અનુમાનિત જાળવણી અને એન્જિન રૂમની સ્થિતિનું નિરીક્ષણ

નફો:

• AI સાથે કંપન, તાપમાન અને તેલ વિશ્લેષણ ડેટાનું અર્થઘટન કરીને નિષ્ફળતા પહેલા પ્રારંભિક ચેતવણી ઉત્પન્ન કરવાની ક્ષમતા
• આયોજિત જાળવણી સાથે અનુમાનિત જાળવણી (નિષ્ફળતા પહેલાની આગાહી) તર્કને જોડતું માળખું સ્થાપિત કરવાની ક્ષમતા
• સેન્સર ગુણવત્તા અને એન્જિનિયરિંગ જ્ઞાન સાથે AI ની નિષ્ફળતાની આગાહી અને મૂળ કારણ અર્થઘટનને માન્ય કરવાની ક્ષમતા

મધ્યમાં સેંકડો કિલોમીટર સમુદ્ર હોય તેવી જગ્યાએ જહાજનું એન્જિન રૂમ નિષ્ફળ ન થઈ શકે. સમુદ્રમાં મુખ્ય એન્જિન નિષ્ફળતા; તેનો અર્થ છે ડ્રિફ્ટ, પર્યાવરણીય જોખમ, બચાવ ખર્ચ અને સફરમાં વિલંબ. તેથી, જાળવણી વ્યૂહરચના એ જહાજની સલામતી તેમજ તેની અર્થવ્યવસ્થાનો એક ભાગ છે. શાસ્ત્રીય અભિગમમાં, જાળવણી ક્યાં તો કોઈ ખામી (સુધારાત્મક) અથવા શેડ્યૂલ (સામયિક) અનુસાર કરવામાં આવે છે. અનુમાનિત જાળવણી આ બેથી આગળ વધે છે: તે સેન્સર ડેટામાંથી સાધનસામગ્રીના "સ્વાસ્થ્ય" પર નજર રાખે છે અને બિનજરૂરી અકાળ વિખેરી નાખવાને ટાળીને, નિષ્ફળતા પહેલા ક્યારે દરમિયાનગીરી કરવી તે નિર્ધારિત કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ ડેટાના અર્થઘટન અને નિર્ણયને સમર્થન આપે છે.

પરંતુ નિર્ણાયક સિદ્ધાંત: AI આઉટપુટ જેમ કે "આ બેરિંગ 400 કલાકમાં નિષ્ફળ જશે" અથવા "આ વાઇબ્રેશન સામાન્ય છે" ભૌતિક બુદ્ધિગમ્યતા, કાચા ડેટાની સમીક્ષા અને જાળવણીનો નિર્ણય લેતા પહેલા સક્ષમ મિકેનિકલ એન્જિનિયર/ચીફ એન્જિનિયર મૂલ્યાંકન દ્વારા પુષ્ટિ મળે છે. ખોટો "કોઈ પ્રોબ્લેમ" આઉટપુટ ખામીને ટ્રિગર કરી શકે છે, અયોગ્ય "રિપ્લેસ અર્જન્ટ" આઉટપુટ લાખો બિનજરૂરી ડિસમન્ટલિંગને ટ્રિગર કરી શકે છે.

વિભાવનાઓ: સ્થિતિનું નિરીક્ષણ: કંપન, તાપમાન, દબાણ, તેલ વિશ્લેષણ જેવા માપ દ્વારા સાધનની સ્થિતિનું સતત નિરીક્ષણ. વિસંગતતા: એક માપ જે સામાન્ય પેટર્નથી વિચલિત થાય છે અને ધ્યાનની જરૂર છે. બાકી ઉપયોગી જીવન (RUL): ઘટકની નિષ્ફળતા સુધીનો અંદાજિત સમય. ખોટા એલાર્મ (ખોટા હકારાત્મક): જ્યારે વાસ્તવમાં કોઈ સમસ્યા ન હોય ત્યારે સિસ્ટમ ચેતવણી આપે છે. ચૂકી ગયેલી ખામી (ખોટી નકારાત્મક): જ્યારે વાસ્તવિક ખામી હોય ત્યારે સિસ્ટમ શાંત રહે છે; ભૂલનો સૌથી ખતરનાક પ્રકાર.

