നേട്ടങ്ങൾ:
- പരാജയ മോഡുകളുടെ ബിസിനസ്സ് മൂല്യം, സെൻസർ ഡാറ്റ, ഊർജ്ജ ഉപകരണങ്ങളിലെ പ്രവചനാത്മക പരിപാലനം എന്നിവ വിശദീകരിക്കുക.
- കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് അപാകത കണ്ടെത്തൽ, ശേഷിക്കുന്ന ഉപയോഗപ്രദമായ ആയുസ്സ് കണക്കാക്കൽ, അലാറം മുൻഗണന എന്നിവ ക്രമീകരിക്കാനുള്ള കഴിവ്
- തെറ്റായ അലാറം/നഷ്ടമായ പിഴവ് ബാലൻസ് നിയന്ത്രിക്കാനുള്ള കഴിവും അറ്റകുറ്റപ്പണി തീരുമാനങ്ങളിൽ വിദഗ്ധരുടെ അനുമതിയും ആവശ്യമാണ്
ഒരു പവർ സിസ്റ്റത്തിലെ ഉപകരണങ്ങളുടെ പരാജയം ചെലവേറിയതും ചിലപ്പോൾ അപകടകരവുമാണ്: ഒരു പവർ ട്രാൻസ്ഫോർമർ സ്ഫോടനം ദശലക്ഷക്കണക്കിന് ഡോളർ കേടുപാടുകൾക്കും നീണ്ട തകരാറുകൾക്കും കാരണമാകുന്നു; വിൻഡ് ടർബൈൻ ഗിയർബോക്സ് തകർക്കുക എന്നതിനർത്ഥം മാസങ്ങളോളം ഉൽപാദനം നഷ്ടപ്പെടുമെന്നാണ്. പരമ്പരാഗത അറ്റകുറ്റപ്പണികൾ ഒന്നുകിൽ "തകരുമ്പോൾ അത് പരിഹരിക്കുക" (തകർച്ചയുടെ പരിപാലനം) അല്ലെങ്കിൽ "ഷെഡ്യൂൾ പ്രകാരം മാറ്റിസ്ഥാപിക്കുക" (ആനുകാലിക പരിപാലനം) യുക്തിയിൽ പ്രവർത്തിക്കുന്നു; ഇരുവരും വളരെ വൈകിയോ അല്ലെങ്കിൽ വളരെ നേരത്തെയോ ഇടപെടുന്നു. ഉപകരണങ്ങളുടെ യഥാർത്ഥ അവസ്ഥ നിരന്തരം നിരീക്ഷിക്കാനും അത് സംഭവിക്കുന്നതിന് മുമ്പ് തകരാർ പ്രവചിക്കാനും കൃത്യസമയത്ത് ഇടപെടാനും പ്രവചന അറ്റകുറ്റപ്പണി ലക്ഷ്യമിടുന്നു. സെൻസറുകളുടെ പ്രളയം പ്രോസസ്സ് ചെയ്യുന്നതിനും ഈ ഉൾക്കാഴ്ച ഉൽപ്പാദിപ്പിക്കുന്നതിനുമുള്ള ശക്തമായ ഉപകരണമാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്. ഈ യൂണിറ്റിൽ, പരാജയ മോഡുകൾ, AI- സഹായത്തോടെയുള്ള അപാകത കണ്ടെത്തൽ, ശേഷിക്കുന്ന ആയുസ്സ് കണക്കാക്കൽ, അവയുടെ പരിധികൾ എന്നിവയെക്കുറിച്ച് ഞങ്ങൾ പഠിക്കും.
പരാജയ മോഡുകളും സെൻസർ ഡാറ്റയും
പ്രവചനാതീതമായ അറ്റകുറ്റപ്പണിയുടെ അടിസ്ഥാനം ഉപകരണങ്ങൾ തകരാറിലാകുമ്പോൾ അവ അവശേഷിപ്പിക്കുന്നു എന്നതാണ്. ഒരു തകരാർ പെട്ടെന്ന് സംഭവിക്കുന്നില്ല, പക്ഷേ സാധാരണയായി ഒരു പ്രക്രിയയായി വികസിക്കുന്നു, ഈ പ്രക്രിയ അളക്കാവുന്ന ലക്ഷണങ്ങൾ ഉണ്ടാക്കുന്നു.
