ਪੂਰਵ-ਸੰਭਾਲ

ਲਾਭ:

• ਏਆਈ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਕੇ ਵਾਈਬ੍ਰੇਸ਼ਨ/ਤਾਪਮਾਨ ਡੇਟਾ ਤੋਂ ਨੁਕਸ ਦੇ ਲੱਛਣਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• AI ਦੀ ਮਦਦ ਨਾਲ ਥ੍ਰੈਸ਼ਹੋਲਡ-ਅਧਾਰਿਤ ਅਤੇ ਸਧਾਰਨ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਸਮਾਨਤਾ ਖੋਜ ਪਹੁੰਚਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਝੂਠੇ ਅਲਾਰਮ (ਝੂਠੇ ਸਕਾਰਾਤਮਕ) ਅਤੇ ਖੁੰਝੀਆਂ ਨੁਕਸ (ਝੂਠੇ ਨਕਾਰਾਤਮਕ) ਅਤੇ ਰੱਖ-ਰਖਾਅ ਦੇ ਫੈਸਲਿਆਂ ਦੇ ਸੰਤੁਲਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਉਤਪਾਦਨ ਲਾਈਨ 'ਤੇ ਇੱਕ ਬੇਅਰਿੰਗ ਦੀ ਅਚਾਨਕ ਅਸਫਲਤਾ ਘੰਟਿਆਂ ਦੇ ਡਾਊਨਟਾਈਮ, ਖੁੰਝੇ ਹੋਏ ਆਰਡਰ, ਅਤੇ ਕਈ ਵਾਰ ਜਮਾਂਦਰੂ ਨੁਕਸਾਨ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ। ਪਰੰਪਰਾਗਤ ਰੱਖ-ਰਖਾਅ ਦੋ ਹੱਦਾਂ 'ਤੇ ਰੁਕ ਜਾਂਦਾ ਹੈ: ਬਰੇਕਡਾਊਨ ਮੇਨਟੇਨੈਂਸ (ਇਸ ਨੂੰ ਠੀਕ ਕਰੋ ਜਦੋਂ ਇਹ ਟੁੱਟ ਜਾਵੇ-ਸਭ ਤੋਂ ਮਹਿੰਗਾ ਹੈਰਾਨੀ) ਅਤੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਰੱਖ-ਰਖਾਅ (ਸ਼ਡਿਊਲ ਅਨੁਸਾਰ ਬਦਲੋ-ਅਕਸਰ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਫਜ਼ੂਲ)। ਪੂਰਵ-ਅਨੁਮਾਨੀ ਰੱਖ-ਰਖਾਅ ਤੀਜਾ ਤਰੀਕਾ ਖੋਲ੍ਹਦਾ ਹੈ: ਮਸ਼ੀਨ ਦੀ ਅਸਲ ਸਥਿਤੀ ਨੂੰ ਲਗਾਤਾਰ ਮਾਪਣਾ, ਅਸਫਲਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਅਤੇ ਸਮੇਂ ਸਿਰ ਦਖਲ ਦੇਣਾ। ਵਾਈਬ੍ਰੇਸ਼ਨ, ਤਾਪਮਾਨ, ਕਰੰਟ ਅਤੇ ਧੁਨੀ ਵਰਗੇ ਸਿਗਨਲਾਂ ਵਿੱਚ ਬਦਲਾਅ ਹਫ਼ਤਿਆਂ ਪਹਿਲਾਂ ਇੱਕ ਖਰਾਬੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਏਆਈ ਇੱਥੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ: ਸਿਗਨਲਾਂ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨਾ, ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਬਾਕੀ ਬਚੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ। ਪਰ ਇੱਕ ਗਲਤ ਅਲਾਰਮ ਦਾ ਮਤਲਬ ਹੈ ਬੇਲੋੜਾ ਡਾਊਨਟਾਈਮ, ਇੱਕ ਖੁੰਝੀ ਹੋਈ ਨੁਕਸ ਦਾ ਮਤਲਬ ਹੈ ਤਬਾਹੀ; ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਫੈਸਲੇ ਦਾ ਸੰਤੁਲਨ ਇੰਜੀਨੀਅਰ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਵਰ ਕਰਦੇ ਹਾਂ ਕਿ AI ਦੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਰੱਖ-ਰਖਾਅ ਨੂੰ ਕਿਵੇਂ ਸੈੱਟ ਕਰਨਾ ਹੈ ਅਤੇ ਇਸਦੇ ਫੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।

ਵਾਈਬ੍ਰੇਸ਼ਨ ਅਤੇ ਤਾਪਮਾਨ ਕਿਉਂ?

ਘੁੰਮਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਨੁਕਸ ਗੁਣਾਂ ਦੇ ਦਸਤਖਤ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਜਦੋਂ ਇੱਕ ਬੇਅਰਿੰਗ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਗੇਅਰ ਚੀਰ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਸ਼ਾਫਟ ਅਸੰਤੁਲਿਤ ਹੋ ਜਾਂਦਾ ਹੈ, ਵਾਈਬ੍ਰੇਸ਼ਨ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਕੁਝ ਬਾਰੰਬਾਰਤਾਵਾਂ 'ਤੇ ਊਰਜਾ ਵਧ ਜਾਂਦੀ ਹੈ। ਤਾਪਮਾਨ ਰਗੜ ਅਤੇ ਲੋਡ ਵਾਧੇ ਦਾ ਇੱਕ ਹੌਲੀ ਪਰ ਭਰੋਸੇਯੋਗ ਸੂਚਕ ਹੈ। ਅਸੀਂ ਇਹਨਾਂ ਸਿਗਨਲਾਂ ਤੋਂ ਅਰਥਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕੱਢਦੇ ਹਾਂ:

ਵਿਸ਼ੇਸ਼ਤਾ

ਇਹ ਕੀ ਕਹਿੰਦਾ ਹੈ

ਕਿਹੜੀ ਖਰਾਬੀ?

RMS (ਪ੍ਰਭਾਵੀ ਮੁੱਲ)

ਆਮ ਵਾਈਬ੍ਰੇਸ਼ਨ ਊਰਜਾ

ਆਮ ਵਿਗਾੜ, ਅਸੰਤੁਲਨ

ਸਿਖਰ

ਅਚਾਨਕ ਝਟਕੇ

ਬੇਅਰਿੰਗ ਨੁਕਸ, ਨਿਸ਼ਾਨ

ਕਰੈਸਟ ਫੈਕਟਰ (ਪੀਕ/RMS)

ਪਲਸ ਸਮੱਗਰੀ

ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਬੇਅਰਿੰਗ ਅਸਫਲਤਾ

kurtosis

ਵੰਡ ਦੀ "ਚੜਾਈ"

ਪਲਸ ਨੁਕਸ ਦਾ ਲੱਛਣ

ਪ੍ਰਭਾਵੀ ਬਾਰੰਬਾਰਤਾ (FFT)

ਉਹ ਬਾਰੰਬਾਰਤਾ ਜਿਸ 'ਤੇ ਊਰਜਾ ਇਕੱਠੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ

ਖਾਸ ਭਾਗ ਅਸਫਲਤਾ

ਮੁੱਖ ਵਿਚਾਰ: ਕੱਚੇ ਸਿਗਨਲ ਨੂੰ ਦੇਖਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਨੁਕਸ-ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਾਂ। AI ਤੇਜ਼ੀ ਨਾਲ ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।

npdef jitter_attributes(signal, fs): """ਸਿਗਨਲ: ਪ੍ਰਵੇਗ ਕ੍ਰਮ, fs: ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ (Hz)" ਦੇ ਤੌਰ 'ਤੇ numpy ਆਯਾਤ ਕਰੋ। 0 ਹੋਰ 0 # ਕਰਟੋਸਿਸ (ਚੌਥਾ ਪਲ / ਵਿਭਿੰਨਤਾ^2) ਮੱਧਮਾਨ = np.mean(ਸਿਗਨਲ) ਕਰਟੋਸਿਸ = np.mean((ਸਿਗਨਲ - ਮਤਲਬ)**4) / (np.var(ਸਿਗਨਲ)**2 + 1e-12) # ਪ੍ਰਮੁੱਖ ਬਾਰੰਬਾਰਤਾ (FFT) ਸਪੈਕਟ੍ਰਮ = np.fsfsignal(frfsfsignal) = np.mean(signal) np.fft.rfftfreq(len(signal), 1/fs) dominant_f = ਫ੍ਰੀਕੁਐਂਸੀ[np.argmax(ਸਪੈਕਟ੍ਰਮ)] ਵਾਪਸੀ {"rms": rms, "peak": peak, "crest": crest, "kurtosis": kurtosis, "dominant_frequency_do"}

ਸੰਕੇਤ: AI ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਦੇ ਸਮੇਂ, ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ (fs) ਅਤੇ ਸਿਗਨਲ ਦੀ ਮਿਆਦ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ। FFT ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ Nyquist ਸੀਮਾ ਉਹਨਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਜੇਕਰ fs ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਪ੍ਰਭਾਵੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਵੇਗੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਿਹਤਮੰਦ ਮਸ਼ੀਨ ਤੋਂ "ਬੇਸਲਾਈਨ" ਨੂੰ ਇਕੱਠਾ ਕੀਤੇ ਬਿਨਾਂ ਕੋਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਰਥਪੂਰਨ ਨਹੀਂ ਹੈ।