સેન્સર ડેટાથી લઈને નિર્ણય સુધી

અનુમાનિત જાળવણી એ ડેટા ચેઇન છે. પ્રથમ રિંગ, સેન્સર્સ: વાઇબ્રેશન (બેરિંગ અને ગિયર હેલ્થ), તાપમાન (બેરિંગ, એક્ઝોસ્ટ), દબાણ (તેલ, શીતક), તેલ વિશ્લેષણ (ધાતુના કણો વસ્ત્રો સૂચવે છે) અને એન્જિન કામગીરીના પરિમાણો (સિલિન્ડર દબાણ, એક્ઝોસ્ટ તાપમાન વિતરણ). બીજી લિંક ડેટા ગુણવત્તા છે: ખરાબ સેન્સર, છૂટક કેબલ અથવા કેલિબ્રેશન ડ્રિફ્ટ "નિષ્ફળતા" જેવું લાગે છે. જ્યારે AI કોઈ વિસંગતતાને ફ્લેગ કરે છે ત્યારે પહેલો પ્રશ્ન છે: શું આ વાસ્તવિક મશીન સમસ્યા છે કે સેન્સર/ડેટા સમસ્યા?

ત્રીજી કડી, પેટર્ન અને વલણ: AI ઐતિહાસિક ડેટા સાથે તેની સરખામણી કરીને માનવ આંખ કરતાં વહેલા ધીમા બગાડના વલણને શોધી શકે છે (દા.ત. એક્ઝોસ્ટ ટેમ્પરેચર ચડતા અઠવાડિયા) ચોથી રિંગ, નિર્ણય: AI નિષ્ફળ ઉમેદવાર અને અંદાજિત સમય વિન્ડો સૂચવે છે; પરંતુ વિખેરી નાખવાનો, ભાગો બદલવાનો અથવા સફરને મુલતવી રાખવાનો નિર્ણય શારીરિક તપાસ અને એન્જિનિયરની મંજૂરી સાથે લેવામાં આવે છે.

અનુમાનિત જાળવણીનું સૌથી મૂલ્યવાન પરિણામ એક ચોક્કસ તારીખ નથી; તે પ્રારંભિક અને વિશ્વસનીય ચેતવણી છે જેથી એન્જિનિયર આયોજિત, સલામત સમય અને પોર્ટ પર દરમિયાનગીરી કરી શકે. "તે બેરિંગ 412 કલાકમાં નિષ્ફળ જશે" જેવી ખોટી નિશ્ચિતતાને બદલે, "આ બેરિંગ નિષ્ફળ જવાની વૃત્તિ ધરાવે છે, આગામી જાળવણી વિંડોમાં તપાસવી જોઈએ" જેવી માહિતી વધુ ઉપયોગી અને પ્રમાણિક છે.

સાવધાન: ખોટા અલાર્મ કરતાં ચૂકી ગયેલી ખામી (ખોટી નકારાત્મક) વધુ ખતરનાક છે. જ્યારે સિસ્ટમ કહે છે કે "બધું સામાન્ય છે", સમુદ્રમાં ખામી એટલે વિલંબિત પ્રતિભાવ અને સલામતીનું જોખમ. એટલા માટે એકલા AI ના "કોઈ પ્રોબ્લેમ" આઉટપુટ પર નિર્ણાયક સાધનો પર વિશ્વાસ કરી શકાય નહીં; નિયમિત ભૌતિક નિરીક્ષણ અને ઉત્પાદકના જાળવણી અંતરાલો જાળવવામાં આવે છે.