- പവർ ട്രാൻസ്ഫോർമർ: എണ്ണ താപനില, ലോഡ്, പ്രത്യേകിച്ച് അലിഞ്ഞുചേർന്ന വാതക വിശകലനം (ഡിജിഎ; എണ്ണയിൽ അടിഞ്ഞുകൂടിയ വാതകങ്ങളുടെ അളവ്). ചില വാതകങ്ങളുടെ വർദ്ധനവ് ആന്തരിക ആർക്കിംഗ്, അമിത ചൂടാക്കൽ അല്ലെങ്കിൽ ഇൻസുലേഷൻ അപചയം എന്നിവയെ സൂചിപ്പിക്കുന്നു.
- കാറ്റ് ടർബൈൻ: ഗിയർബോക്സും ബെയറിംഗ് വൈബ്രേഷനും, താപനില, എണ്ണ കണങ്ങൾ, പവർ കർവിൽ നിന്നുള്ള വ്യതിയാനം. ബെയറിംഗ് ഡിഗ്രേഡേഷൻ സ്വഭാവ വൈബ്രേഷൻ ഫ്രീക്വൻസികൾ ഉണ്ടാക്കുന്നു.
- കേബിളും ലൈനും: ഭാഗിക ഡിസ്ചാർജ് (ഇൻസുലേഷനിൽ ചെറിയ വൈദ്യുത ഡിസ്ചാർജുകൾ), താപനില.
- ബ്രേക്കറും സ്വിച്ച് ഗിയറും: ഓൺ-ഓഫ് സ്വിച്ചുകളുടെ എണ്ണം, തുറക്കുന്ന സമയം, കോൺടാക്റ്റ് റെസിസ്റ്റൻസ്.
കൃത്രിമബുദ്ധി മനുഷ്യനേത്രങ്ങൾ കാണാതെ പോകുന്ന ഈ സിഗ്നലുകളിൽ സൂക്ഷ്മമായ ട്രെൻഡുകളും മൾട്ടിവേരിയേറ്റ് പാറ്റേണുകളും പകർത്തുന്നു. സാധാരണ സ്വഭാവത്തിൽ നിന്നുള്ള ഡാറ്റയുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ വ്യതിയാനമാണ് അപാകത; ഇത് പലപ്പോഴും പ്രവചന അറ്റകുറ്റപ്പണിയുടെ ആദ്യ സിഗ്നലാണ്.
നുറുങ്ങ്: നല്ല പ്രവചനാത്മക പരിപാലനം ആരംഭിക്കുന്നത് "സാധാരണ" നന്നായി അറിയുന്നതിലൂടെയാണ്. ശരിയായി പ്രവർത്തിക്കുമ്പോൾ ഒരു ഉപകരണം ഏത് തരത്തിലുള്ള സെൻസർ സിഗ്നേച്ചർ ഉണ്ടാക്കുന്നുവെന്ന് അറിയാതെ വ്യതിയാനം തിരിച്ചറിയാൻ കഴിയില്ല. അതുകൊണ്ട് ആദ്യത്തെ നിക്ഷേപം "ആരോഗ്യകരമായ പെരുമാറ്റം" എന്ന ശുദ്ധമായ അടിത്തറ സ്ഥാപിക്കുക എന്നതാണ്.
രണ്ട് അവശ്യ ജോലികൾ: അപാകത കണ്ടെത്തലും ശേഷിക്കുന്ന ജീവിതവും
പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് രണ്ട് പ്രധാന ജോലികളുണ്ട്.
ഉപകരണങ്ങൾ സാധാരണയിൽ നിന്ന് വ്യതിചലിക്കുമ്പോൾ അനോമലി കണ്ടെത്തൽ നേരത്തെ പിടിപെടുന്നു. മോഡൽ ആരോഗ്യകരമായ പെരുമാറ്റം പഠിക്കുകയും അതിനെതിരെ ഇൻകമിംഗ് ഡാറ്റ പരിശോധിക്കുകയും ചെയ്യുന്നു; വ്യതിയാനം ഒരു അലാറം സൃഷ്ടിക്കുന്നു. ഇവിടെ ഏറ്റവും നിർണായകമായ പാരാമീറ്റർ പരിധിയാണ്: എത്രമാത്രം വ്യതിയാനം ഒരു അലാറമായി കണക്കാക്കും?
