Интернет вещей и машинное обучение на грани — сбывшаяся мечта?

Стратегия машинного обучения, когда речь идет о тяжелом машиностроении, лучше использовать на стороне края, поскольку время реакции часто очень мало. Что такое преимущество?

Учитывая достижения в платах для разработки IOT — (например, плата Dragon — мощная плата для разработки размером с кредитную карту, Raspberry Pi-4), граничные вычисления стали намного более доступными, чем когда-либо.

Одно огромное преимущество, которое у нас есть, заключается в том, что нагрузка от облака может быть резко снижена. В облако можно перенаправлять только задачи, требующие больших вычислительных ресурсов. Снижение затрат на эксплуатацию облака.

Как МЛ?

Машинное обучение с точки зрения производства / тяжелого машиностроения может быть развернуто в перечисленных ниже сценариях.

  1. Когда необходимо предсказать конечный параметр (ток, температура и т. д.)
  2. Когда требуется осмотр объекта. (Годен/не годен для обслуживания)
  3. Когда для оптимальной работы требуется группировка активов (двигатели, подшипники, пружины и т. д.)
  4. Когда требуется предсказать аномалию в нормальном поведении актива.

Учитывая приведенные выше сценарии, мы можем выбрать контролируемый или неконтролируемый подход к обучению. Подробная информация о контролируемых или неконтролируемых методах обучения выходит за рамки этого документа. Вкратце, когда мы обучаем машину на помеченных наборах данных, таких как — (ток — столько-то ампер, температура — столько-то градусов и т. д.), нам лучше использовать контролируемый подход. Когда набор данных не помечен явно, может быть развернут неконтролируемый подход к обучению. Краткое изложение ,

Усилия и отдача:

Как и любое другое новое техническое вложение, развертывание решения для профилактического или профилактического обслуживания сопряжено с затратами. Продукты, основанные на аналитике, нелегко проектировать и развертывать, поэтому они сопряжены с дополнительными затратами. Как эти системы помогают?

  1. Циклы обслуживания теперь будут осуществляться по запросу и на основе данных.
  2. Поскольку циклы технического обслуживания управляются данными, бригады техобслуживания действительно знают, в чем проблема. (Например, электровоз подал сигнал бедствия из-за чрезмерной температуры окружающей среды в панели управления, бригады техобслуживания могут быть развернуты только для проверки систем отопления, вентиляции и кондиционирования или панельного охлаждения. , Активы не должны быть сняты с эксплуатации для капитального ремонта, когда это не требуется.)
  3. Превентивный характер этого подхода дает нам преимущество во время регулярных циклов капитального ремонта. Эти графики капитального ремонта можно использовать по максимуму после анализа журналов.

Обзор:

Аналитические продукты или услуги достаточно хороши только в том случае, если полученные и проанализированные данные действительно используются в процессе принятия решений. Если инсайты не анализируются и не возвращаются в систему, этот путь ведет в тупик. Успех этих продуктов зависит от усердия, с которым эти платформы развертываются и используются.

Б Сушант Шриватса

Инженер-железнодорожник, практик DS&ML.

Изображения предоставлены:

Поиск Google и IBM (курс профессиональной сертификации специалистов по науке о данных)