ખોટા એલાર્મ અને ટ્રસ્ટ બેલેન્સ

અનુમાનિત જાળવણીનો વ્યવહારુ પડકાર એ ખોટા એલાર્મ અને ચૂકી ગયેલી નિષ્ફળતા વચ્ચેનું સંતુલન છે. અતિશય સંવેદનશીલ સિસ્ટમ સતત ચેતવણીઓ જારી કરે છે, ટીમ ચેતવણીઓમાં વિશ્વાસ ગુમાવે છે ("ચેતવણી થાક") અને વાસ્તવિક ચેતવણીને ગંભીરતાથી લેતી નથી. સિસ્ટમ જે ખૂબ ઢીલી છે તે વાસ્તવિક નિષ્ફળતાઓને ચૂકી જશે. AI મોડલ આ સંતુલન કેવી રીતે હાંસલ કરે છે તેનું મૂલ્યાંકન ઐતિહાસિક ડેટા પરના તેના પ્રદર્શન દ્વારા થવું જોઈએ (તેણે કેટલી વાસ્તવિક નિષ્ફળતાઓ પકડ્યા, કેટલા ખોટા અલાર્મ તે જનરેટ કર્યા). મોડેલે કદાચ ક્યારેય નવો પ્રકારનો દોષ જોયો નથી કે જેના પર તેને તાલીમ આપવામાં આવી ન હતી; એટલા માટે "મોડેલ-અદ્રશ્ય" દૃશ્યો માટે માનવ દેખરેખ આવશ્યક છે.

આઉટપુટ પ્રકાર

મૂલ્ય

જોખમ

ચકાસણી

બગાડની પ્રારંભિક ચેતવણી

આયોજિત હસ્તક્ષેપ પૂરો પાડે છે

ખોટા એલાર્મ હોઈ શકે છે

કાચો વલણ + શારીરિક તપાસ

RUL (બાકીનું જીવન) અંદાજ

આયોજનની સરળતા

ખોટી નિશ્ચિતતા

અનિશ્ચિતતા અંતરાલ સાથે વાંચો

"કોઈ સમસ્યા નથી" આઉટપુટ

આરામ

ચૂકી ગયેલી ખામી

સામયિક પરીક્ષા સાથે આધાર

વિસંગતતાની નિશાની

ધ્યાન ખેંચે છે

ત્યાં સેન્સર ભૂલ હોઈ શકે છે

સેન્સર/કેલિબ્રેશન ચેક

મીની કેસો

કેસ 1 - સેન્સર અથવા ખામી? સિસ્ટમ મુખ્ય મશીન બેરિંગ માટે અચાનક તાપમાનમાં વધારો થવાનું એલાર્મ આપે છે; AI કહે છે "બેરિંગ નિષ્ફળતા શક્ય છે". મુખ્ય ઇજનેર પ્રથમ સેન્સર તપાસે છે: તાપમાન સેન્સરનું જોડાણ ઢીલું છે અને તે ખોટી રીતે ઉચ્ચ મૂલ્ય વાંચી રહ્યું છે. પડોશી બેરિંગ્સનું તાપમાન અને તેલ વિશ્લેષણ સામાન્ય છે. બિનજરૂરી ડિસએસેમ્બલ અટકાવવામાં આવે છે. પાઠ: દરેક વિસંગતતા પહેલા ડેટા/સેન્સર દ્વારા ચકાસવામાં આવે છે, પછી મશીન દ્વારા.

