Vi har tidligere givet en introduktion til superviseret læring, men der findes også usuperviseret læring. Denne blog post vil give dig en introduktion til usuperviseret læring og hvorfor det kan være smart at bruge til visse typer af problemer.
Skal Prædiktiv Vedligeholdelse følge med når i indkøber nye maskiner eller kan det tilføjes til materiel som i allerede har? Tidligere har vi skrevet om hvad du skal kigger efter i sensorer til prædiktiv vedligehold. I denne blog post vil vi dykke i dybden med hvordan du kan eftermontere sensorer på maskinerne som du har i din produktion i dag og komme i gang med prædiktiv vedligehold.
Indenfor maskinlæring er der en læringsform kaldet superviseret læring. Men hvad betyder “superviseret”? Er der nogle særlige overvejelser du skal gøre når du benytter superviseret læring? Læs videre og få en introduktion til superviseret læring.
I dette blogindlæg vil vi se, hvor meget bedre en maskinlærings model vi kan skabe, ved at have flere nedbrud tilgængelige til at træne på. Således har vi opdelt datasættet til 7, 30 og 100 nedbrud og vil se, hvor meget bedre en model bliver, når vi får en større repræsentation af nedbrydning grundet slitage.
Valg af de rigtige sensorer til prædiktiv vedligeholdelse kan være en jungle. Dette blogindlæg giver dig råd om, hvad du skal kigge efter, og hvordan du kan komme i gang på din rejse. Vi vil også se på typiske faldgruber, og hvad du skal være opmærksom på som kunde for at få de rigtige sensorer, der passer til din produktion.
Hvad er et P-F interval, og hvorfor er det vigtigt, når man taler om prædiktiv vedligeholdelse? I dette blogindlæg får du en introduktion til P-F-intervallet, og hvordan prædiktiv vedligeholdelse med maskinlæring kan forbedre påvisningen af potentielle fejl og give dig muligheden for at planlægge vedligeholdelse, før en fejl opstår.
Mange addressere maskinlærings projekter som en black-box løsning eller en produkt leverance.
Maskinlæringsprojekter, der leveres med rigtigt, er dog meget mere end det.
Det giver dig indsigt i, om du opsampler det rette data, og om dine hypoteser omkring mønstre i din produktion er sande.