AI 및 슬롯로 MRO의 예측 유지 보수 변환

장비 고장이 거의 제거되는 세상을 상상해보십시오. 문제가 문제가되기 전에 예측되고 해결되는 세계를 상상해보십시오. 이 미래는 예측 유지 보수의 발전을 통해 유지 보수, 수리 및 점검 (MRO)의 현실이 빠르게되고 있습니다.^[1]

AI 및 슬롯 중심의 통찰력으로 인해이 접근 방식은 자산 수명을 연장하고 기계 다운 타임을 최대 50%까지 줄일 수 있습니다.^[2]그러나 도전이없는 것은 아닙니다. 제한된 과거 슬롯, 희귀 장비 장애 및 슬롯 공유 제한 또는 재사용 성과 같은 문제는 예측 모델에서 간격을 생성 할 수 있습니다.

적응 형 자동 코더 구축

다양한 산업에서 MRO에 예측 분석을보다 쉽게 ​​액세스 할 수있게하려면 먼저 AI 및 슬롯의 힘을 활용하여 다재다능하고 미래 방지하는 기초 모델을 구축해야합니다. 시간이 지남에 따라 이러한 AI 중심 예측 모델을 개선하고 슬롯베이스를 확장하고 새로운 요구를 충족시키기 위해 모델을 발전시킬 수 있습니다.

예측 유지 보수 접근법의 핵심에는 슬롯가 제한된 MRO 애플리케이션에 특히 효과적인 유연한 딥 러닝 모델 인 Autoencoder입니다.

비즈니스가 복잡한 슬롯를 이해하는 데 도움이되는 신경망의 유형 인 Autoencoders는 이상 탐지 및 차원 감소에 강력한 응용 프로그램을 제공합니다. 각 네트워크는 인코더를 통해 슬롯를 요약 된 형태로 압축하고 디코더를 사용하여 재구성합니다.

마법은 슬롯가 가장 필수적인 기능으로 증류되어 의미를 유지하면서 복잡성을 줄이는 "병목 현상"레이어에서 발생합니다. 이로 인해 오토 코더는 대형 슬롯 세트를 단순화하고 특이 치를 식별하는 데 이상적입니다.

또한 설명 가능한 AI를 사용하여 모델에보다 액세스 할 수 있고 사용자 친화적입니다. 이를 통해 예측 모델의 통찰력은 정확하지 않을뿐만 아니라 해석하기 쉽습니다. 비 기술적 사용자들 사이에서도 신뢰를 구축합니다.

By building a robust repository of adaptive autoencoders and tackling challenges like data scarcity, we are enhancing our ability to more accurately predict failures, minimise unplanned downtime, and optimise asset management.

바다, 육지 및 그 너머의 운전 입양

예측 유지 보수 이니셔티브의 초기 결과는 이미 실제 영향과 확장 성을 보여주고 있습니다. 에서Marine섹터, 우리의 예측 유지 보수 솔루션은 특수 해상 선박의 신뢰성을 유지하는 데 중요한 역할을 해왔습니다. 엔진 성능 슬롯를 분석함으로써, 우리는 차세대 해안 경비대 순찰대에서 기계적 문제의 초기 징후를 성공적으로 감지하는 자동 인코더를 개발했습니다.

우리는 또한 공항의 라이브 시험에서 승객 로딩 다리를 모니터링하기 위해 예측 유지 보수 모델을 배포했습니다. 에어로브리지는 공항 운영에 중요하며 원활하게 작동하는 것이 최우선 과제입니다.

당사의 솔루션에는 진동 패턴 및 기타 성능 표시기를 추적하는 센서가 다리를 장착하는 것이 포함되었습니다. 딥 러닝 기반 이상 탐지를 통해 우리의 시스템은 향후 고장을 나타낼 수있는 미묘한 편차를 식별했습니다.

^[1]U.S. 에너지 부.운영 및 유지 보수 모범 사례 가이드 : 릴리스 3.0. 기사보기.
^[2]바이킹 분석. (2023, 3 월 6 일).예방 대 예측 유지 보수 : 다운 타임 감소에 더 효과적인. 중간.기사보기.