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.
- Когда необходимо предсказать конечный параметр (ток, температура и т. д.)
- Когда требуется осмотр объекта. (Годен/не годен для обслуживания)
- Когда для оптимальной работы требуется группировка активов (двигатели, подшипники, пружины и т. д.)
- 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?
- Циклы обслуживания теперь будут осуществляться по запросу и на основе данных.
- 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.)
- 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)