કેસ 2 - પ્રારંભિક ચેતવણીનું મૂલ્ય. આગાહીયુક્ત જાળવણી પ્રણાલી ટર્બોચાર્જરના વાઇબ્રેશન સિગ્નેચરમાં અઠવાડિયામાં ધીમા ચઢાણને શોધી કાઢે છે અને પ્રારંભિક ચેતવણી પ્રદાન કરે છે. આગલા સુનિશ્ચિત પોર્ટ સ્ટોપ પર, ટીમ ટર્બોચાર્જરને તપાસે છે, પહેરેલ બેરિંગ શોધે છે અને તેને સુરક્ષિત સ્થિતિમાં બદલી નાખે છે. દરિયામાં અચાનક ટર્બોચાર્જરની નિષ્ફળતા અને પાવર લોસ અટકાવવામાં આવે છે. પાઠ: અનુમાનિત જાળવણીનો વાસ્તવિક લાભ એ છે કે સલામત સમય અને સ્થળે નિષ્ફળતાને આયોજિત હસ્તક્ષેપમાં ફેરવવી.

કેસ 3 - ખોટી નિશ્ચિતતા છટકું. એક અહેવાલમાં AI આઉટપુટને "512 કલાકમાં પંપ નિષ્ફળ જશે" તરીકે ટાંકવામાં આવ્યો છે અને ટીમ તે ચોક્કસ દિવસ માટે જાળવણીનું શેડ્યૂલ કરે છે. વાસ્તવમાં, મોડેલે વિશાળ અનિશ્ચિતતા શ્રેણી સાથે આગાહી કરી; પંપ 300 કલાકે નિષ્ફળ થવાનું શરૂ કરે છે. જો એન્જિનિયરે શરૂઆતથી જ અનિશ્ચિતતાની શ્રેણી (દા.ત. 300-700 કલાક) ધ્યાનમાં લીધી હોત, તો તેણે તે અગાઉ તપાસ્યું હોત. પાઠ: RUL અંદાજો અનિશ્ચિતતા શ્રેણી સાથે વાંચવામાં આવે છે, એક પણ સંખ્યા નહીં.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 — વિસંગતતા પ્રારંભિક મૂલ્યાંકન:

ભૂમિકા: તમે એન્જિન રૂમ કન્ડિશન મોનિટરિંગ કન્સલ્ટન્ટ છો. સંદર્ભ (પ્રતિનિધિત્વ): [ઉપકરણ], નીચેના માપમાં વિસંગતતા:[વાઇબ્રેશન/તાપમાન/પ્રેશર/ઓઇલ ડેટા સારાંશ].કાર્ય:1) શું આ વિસંગતતા સેન્સર/ડેટા સમસ્યા અથવા મશીનરી સમસ્યા હોઈ શકે છે? બંને માટે વિભેદક નિયંત્રણની ભલામણ કરો. 2) સંભાવનાના ક્રમમાં સંભવિત મૂળ કારણોની સૂચિ બનાવો. 3) કયા વધારાના માપ/નિરીક્ષણ દ્વારા પુષ્ટિ મળી? અવરોધ: ચોક્કસ ખામી નિર્ધારણ કરવી; જણાવો કે નિરીક્ષણ અને એન્જિનિયરની મંજૂરી જરૂરી છે. તમે આપો છો તે કોઈપણ થ્રેશોલ્ડ મૂલ્ય "ઉત્પાદક સાથે ચકાસો".

નમૂનો 2 — અનિશ્ચિતતા સાથે RUL આગાહી વાંચવી:

નીચેના RUL (બાકીના જીવન) અંદાજને ધ્યાનમાં લો:[ઘટક, અંદાજિત કલાક, મોડલ પ્રકાર].1) આ અંદાજની અનિશ્ચિતતા શ્રેણી શું હોઈ શકે, શા માટે? 2) વિચિત્ર સંખ્યાને બદલે સલામત નિયંત્રણ વિંડો સૂચવો.3) અંદાજને સુધારવા માટે કયા ડેટાની જરૂર છે? અવરોધ: ખોટી ચોકસાઇ ન આપો; હંમેશા અંતરાલ અને "નિરીક્ષણ દ્વારા પુષ્ટિ" પગલું પ્રદાન કરો.