ശേഷിക്കുന്ന ഉപയോഗപ്രദമായ ജീവിതം (RUL) എന്നത് ഉപകരണങ്ങൾ പരാജയപ്പെടുന്നതുവരെ എത്രത്തോളം നീണ്ടുനിൽക്കുന്നു എന്നതിൻ്റെ കണക്കാണ്. ഇത് അറ്റകുറ്റപ്പണികൾ ആസൂത്രണം ചെയ്യാൻ അനുവദിക്കുന്നു (ഭാഗങ്ങൾ ക്രമപ്പെടുത്തൽ, ഔട്ടേജ് വിൻഡോ). RUL എസ്റ്റിമേറ്റ് അന്തർലീനമായി അനിശ്ചിതത്വമുള്ളതാണ്, അത് ഒരു ശ്രേണിയിൽ നൽകണം.
തെറ്റായ അലാറം / മിസ്ഡ് ഫോൾട്ട് ബാലൻസ്
പ്രവചനാത്മക പരിപാലനത്തിൻ്റെ ഹൃദയത്തിൽ ബാലൻസ് ആണ്. തെറ്റായ അലാറം (ഫാൾസ് പോസിറ്റീവ്) ഒരു തെറ്റും ഇല്ലാത്തപ്പോൾ ഒരു അലാറം ഉണ്ടാക്കുന്നു; ഇത് അനാവശ്യമായ അറ്റകുറ്റപ്പണികൾക്കും പ്രവർത്തനരഹിതമായ സമയം പാഴാക്കുന്നതിനും അലാറങ്ങളിൽ ടീമിൻ്റെ ആത്മവിശ്വാസം നഷ്ടപ്പെടുത്തുന്നതിനും കാരണമാകുന്നു ("ചെന്നായ എത്തി" എന്ന പ്രഭാവം). ഒരു തെറ്റ് തെറ്റ് (തെറ്റായ നെഗറ്റീവ്) യഥാർത്ഥ തെറ്റ് പ്രവചിക്കുന്നതിൽ പരാജയപ്പെടുന്നു; അപ്രതീക്ഷിത സ്ഫോടനം നാശനഷ്ടവും സുരക്ഷാ അപകടവും എന്നാണ് അർത്ഥമാക്കുന്നത്.
നിങ്ങൾ പരിധി താഴ്ത്തുകയാണെങ്കിൽ, തെറ്റ് തെറ്റുകൾ കുറയുന്നു, പക്ഷേ തെറ്റായ അലാറങ്ങൾ വർദ്ധിക്കും; നിങ്ങൾ അത് വർദ്ധിപ്പിക്കുകയാണെങ്കിൽ, വിപരീതമാണ് സംഭവിക്കുന്നത്. ഈ രണ്ട് പരാജയങ്ങളുടെ വില അനുസരിച്ചാണ് ശരിയായ പരിധി സജ്ജീകരിച്ചിരിക്കുന്നത്: ഒരു വിതരണ ട്രാൻസ്ഫോർമറിൻ്റെ പിഴച്ച തകരാർ തെരുവ് വിളക്കിനെക്കാൾ വളരെ കൂടുതലാണ്, അതിനാൽ നിർണ്ണായക ഉപകരണങ്ങളിൽ പരിധി കൂടുതൽ സെൻസിറ്റീവ് ആയി (തെറ്റായ അലാറങ്ങൾക്ക് കൂടുതൽ സാധ്യതയുള്ളത്) സൂക്ഷിക്കുന്നു.
