I dette blogindlæg vil vi tale om fordelene ved at anvende begrebet resterende brugbare levetid, eller remaining useful life, på en maskinkomponent som en hoveddriver til planlægning af vedligeholdelse og påvisning af slid, før der opstår nedbrud. Der er et stort potentiale for både at reducere de samlede omkostninger ved vedligeholdelse og reservedele, men også for at øge den samlede oppetid ved at bruge data, når man planlægger vedligeholdelsesintervaller.
I vores tidligere blog post om forskellige tilgang til prædiktiv vedligeholdelse beskriver vi to forskellige typer af nedbrud, som vi sigter mod at se før de sker ved at udnytte maskinlæring og statistik. Den første fejltype er pludselige opståede fejl, som har en større sandsynlighed for at forekomme i de tidlige stadier af en komponents levetid. Vi estimerede sandsynligheden for at pludselige fejl, på den samme vandpumpe i forudsige maskinnedbrud på en vandpumpe
Med en sådan model var vi i stand til at registrere alle nedbrud 7-61 minutter, før de opstod. Dette betyder at det er muligt, selv med små datasæt, at registrere pludselige nedbrud minutter eller timer, før de sker.
En model der beregner remaining useful life kan forudsige den anden type nedbrud: Slid. Denne type nedbrud har en større sandsynlighed for at forekomme, når vandpumpen er gammel og komponenter har kørt i en længere periode. Furudsigelse af remaining useful life estimerer hvor mange år, måneder, uger eller dage vandpumpen har tilbage, før der vil ske et nedbrud på grund af slid.
Fordelen ved at være istand til at detekterer disse nedbrud er mange som:
- Reducerede omkostniner til reservedele (brug dem længere og hav færre på lager)
- Reducerede omkostniner til vedligeholdelse
- Reducerede omkostniner til overarbejde
- Reducerede omkostniner til kasserede produkter på grund af nedbrud
- Øget oppetid
- Øget kundestilfredshed (hvis du anvender lean i din produktion og producerer Just-in-Time)
- Øget medarbejdertilfredshed (når de ikke behøver at arbejde over)
- Øget sikkerhed (visse nedbrud kan skabe farlige situationer)
Endelig kan planlægning af vedligeholdelse ved hjælp af data give en ensartet og pålidelig produktion. I det følgende afsnit vil vi gennemgå en model der viser Remaining Useful Life på et vandpumpe datasæt.
Introduktion til Datasættet
Der findes nogle udfordringer med dette datasæt, som bør adresseres da dette er grundene til, at vi har valgt dette datasæt og ikke det berømte NASA dataset som eksempel.
Der er flere udfordringer med dette datasæt: det er lille, vandpumpens levetid er kort, og datasættet har en lav opsamlings frekvens. Datasættet er meget lille og har kun syv nedbrud, som er få, når du prøver at oprette en model, der kan forudsige resterende levetid på et komponent. Vandpumpens levetid er kort (se nedenstående tabel) hvilket antyder, at nogle af nedbrudene opstår på grund af pludselige fejl og ikke slid. Datasættet opsamles med en meget lav frekvens, vi har kun en observation hvert minut.
| # | Livstid i dage |
|---|---|
| 1 | 12 dage |
| 2 | 5 dage |
| 3 | 31 dage |
| 4 | 6 dage |
| 5 | 35 dage |
| 6 | 9 dage |
| 7 | 17 dage |
Vi har brugt de første fire nedbrud til træning, den femte til validering, og de sidste to vil blive brugt til at teste modellen.
Billedet herunder viser de sande og forudsagte værdier i dage til træning og validering, hvor sandt er orange og modellens forudsagte er blå. Som visualiseret kan modellen rigtigt forudsige nedbrudet i valideringen, men starter ud med at være optimistisk.
Korrekte vs forudsagte værdier for træning og validering
Test data er visualiseret nedenfor:
Korrekte vs forudsagte værdier for test
Modellen har problemer med at detektere det første nedbrud, hvilket kan skyldes vandpumpens korte levetid (9 dage). Dette ser ud til at være en pludselig fejl. Selvom modellen undervurderer vandpumpens levetid i begyndelsen af den sidste nedbrud, er den dog sikker på forudsigelsen, når der er ca. 8 dage tilbage. At være pessimistisk er en fordel for de fleste virksomheder, da nedbrud er dyrere end at skifte dele på et komponent.
Konklusion
At det er muligt at skabe en model der udregner Remaining Useful Life selv på baggrund af små datasæt, er overraskende. Resultaterne antyder, at vi kan skabe en model der udregner den resterende brugbare levetid, når vi har opsamlet (og hentet data) fra bare et par enkelte nedbrud, og forudsigelserne bliver bedre med flere data. Brug af en kombination af resterende levetid og pludselige nedbrud til at planlægge vedligeholdelse på maskiner har et enormt uudnyttet potentiale, som kan hjælpe din virksomhed med at udnytte maskinerne bedre, reducere de samlede omkostninger og forbedre den samlede oppetid.
// Maria Hvid, Machine Learning Engineer @ neurospace