નમૂનો 3 — ખોટા એલાર્મ / ચૂકી ગયેલ ફોલ્ટ બેલેન્સ:

હું આગાહીયુક્ત જાળવણી મોડેલના પ્રદર્શનનું મૂલ્યાંકન કરીશ. ઐતિહાસિક ડેટામાં: [પકડાયેલ નિષ્ફળતાઓની સંખ્યા], [ખોટા અલાર્મ્સની સંખ્યા], [ચુકી ગયેલ નિષ્ફળતાઓની સંખ્યા].1) આ મોડેલની ચૂકી ગયેલી નિષ્ફળતાઓ (ખોટા નકારાત્મક)નું જોખમ શું છે? 2) શું આ જોખમ જટિલ સાધનોમાં સ્વીકાર્ય છે, શા માટે? 3) હું માનવ નિરીક્ષણ સાથે કેવી રીતે બેકઅપ લઈ શકું?

નમૂનો 4 — જાળવણી નિર્ણય બ્રીફિંગ:

મુખ્ય ઇજનેર બ્રીફિંગમાં નીચેના ફિટનેસ મોનિટરિંગ તારણોનું ભાષાંતર કરો:[તારણો]. માળખું: (1) શું અવલોકન કરવામાં આવ્યું હતું, (2) સંભવિત કારણો, (3) ભલામણ કરેલ નિયંત્રણો, (4) નિર્ણય માટે જરૂરી વધારાની માહિતી, (5) સલામતી નોંધ. અવરોધ: નિર્ણયની ભાષાને "સુઝાવ" તરીકે સ્થાપિત કરો; મુખ્ય ઇજનેર અંતિમ નિર્ણય લે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ વાઇબ્રેશન ડેટા જુઓ અને મને કહો કે બેરિંગ ક્યારે બદલવું.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે ફિટનેસ મોનિટરિંગ કન્સલ્ટન્ટ છો. સંદર્ભ (પ્રતિનિધિત્વ): મુખ્ય મશીન બેરિંગ પર વાઇબ્રેશન RMS મૂલ્ય છેલ્લા 3 અઠવાડિયામાં [x→y] વધ્યું છે; તાપમાન અને તેલ વિશ્લેષણ ડેટા જોડાયેલ છે. કાર્ય:1) શું આ સેન્સરની સમસ્યા છે કે વાસ્તવિક અધોગતિ? વિભેદક નિયંત્રણની ભલામણ કરો. 2) સંભવિત મૂળ કારણો, જો વાસ્તવિક હોય, અને સલામત નિયંત્રણ વિન્ડો (શ્રેણી).3) કયા વધારાના માપન આ મૂલ્યાંકનને મજબૂત કરશે? અવરોધ: એક ચોક્કસ નિષ્ફળતાની તારીખ પ્રદાન કરવી; અનિશ્ચિતતા શ્રેણી સાથે વાત કરો અને જણાવો કે અંતિમ નિર્ણય મુખ્ય ઈજનેર પાસે છે.

નબળા પ્રોમ્પ્ટ ખોટા ચોકસાઇ અને એક તારીખની માંગ કરે છે; શક્તિશાળી પ્રોમ્પ્ટ સેન્સર/ડેટા નિયંત્રણ, અનિશ્ચિતતા ગેપ અને માનવ પુષ્ટિને સક્ષમ કરે છે.

સામાન્ય ભૂલો

• મશીનની ખામી માટે સેન્સરની ભૂલને ભૂલ કરવી. દરેક વિસંગતતા પહેલા ડેટા ગુણવત્તા દ્વારા દૂર કરવી આવશ્યક છે.
• ખોટી નિશ્ચિતતા પર આધાર રાખવો. "512 કલાક પછી" જેવો એક નંબર અનિશ્ચિતતા શ્રેણી વિના ભ્રામક છે.
• "કોઈ સમસ્યા નથી" આઉટપુટમાં સંપૂર્ણ વિશ્વાસ. ચૂકી ગયેલી ભૂલ એ સૌથી ખતરનાક ભૂલ છે; સમયાંતરે નિરીક્ષણ જાળવવામાં આવે છે.
• એલાર્મ થાકની અવગણના. વધુ પડતા ખોટા એલાર્મ વાસ્તવિક ચેતવણીમાં ટીમના વિશ્વાસને નષ્ટ કરે છે.
• મોડલ દેખાતો નથી તે દોષ ભૂલી જવું. AI માત્ર તે પેટર્ન જાણે છે જેના પર તેને તાલીમ આપવામાં આવી છે; નવા પ્રકારની નિષ્ફળતાઓ માટે માનવીય દેખરેખ જરૂરી છે.