മുന്നറിയിപ്പ്: "മോഡൽ 95 ശതമാനം കൃത്യമാണ്" എന്ന് പറയുന്നത് പ്രവചന പരിപാലനത്തിൽ തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്. പരാജയങ്ങൾ അപൂർവമായതിനാൽ, അലാറങ്ങൾ സൃഷ്ടിക്കാത്ത ഒരു മോഡൽ പോലും 95 ശതമാനം "കൃത്യത" ആയിരിക്കാം - എന്നാൽ ഒരു യഥാർത്ഥ പരാജയം പോലും അത് പിടിക്കില്ല. അതിനാൽ, വിജയം വ്യക്തിഗതമായി അളക്കുന്നത് നഷ്ടമായ പരാജയവും തെറ്റായ അലാറം നിരക്കും കൊണ്ടാണ്, മൊത്തത്തിലുള്ള കൃത്യത കൊണ്ടല്ല.
ഘട്ടം ഘട്ടമായി: AI- പവർഡ് പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസ്
ഘട്ടം 1 - ആരോഗ്യകരമായ അടിത്തറ സ്ഥാപിക്കുക. മതിയായ ഡാറ്റ ഉപയോഗിച്ച് ഉപകരണങ്ങളുടെ സാധാരണ ഓപ്പറേറ്റിംഗ് സിഗ്നേച്ചർ പഠിക്കുക.
ഘട്ടം 2 - സെൻസറുകൾ തിരഞ്ഞെടുത്ത് പരിശോധിക്കുക. പരാജയ മോഡിന് അനുയോജ്യമായ സിഗ്നലുകൾ (വൈബ്രേഷൻ, ഡിജിഎ, താപനില); സെൻസർ കാലിബ്രേഷൻ പരിശോധിച്ചു.
ഘട്ടം 3 - ഒരു അനോമലി മോഡൽ നിർമ്മിക്കുക. സാധാരണയിൽ നിന്ന് വ്യതിചലനം കണ്ടെത്തുന്ന മോഡൽ; ഉപകരണത്തിൻ്റെ നിർണായകതയെ അടിസ്ഥാനമാക്കിയാണ് പരിധി സജ്ജീകരിച്ചിരിക്കുന്നത്.
ഘട്ടം 4 - അലാറങ്ങൾക്ക് മുൻഗണന നൽകുക. എല്ലാ വ്യതിയാനങ്ങളും ഒരേ അടിയന്തിരമല്ല; തീവ്രതയും സാധ്യമായ തകരാർ തരവും അനുസരിച്ച് AI അലാറങ്ങൾ അടുക്കുന്നു.
ഘട്ടം 5 - വിദഗ്ദ്ധ പരിശോധന. പ്രധാനപ്പെട്ട എല്ലാ അലാറവും അവലോകനത്തിനായി മെയിൻ്റനൻസ് എഞ്ചിനീയർക്ക് പോകുന്നു; AI രോഗനിർണയം നടത്തുന്നില്ല, അത് അനുമാനങ്ങളും മുൻഗണനകളും വാഗ്ദാനം ചെയ്യുന്നു.
ഘട്ടം 6 - ഫീഡ്ബാക്ക്. യഥാർത്ഥ തെറ്റ്/സാധാരണ ഫലങ്ങൾ മോഡലിലേക്ക് തിരികെ നൽകുന്നു; ത്രെഷോൾഡും മോഡലും മെച്ചപ്പെടുത്തിയിരിക്കുന്നു.
മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം
കേസ് 1 - ട്രാൻസ്ഫോർമറിൻ്റെ മുൻകൂർ മുന്നറിയിപ്പ്. ഒരു പവർ ട്രാൻസ്ഫോർമറിൻ്റെ DGA ഡാറ്റയിൽ, AI ചില വാതകങ്ങളുടെ (എഥിലീൻ) സാവധാനത്തിലുള്ള എന്നാൽ സ്ഥിരമായ വർദ്ധനവ് പിടിച്ചെടുത്തു; ഒരൊറ്റ അളവ് സാധാരണ പരിധിക്കുള്ളിൽ ആയിരുന്നു, എന്നാൽ പ്രവണത അസാധാരണമായിരുന്നു. വിദഗ്ദ്ധ അവലോകനം ഒരു ഹോട്ട് സ്പോട്ട് കണ്ടെത്തി (ഓവർ ഹീറ്റിംഗ് കണക്ഷൻ). ആസൂത്രിതമായ ഇടപെടലിലൂടെ സാധ്യമായ ഒരു തകരാർ തടഞ്ഞു; ലക്ഷക്കണക്കിന് ലിറയുടെ ക്രമത്തിലാണ് ഒഴിവാക്കിയ നാശനഷ്ടം കണക്കാക്കുന്നത്.