ਥ੍ਰੈਸ਼ਹੋਲਡ-ਅਧਾਰਿਤ ਅਤੇ ਸਿੱਖਣ-ਅਧਾਰਿਤ ਖੋਜ

ਦੋ ਬੁਨਿਆਦੀ ਪਹੁੰਚ ਹਨ:

ਥ੍ਰੈਸ਼ਹੋਲਡ-ਅਧਾਰਿਤ: ਕਿਸੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸੀਮਾ (ਜਿਵੇਂ ਕਿ RMS) ਨੂੰ ਪਾਰ ਕਰਨਾ ਇੱਕ ਅਲਾਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਸਰਲ, ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਵਿਆਖਿਆਯੋਗ; ਪਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸਹੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਅਤੇ ਇਕ-ਅਯਾਮੀ ਹੈ.

ਲਰਨਿੰਗ-ਅਧਾਰਿਤ (ਅਸੰਗਤਤਾ ਖੋਜ): ਇਹ ਸਿਹਤਮੰਦ ਕੰਮ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਤੋਂ "ਆਮ" ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਭਟਕਣ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਬਹੁ-ਆਯਾਮੀ ਪੈਟਰਨਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਪਰ "ਬਲੈਕ ਬਾਕਸ" ਬਣਨ ਲਈ ਵਧੇਰੇ ਡੇਟਾ ਅਤੇ ਜੋਖਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

npdef z_score_anomali(ਮੁੱਲ, baseline_avg, baseline_std, threshold=3.0) ਦੇ ਤੌਰ 'ਤੇ numpy ਆਯਾਤ ਕਰੋ: """ਸਧਾਰਨ ਅੰਕੜਾ ਅਸੰਗਤਤਾ: ਬੇਸਲਾਈਨ ਤੋਂ ਕਿੰਨੀਆਂ stds ਦੂਰ ਹਨ?""" z = (ਮੁੱਲ - ਬੇਸਲਾਈਨ_avg) / (ਬੇਸਲਾਈਨ_std + 1th-zold)> #th-zold) ਵਾਪਸੀ ਉਦਾਹਰਨ: ਸਿਹਤਮੰਦ ਮਸ਼ੀਨ 'ਤੇ RMS ਔਸਤ 0.8, ਐਸਟੀਡੀ ਨੂੰ 0.1 ਅਲਾਰਮ ਮੰਨੋ, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, ਅਲਾਰਮ: {alarm}") - 5. alarm.

ਇੱਥੋਂ ਤੱਕ ਕਿ ਇਹ ਸਧਾਰਨ z-ਸਕੋਰ ਪਹੁੰਚ ਇੱਕ ਸਿਧਾਂਤ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ: ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੰਦਰੁਸਤ ਮਸ਼ੀਨ ਦੇ ਅੰਕੜਿਆਂ ਤੋਂ ਲਿਆ ਜਾਂਦਾ ਹੈ, ਇਹ ਮਨਮਾਨੇ ਢੰਗ ਨਾਲ ਨਹੀਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ। AI ਹੋਰ ਉੱਨਤ ਢੰਗਾਂ (ਆਈਸੋਲੇਸ਼ਨ ਫੋਰੈਸਟ, ਆਟੋਏਨਕੋਡਰ) ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਸਾਰਿਆਂ ਦਾ ਇੱਕੋ ਅਧਾਰ ਹੈ: ਪਹਿਲਾਂ "ਆਮ" ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਫਿਰ ਭਟਕਣਾ ਨੂੰ ਮਾਪੋ।

ਗਲਤ ਅਲਾਰਮ ਅਤੇ ਮਿਸਡ ਫਾਲਟ ਬੈਲੇਂਸ

ਇਹ ਭਵਿੱਖਬਾਣੀ ਦੇ ਰੱਖ-ਰਖਾਅ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਇੰਜੀਨੀਅਰਿੰਗ ਦਾ ਫੈਸਲਾ ਹੈ। ਇੱਥੇ ਦੋ ਕਿਸਮ ਦੀਆਂ ਤਰੁੱਟੀਆਂ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਲਾਗਤਾਂ ਅਸਮਿਤ ਹਨ:

ਗਲਤੀ ਦੀ ਕਿਸਮ

ਭਾਵ

ਲਾਗਤ

ਗਲਤ ਅਲਾਰਮ (ਗਲਤ ਸਕਾਰਾਤਮਕ)

