Соавторы Анураг Бхатия, Саурабх
Прежде чем мы начнем обсуждать роль искусственного интеллекта (ИИ) в профилактическом обслуживании на основе IoT, позвольте мне кратко рассказать, где и почему он необходим.
С чего все началось
Производство — уникальная отрасль, в которой многие компании не знают фактическую стоимость обслуживания своей инфраструктуры. Они справляются с риском непредвиденных простоев, несмотря на профилактическое обслуживание. Поэтому отрасли все больше полагаются на модели обработки данных, чтобы понять свое рабочее поведение и влияние профилактического обслуживания на ожидаемые потери.
Профилактическое обслуживание ранее использовалось для предотвращения предстоящих сбоев, которые вынуждают организации идти на компромиссные ситуации. Но благодаря непрерывному развитию модели машинного обучения (МО) позволяют организациям преодолевать барьеры компромиссной ситуации, избегая незапланированных простоев и сводя к минимуму запланированные.
Стратегии формулирования проблем профилактического обслуживания
Задачу профилактического обслуживания можно сформулировать разными способами, но, по-видимому, следующие блоки являются строительными блоками при формулировании и описании проблемы.
Статус сбоя можно отслеживать с помощью алгоритмов классификации и обнаружения аномалий, которые работают на необработанных и специально разработанных наборах данных с датчиков.
Наборы данных, используемые в этих системах, должны пройти тщательный процесс исследовательского анализа данных и со временем формировались на основе отзывов инженеров по техническому обслуживанию.
Окончательные оповещения могут отображаться на приборной панели или отправляться по электронной почте/SMS обслуживающему персоналу объекта.
Сложность проблемы профилактического обслуживания
Сложность — это многогранное явление, включающее множество особенностей, включая беспорядок, нелинейность и самоорганизацию. Параметры измерения сложности перечислены ниже по порядку (с вероятными результатами они могут меняться), но в основном они измеримы.
Сущностями в нашем случае могут быть сайты, местоположения сайтов или датчики.
Транзакции могут быть получены из выходных данных датчиков, журналов обслуживания и записей телеметрии.
Нарушения могут быть связаны с местоположением, эксплуатацией, обслуживанием или отсутствием обслуживания, отслеживанием неправильной конфигурации из-за отказа деталей.
Обслуживаемая система может быть разного типа, например, механическая, электрическая, программная или аппаратная.
Роль клиента (будь то внутренняя или внешняя) является важным условием в различных областях сложности проблемы, таких как знание предметной области, релевантность предупреждений и удобство использования системы.
Чтобы измерить сложность, нам нужно применить условия, определенные выше, и проанализировать итерации, используемые для достижения надежности, приемлемости и модульности приложения. Это достигается за счет оптимизированных вычислительных ресурсов.
Что дальше?
Давайте углубимся в наборы данных, модели, выводы, оценку и оптимизацию в следующих статьях:
[Часть 3] Как ИИ меняет прогнозное обслуживание на основе IoT: вывод, оценка и оптимизация