കേസ് 2 - ചെന്നായ പ്രാബല്യത്തിൽ വന്നു. ഒരു കാറ്റാടിപ്പാടത്തിൽ പരിധി വളരെ താഴ്ന്ന നിലയിലായി; മോഡൽ ആഴ്ചയിൽ ഡസൻ കണക്കിന് തെറ്റായ വൈബ്രേഷൻ അലാറങ്ങൾ നിർമ്മിക്കുന്നു. കാലക്രമേണ, ടീം അലാറങ്ങൾ അവഗണിക്കാൻ തുടങ്ങി, ഒരു യഥാർത്ഥ പരാജയം നഷ്ടമായി. ചരിത്രപരമായ ഡാറ്റയിലെ യഥാർത്ഥ പരാജയങ്ങളെ അടിസ്ഥാനമാക്കി ത്രെഷോൾഡ് പുനഃക്രമീകരിച്ചപ്പോൾ, തെറ്റായ അലാറങ്ങൾ ആഴ്ചയിൽ ഒന്നായി കുറയുകയും ആത്മവിശ്വാസം തിരികെ വരികയും ചെയ്തു.
കേസ് 3 - RUL ശ്രേണി. ഒരു ഗിയർബോക്സിനായി മോഡൽ പറഞ്ഞു, "ബാക്കിയുള്ള ആയുസ്സ് ഏകദേശം 6 ആഴ്ചയാണ്" എന്നാൽ ഒറ്റ സംഖ്യയായി. വാസ്തവത്തിൽ, അനിശ്ചിതത്വം വർദ്ധിച്ചു; ഭാഗം 9-ാം ആഴ്ചയിൽ എത്തി, 5-ആം ആഴ്ചയിൽ പരാജയം സംഭവിച്ചു, ആസൂത്രിതമല്ലാത്ത ഒരു തകർച്ചയും ഉണ്ടായി. അടുത്ത അഭ്യാസത്തിൽ, RUL ഒരു ഇടവേള ("3-8 ആഴ്ച, 80 ശതമാനം ആത്മവിശ്വാസം") നൽകുകയും ന്യായമായ ഒരു മോശം സാഹചര്യത്തെ അടിസ്ഥാനമാക്കി പാർട്സ് ഓർഡർ മുന്നോട്ട് കൊണ്ടുവരികയും ചെയ്തു.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഈ വൈബ്രേഷൻ ഡാറ്റ നോക്കൂ, എന്തെങ്കിലും തകരാറുണ്ടോ?[data]
ശക്തമായ നിർദ്ദേശം:
നിങ്ങളുടെ റോൾ: പ്രവചനാത്മക മെയിൻ്റനൻസ് അനലിസ്റ്റ്. ഉപകരണം: കാറ്റ് ടർബൈൻ ഗിയർബോക്സ്.- ആദ്യം ഡാറ്റയിലെ സാധാരണ (ആരോഗ്യകരമായ) സ്വഭാവം സംഗ്രഹിക്കുക; അതിനെതിരായ അപാകത തിരിച്ചറിയുക.- തീവ്രതയും സാധ്യമായ പരാജയ തരവും അനുസരിച്ച് വ്യതിയാനങ്ങൾക്ക് മുൻഗണന നൽകുക; കൃത്യമായ രോഗനിർണയം നടത്തരുത്, അനുമാനങ്ങൾ സൃഷ്ടിക്കുക. - ഓരോ അനുമാനത്തിനും, ഏത് അധിക അളവെടുപ്പ്/പരീക്ഷ അത് സ്ഥിരീകരിക്കുമെന്ന് സൂചിപ്പിക്കുക. - തെറ്റായ അലാറങ്ങളുടെയും നഷ്ടമായ പിഴവുകളുടെയും ബാലൻസ് പരിഗണിക്കുക; ഈ ഉപകരണത്തിൻ്റെ നിർണായകതയെ അടിസ്ഥാനമാക്കി നിങ്ങളുടെ ത്രെഷോൾഡ് ശുപാർശയെ ന്യായീകരിക്കുക. - RUL അഭ്യർത്ഥിച്ചാൽ, ഒരു കോൺഫിഡൻസ് ഇൻ്റർവെൽ ഉപയോഗിച്ച് നൽകുക, ഒരു സംഖ്യയല്ല. ഡാറ്റ: [വൈബ്രേഷൻ/താപനില ശ്രേണി]
ശക്തമായ പ്രോംപ്റ്റ് ആദ്യം നോർമൽ നിർവചിക്കുന്നു, രോഗനിർണ്ണയത്തിന് പകരം അനുമാനങ്ങൾ ആവശ്യപ്പെടുന്നു, ഒരു സ്ഥിരീകരണ ഘട്ടവും ത്രെഷോൾഡ് ഓഫ്സെറ്റും ചേർക്കുന്നു, ഇടവേളകളിൽ RUL-നെ പ്രേരിപ്പിക്കുന്നു - തുടക്കം മുതലുള്ള പ്രവചന പരിപാലനത്തിൻ്റെ ക്ലാസിക് പോരായ്മകൾ ഒഴിവാക്കുന്നു.
പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ
1) ആരോഗ്യകരമായ അടിസ്ഥാന വേർതിരിച്ചെടുക്കൽ:
ഈ ഉപകരണത്തിൻ്റെ ഡാറ്റയിൽ നിന്ന് സാധാരണ/ആരോഗ്യകരമായ ഓപ്പറേറ്റിംഗ് സിഗ്നേച്ചർ എക്സ്ട്രാക്റ്റ് ചെയ്യുക: സാധാരണ ശ്രേണികൾ, സീസണൽ/ലോഡ് ആശ്രിത വ്യതിയാനം. തുടർന്ന് ഈ അടിസ്ഥാനത്തിൽ അപാകത നിർവ്വചിക്കുക. യഥാർത്ഥ അപാകതകളിൽ നിന്ന് ലോഡ് അല്ലെങ്കിൽ താപനില വഴി വിശദീകരിക്കാൻ കഴിയുന്ന മാറ്റങ്ങളെ വേർതിരിക്കുക.
2) അലാറം മുൻഗണന:
തീവ്രത, വികസന നിരക്ക്, സാധ്യമായ പരാജയ തരം എന്നിവ പ്രകാരം ഇനിപ്പറയുന്ന വ്യതിയാനങ്ങൾക്ക് മുൻഗണന നൽകുക. ഓരോന്നിനും: അടിയന്തിരം (അടിയന്തര/നിരീക്ഷണം/സാധാരണ), സാധ്യതയുള്ള കാരണ അനുമാനങ്ങൾ, സ്ഥിരീകരണ ഘട്ടം. കൃത്യമായ രോഗനിർണയം നടത്തുക; മെയിൻ്റനൻസ് എഞ്ചിനീയർക്ക് ഒരു തീരുമാന കുറിപ്പ് നൽകുന്നു.
3) ത്രെഷോൾഡ് ബാലൻസ് വിശകലനം:
ഈ അപാകത സ്കോറിനായി തെറ്റായ അലാറങ്ങളുടെ എണ്ണത്തിലും നഷ്ടമായ പിഴവുകളിലും വ്യത്യസ്ത പരിധികളുടെ സ്വാധീനം ചരിത്രപരമായ ഡാറ്റ ഉപയോഗിച്ച് കാണിക്കുക. ഉപകരണങ്ങളുടെ നിർണായകത ([ഉയർന്ന/ഇടത്തരം/താഴ്ന്ന]) കണക്കിലെടുത്ത് പരിധികൾ നിർദ്ദേശിക്കുകയും ന്യായീകരിക്കുകയും ചെയ്യുക. രണ്ട് പിശക് തരങ്ങൾ വെവ്വേറെ നോക്കുക, മൊത്തത്തിലുള്ള കൃത്യതയല്ല.