સારાંશમાં

અનુમાનિત જાળવણી એ સલામત, આયોજિત સમયે સેન્સર ડેટાથી સમયની નિષ્ફળતા સુધીના સાધનોના સ્વાસ્થ્યને ટ્રેક કરવાની કળા છે અને AI આ ડેટા અર્થઘટનને શક્તિ આપે છે. સૌથી મૂલ્યવાન પરિણામ એ ખોટી નિશ્ચિતતા નથી, પરંતુ વિશ્વસનીય પ્રારંભિક ચેતવણી છે. દરેક વિસંગતતા પહેલા સેન્સર/ડેટા દ્વારા અને પછી મશીન દ્વારા ચકાસવામાં આવે છે, RUL અનુમાનો અનિશ્ચિતતા શ્રેણી સાથે વાંચવામાં આવે છે, સમયાંતરે નિરીક્ષણ દ્વારા "કોઈ સમસ્યા નથી" આઉટપુટનું સમર્થન કરવામાં આવે છે, અને અંતિમ જાળવણીનો નિર્ણય સક્ષમ મિકેનિકલ એન્જિનિયર પાસે રહે છે.

એપ્લિકેશન કાર્ય

સાધનસામગ્રીના પ્રતિનિધિ ભાગ (દા.ત. ટર્બોચાર્જર અથવા મુખ્ય એન્જિન બેરિંગ) માટે વિસંગતતાનું દૃશ્ય (કંપન અને તાપમાન વલણ) બનાવો. AI ને "વિસંગતતા પૂર્વ-મૂલ્યાંકન" પેટર્ન લાગુ કરવા અને સેન્સર ઇશ્યૂ અને મશીન ઇશ્યૂ વચ્ચે તફાવત કરતા ચેકની યાદી આપો. પછી અનિશ્ચિતતા શ્રેણી સાથે RUL અંદાજનું પુનઃ અર્થઘટન કરો અને સલામત નિયંત્રણ વિન્ડો નક્કી કરો. આઉટપુટને મુખ્ય ઈજનેર બ્રીફિંગ ફોર્મેટમાં કન્વર્ટ કરો અને સ્પષ્ટપણે લખો કે અંતિમ નિર્ણય કોની પાસે છે.

ચેકલિસ્ટ

• [ ] મેં સૌ પ્રથમ સેન્સર/ડેટા ગુણવત્તાના સંદર્ભમાં દરેક વિસંગતતાનું મૂલ્યાંકન કર્યું.
• [ ] મેં RUL અંદાજ અનિશ્ચિતતા શ્રેણી સાથે વાંચ્યો છે, એક પણ સંખ્યા નથી.
• [ ] મેં સામયિક શારીરિક પરીક્ષા સાથે "કોઈ સમસ્યા નથી" પ્રિન્ટઆઉટનું બેકઅપ લીધું.
• [ ] મેં મોડેલના ખોટા એલાર્મ / ચૂકી ગયેલા ફોલ્ટ બેલેન્સ અંગે પ્રશ્ન કર્યો.
• [ ] નિર્ણાયક સાધનો પર માનવ દેખરેખ અને ઉત્પાદક જાળવણી અંતરાલ જાળવી રાખે છે.
• મેં આખરી જાળવણીનો નિર્ણય સક્ષમ મિકેનિકલ એન્જિનિયર પર છોડી દીધો છે.