Данные задействованы в каждой отрасли. С помощью более сложных алгоритмов искусственного интеллекта из данных собирается больше информации, чтобы раскрыть то, что неизвестно. Производство, особенно автомобилестроение, является одной из отраслей, которые получают максимальную отдачу от ИИ, особенно в прогнозной аналитике. В этой статье будет рассмотрено влияние ИИ на профилактическое обслуживание.
В обрабатывающей промышленности проводятся регулярные мероприятия по техническому обслуживанию, чтобы избежать незапланированных простоев. Однако в большинстве случаев операторы не могут предвидеть поломки до того, как они произойдут. Решения для широкого профилактического обслуживания основаны на правилах; следовательно, они не всегда могут реагировать на изменение моделей поведения. Кроме того, определение этих правил сложно реализовать и нелегко масштабировать. Пороговые значения правила различаются от одной машины к другой.
С появлением ИИ в производственном секторе решения по техническому обслуживанию также стали более компетентными. В настоящее время решения для профилактического обслуживания на основе ИИ могут обнаруживать аномалии за несколько часов или дней до того, как произойдет отказ оборудования. Благодаря более обобщенным алгоритмам решения легко масштабируются на несколько машин. Кроме того, реализация относительно проста. Нет необходимости в дополнительном оборудовании.
Простота — это ключ к созданию моделей машинного обучения. Сложные модели машинного обучения склонны к запоминанию данных, и при тестировании в производстве эти модели более склонны реагировать на малейшие несоответствия во время производства. Сложные модели, как правило, включают систему сигнализации, которая предупреждает операторов, даже если неисправности нет. В конце концов, операторы теряют доверие к возможностям модели. Однако модели ML могут обнаруживать аномалии с помощью относительно простой модели. Очень важно найти золотую середину между простотой и сложностью, чтобы не вызывать тревогу часто, а только при наличии фактического дефекта. Поскольку таким образом модели становятся более обобщенными, их также можно быстро адаптировать к новым машинам.
В быстро меняющихся отраслях нет времени на остановку, вызванную незапланированным простоем оборудования. У ведущих производителей, таких как наш клиент, производящих около 600 автомобилей в день, стоимость остановки линии на пару часов слишком высока, чтобы рисковать. Когда дело доходит до обслуживания этих машин, действия должны быть упреждающими, а не реактивными.
В KoçDigital модели профилактического обслуживания на основе искусственного интеллекта могут быть созданы на основе единых данных о токе электроэнергии с устройств IoT. С помощью высокочастотных необработанных данных об электроэнергии модели ИИ могут создавать аналитические данные для обнаружения аномалий, которые приводят к серьезным неисправностям в машинах. В течение двухмесячного пилотного периода у нашего клиента-производителя автомобилей наши модели обнаружили 6 часов незапланированного простоя. Шесть часов простоя могут существенно повлиять на производственную линию в автомобильной промышленности. Помимо улучшения функционирования производственной линии, хорошо спланированные заказы на техническое обслуживание помогают снизить затраты на техническое обслуживание.
Современные методологии профилактического обслуживания в ИИ оказывают существенное влияние на обнаружение аномалий. Однако без предписывающей части модели не могут понять источник проблемы. С развитием моделей ИИ в ближайшем будущем предписывающая аналитика будет больше использоваться в производстве.
Берк Барис | Старший консультант по аналитике, KoçDigital