4) RUL അനിശ്ചിതത്വ റിപ്പോർട്ട്:
ഒരു പരിധിയും ആത്മവിശ്വാസവും ഉള്ള ഉപയോഗപ്രദമായ ജീവിതത്തെക്കുറിച്ചുള്ള നിങ്ങളുടെ കണക്ക് നൽകുക. "ഏറ്റവും മോശം-സാധാരണമായ സാഹചര്യത്തിൽ" പരാജയം പ്രതീക്ഷിക്കുന്നത് എപ്പോഴാണ്? ഈ മോശം സാഹചര്യത്തെ അടിസ്ഥാനമാക്കി പാർട്സ് സംഭരണവും ഔട്ടേജ് ആസൂത്രണവും ശുപാർശ ചെയ്യുക.
തെറ്റ് മോഡും സിഗ്നൽ പട്ടികയും
ഉപകരണങ്ങൾ
നിരീക്ഷിച്ച സിഗ്നൽ
ആദ്യകാല ലക്ഷണം
വൈദ്യുതി ട്രാൻസ്ഫോർമർ
DGA, എണ്ണ താപനില
വാതക വർദ്ധനവ്, ഹോട്ട് സ്പോട്ട്
കാറ്റ് ടർബൈൻ
വൈബ്രേഷൻ, എണ്ണ കണിക
ബെയറിംഗ്/ഗിയർ ഫ്രീക്വൻസി
കേബിൾ/ലൈൻ
ഭാഗിക ഡിസ്ചാർജ്, താപനില
ഇൻസുലേഷൻ അപചയം
കട്ടർ
തുറക്കുന്ന സമയം, കോൺടാക്റ്റ് പ്രതിരോധം
മെക്കാനിക്കൽ ഡിസിലറേഷൻ
ജനറേറ്റർ
വൈബ്രേഷൻ, താപനില, കറൻ്റ്
അസന്തുലിതാവസ്ഥ, ഘർഷണം
സാധാരണ തെറ്റുകൾ
- പൊതുവായ കൃത്യതയെ ആശ്രയിക്കുന്നു. പരാജയങ്ങൾ വിരളമായതിനാൽ, "അലാറമില്ല" പോലും ഉയർന്ന കൃത്യത കാണിക്കുന്നു; നഷ്ടപ്പെട്ട തെറ്റ് പ്രത്യേകം അളക്കണം.
- ത്രെഷോൾഡ് തെറ്റായി സജ്ജീകരിക്കുന്നു. വളരെ താഴ്ന്ന പരിധി "ചെന്നായ എത്തി" എന്ന ഇഫക്റ്റിന് കാരണമാകും, വളരെ ഉയർന്ന പരിധി തെറ്റിന് കാരണമാകും.
- AI രോഗനിർണയം നടത്തുന്നു. AI അനുമാനങ്ങളും മുൻഗണനകളും സൃഷ്ടിക്കുന്നു; അന്തിമ രോഗനിർണയവും ഇടപെടലിൻ്റെ തീരുമാനവും സ്പെഷ്യലിസ്റ്റിൻ്റെതാണ്.
- RUL-ന് ഒറ്റ സംഖ്യ നൽകുന്നു. അനിശ്ചിതത്വ ഇടവേളയില്ലാതെ നൽകുന്ന ലൈഫ് ടൈം എസ്റ്റിമേഷൻ ആസൂത്രിതമല്ലാത്ത തകർച്ചയിലേക്ക് നയിക്കും.
- സാധാരണ തിരിച്ചറിയാതെ അപാകതകൾക്കായി തിരയുന്നു. ആരോഗ്യകരമായ അടിത്തറ സ്ഥാപിക്കാതെ നടത്തിയ കണ്ടെത്തൽ, ലോഡ്/സീസണൽ മാറ്റം ഒരു തകരാറായി തെറ്റിദ്ധരിച്ചേക്കാം.
