Predictive Maintenance
PredictIT: Et system til tidlig opdagelse af fejl og unormal adfærd ved hjælp af kunstig intelligens – et skridt mod nem og enkel forudsigelig vedligeholdelse.
Alle maskiner har brug for vedligeholdelse på et tidspunkt – Få hjælp til at forudsige hvornår
PredictIT gør det nemt og enkelt at bruge kunstig intelligens (AI) til tidlig opdagelse af fejl og unormal adfærd. Systemet overvåger i realtid en maskines tilstand og giver en tidlig advarsel om tegn på et potentielt fremtidigt nedbrud. Den underliggende AI-model kan kun konstrueres ud fra normale driftsdata og kan forbedres ved hjælp af ekspertviden og erfaring.
Med PredictIT er det muligt at undgå uplanlagte nedlukninger på grund af fejl, reducere vedligeholdelsesomkostninger ved at give tidlige advarsler og forbedre vedligeholdelsesplanlægningen ved at opdage unormal adfærd.
Nøglefunktioner i PredictIT er:
- Kombinerer historiske data og ekspertviden/erfaring fra operatører og vedligeholdelsespersonale til en enkelt videnrepræsentation – AI-modellen
- Intuitive og gennemsigtige modeller, der beregner med manglende information
- Understøtter Human-and-in-the-loop løsninger
- Enkel integration med eksisterende IT-infrastruktur
PredictIT er baseret på Bayesianske netværk. En teknologi, der muliggør pålidelig, robust og forklarlig kunstig intelligens.
PredictIT Process
1. Data indsamling
Relevant data fra udstyrets målepunkter bliver gjort ledigt, dataen indsamles fra normal brug af udstyret.
2. Model konstruktion
De indsamlede dataset bruges til automatisk at estimere en model, der beskriver korrelationer mellem målepunkterne - når udstyret kører som normalt.
3. Inegration
Modellen bliver valideret og muligvis justeret ved brug af HUGIN, målepunkterne på udstyret er tilsluttet PredictIT
4. PredictIT er live
Modellen modtager kontinurligt data fra målepunkterne på udstyret, hvis værdierne fremstår "overraskende" til modellen, vil der bliver hævet alarmer og kilden for afvigelsen kan blive identiciferet.
JAKOB ØRUM
+45 20 60 50 82
joe@idoc.as
