I tidligere blogpost viste vi, hvordan maskinlæring kan estimere den resterende brugbare levetid på en jetmotor, I dette blogindlæg sætter vi vores interne bibliotek, Cohen, på prøve ved at estimere det resterende brugbare levetid på NASAs jetmotor med seks forskellige forhold (0 til 20.000 fod) og en fejltilstand, HPC-nedbrud Bagefter vil vi teste den, når vi har to fejltilstande: HPC-nedbrud og blæsernedbrud.
Ofte når vi snakker om prædiktiv vedligeholdelse, referere vi til den metode hvor vi forudsiger nedbrud på en motor eller et leje, ved brug af data som vibration og omdrejningshastigheder. Der findes dog en anden metode, hvor vi anvender kameraer, til at kunne detektere slitage på eksempelvis stegebånd, rullebånd, rust på eksempelvis vindmøller eller lækage i rør.
Vi bliver ofte bedt om at forklare forskellen mellem tilstandsbaseret vedligeholdelse og prædiktiv vedligeholdelse. Dette blogindlæg vil give dig en omfattende forståelse af lighederne og forskellene mellem tilstandsbaseret vedligeholdelse og prædiktiv vedligeholdelse.
I dette blogindlæg taler vi om, hvordan vi kan bruge en usuperviseret lærings algoritme til at skabe værdi så hurtigt som muligt.
Uplanlagt nedetid er dyrt i mange aspekter inden for produktion. Det reducerer leveringsevne, kundetilfredshed og øger de samlede omkostninger. Så hvilken vedligeholdelsesmetode skal vi bruge for at reducere hyppigheden af nedetid?
En af de største anvendelser af kunstig intelligens og maskinlæring er prædiktiv vedligeholdelse - At forudsige sandsynligheden for, at maskiner skaber uplanlagt nedetid, således at service kan udføres inden skaden er sket.