ചുരുക്കത്തിൽ
ഉപകരണങ്ങളുടെ സെൻസർ ട്രെയ്സുകളിൽ നിന്നുള്ള തകരാർ പ്രവചിച്ച് കൃത്യസമയത്ത് ഇടപെടാൻ പ്രവചന അറ്റകുറ്റപ്പണി ലക്ഷ്യമിടുന്നു. കൃത്രിമബുദ്ധി അപാകത കണ്ടെത്തുന്നതിലും ശേഷിക്കുന്ന ജീവിത പ്രവചനത്തിലും ശക്തമാണ്; എന്നാൽ അതിൻ്റെ വിജയം അളക്കുന്നത് മൊത്തത്തിലുള്ള കൃത്യത കൊണ്ടല്ല, മറിച്ച് തെറ്റായ അലാറങ്ങളുടെയും തെറ്റിപ്പോയ പിഴവുകളുടെയും സന്തുലിതാവസ്ഥ കൊണ്ടാണ്. ഉപകരണങ്ങളുടെ നിർണായകതയെ അടിസ്ഥാനമാക്കിയാണ് ത്രെഷോൾഡ് സജ്ജീകരിച്ചിരിക്കുന്നത്, രോഗനിർണയത്തിനുപകരം AI അനുമാനങ്ങൾ സൃഷ്ടിക്കുന്നു, RUL ഇടംപിടിച്ചിരിക്കുന്നു, കൂടാതെ എല്ലാ പ്രധാനപ്പെട്ട അലാറവും വിദഗ്ദ്ധ പരിശോധനയിലേക്ക് പോകുന്നു.
ആപ്ലിക്കേഷൻ ടാസ്ക്
ഒരു ഉപകരണത്തിൻ്റെ സെൻസർ സമയ ശ്രേണി നേടുക (ട്രാൻസ്ഫോർമർ, ടർബൈൻ, മോട്ടോർ). "ആരോഗ്യകരമായ അടിസ്ഥാന എക്സ്ട്രാക്ഷൻ", "അലാറം മുൻഗണന" എന്നീ ടെംപ്ലേറ്റുകൾ ഉപയോഗിച്ച് AI-യിൽ നിന്ന് ഒരു വിശകലനം അഭ്യർത്ഥിക്കുക. നിങ്ങൾ ആദ്യം സാധാരണ നിർവചിക്കുന്നുവെന്ന് ഉറപ്പാക്കുക; കണ്ടെത്തിയ ഏതെങ്കിലും വ്യതിയാനം ലോഡ് അല്ലെങ്കിൽ താപനില വഴി വിശദീകരിക്കാനാകുമോ എന്ന് സ്വയം ചോദിക്കുക. ഒരു പരിധി തിരഞ്ഞെടുത്ത് ആ പരിധി എങ്ങനെയാണ് തെറ്റായ അലാറം/നഷ്ടപ്പെട്ട പിഴവ് ബാലൻസ് മാറ്റുന്നത് എന്ന് എഴുതുക.
ചെക്ക്ലിസ്റ്റ്
- [ ] ഉപകരണങ്ങളുടെ ആരോഗ്യകരമായ/സാധാരണ സ്വഭാവത്തിൻ്റെ അടിസ്ഥാനം ഞാൻ നിർവചിച്ചിട്ടുണ്ട്
- [ ] ഞാൻ ഫോൾട്ട് മോഡിന് അനുയോജ്യമായ സെൻസർ സിഗ്നലുകൾ തിരഞ്ഞെടുക്കുകയും കാലിബ്രേഷൻ പരിഗണിക്കുകയും ചെയ്തു
- [ ] ഞാൻ അപാകതയെ ലോഡ്/സീസൺ ഇഫക്റ്റിൽ നിന്ന് വേർതിരിച്ചു
- [ ] ഉപകരണങ്ങളുടെ നിർണായകതയും രണ്ട് പരാജയ തരങ്ങളുടെ വിലയും അടിസ്ഥാനമാക്കിയാണ് ഞാൻ പരിധി നിശ്ചയിച്ചത്
- [ ] മൊത്തത്തിലുള്ള കൃത്യതയെക്കാൾ തെറ്റായ അലാറം / മിസ്ഡ് പരാജയ നിരക്ക് ഞാൻ നോക്കി
- [ ] ഞാൻ AI യോട് അനുമാനത്തിനും സ്ഥിരീകരണ ഘട്ടത്തിനും വേണ്ടി ആവശ്യപ്പെട്ടു, രോഗനിർണയത്തിനല്ല
- [ ] ഞാൻ RUL എസ്റ്റിമേറ്റ് ആത്മവിശ്വാസത്തോടെയും വിദഗ്ധരുടെ അംഗീകാരത്തിന് വിധേയമായും അവതരിപ്പിച്ചു