ਅਲਾਰਮ ਜਦੋਂ ਕੋਈ ਨੁਕਸ ਨਹੀਂ ਹੁੰਦਾ

ਬੇਲੋੜੀ ਆਸਣ, ਆਤਮ-ਵਿਸ਼ਵਾਸ ਦਾ ਨੁਕਸਾਨ

ਖੁੰਝੀ ਹੋਈ ਗਲਤੀ (ਗਲਤ ਨਕਾਰਾਤਮਕ)

ਕੋਈ ਨੁਕਸ ਹੋਣ 'ਤੇ ਕੋਈ ਅਲਾਰਮ ਨਹੀਂ

ਅਚਾਨਕ ਖਰਾਬੀ, ਨੁਕਸਾਨ, ਖ਼ਤਰਾ

ਜੇਕਰ ਤੁਸੀਂ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹੋ (ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ) ਤਾਂ ਖੁੰਝਿਆ ਨੁਕਸ ਘੱਟ ਜਾਂਦਾ ਹੈ ਪਰ ਝੂਠਾ ਅਲਾਰਮ ਵਧਦਾ ਹੈ; ਆਪਰੇਟਰ ਅਲਾਰਮ ("ਅਲਾਰਮ ਥਕਾਵਟ") 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਵਧਾਉਂਦੇ ਹੋ, ਤਾਂ ਝੂਠੇ ਅਲਾਰਮ ਘੱਟ ਜਾਂਦੇ ਹਨ, ਪਰ ਅਸਲ ਨੁਕਸ ਗੁਆਉਣ ਦਾ ਜੋਖਮ ਵੱਧ ਜਾਂਦਾ ਹੈ। ਸਹੀ ਸੰਤੁਲਨ ਅਸਫਲਤਾ ਦੇ ਨਤੀਜੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਕ੍ਰੇਨ ਬ੍ਰੇਕ) ਵਿੱਚ ਖੁੰਝੀ ਅਸਫਲਤਾ ਅਸਵੀਕਾਰਨਯੋਗ ਹੈ, ਉੱਥੇ ਤੁਸੀਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਉੱਚਾ ਰੱਖਦੇ ਹੋ ਅਤੇ ਝੂਠੇ ਅਲਾਰਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ।

ਸਾਵਧਾਨੀ: AI ਦੁਆਰਾ ਸੁਝਾਈ ਗਈ ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਜਾਂ ਮਾਡਲ ਸ਼ੁੱਧਤਾ (ਉਦਾਹਰਨ ਲਈ "95% ਸ਼ੁੱਧਤਾ") ਵਰਗ ਅਸੰਤੁਲਨ ਦੇ ਕਾਰਨ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦੀ ਹੈ। ਖਰਾਬੀ ਬਹੁਤ ਘੱਟ ਹੁੰਦੀ ਹੈ; ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਮਾਡਲ ਜੋ ਹਮੇਸ਼ਾ ਕਹਿੰਦਾ ਹੈ "ਕੋਈ ਅਸਫਲਤਾ" ਉੱਚ ਸ਼ੁੱਧਤਾ ਦਿਖਾਉਂਦਾ ਹੈ ਪਰ ਕੋਈ ਲਾਭਦਾਇਕ ਨਹੀਂ ਹੈ. ਸਟੀਕਤਾ ਦੀ ਬਜਾਏ ਗਲਤ ਅਲਾਰਮ ਦਰ ਅਤੇ ਖੁੰਝੀ ਅਸਫਲਤਾ ਦਰ ਦੁਆਰਾ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ; ਤੁਹਾਡੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਜੋਖਮ ਇਸ ਸੰਤੁਲਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।

ਫੈਸਲੇ ਤੋਂ ਰੱਖ-ਰਖਾਅ ਤੱਕ: ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ

ਇੱਕ ਵਿਗਾੜ ਖੋਜ ਇੱਕ ਸਿੱਧੀ "ਸਟਾਪ ਮਸ਼ੀਨ" ਕਮਾਂਡ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ ਸੰਕੇਤ ਹੈ। ਆਮ ਪ੍ਰਵਾਹ: ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਇਆ ਗਿਆ → ਗੰਭੀਰਤਾ ਅਤੇ ਰੁਝਾਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ → ਦੇਖਭਾਲ ਟੀਮ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ (ਸਰੀਰਕ ਜਾਂਚ, ਵਾਧੂ ਮਾਪ) → ਯੋਜਨਾਬੱਧ ਦਖਲ। AI ਰੁਝਾਨ ਅਤੇ ਸੰਭਾਵਿਤ ਕਾਰਨ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ "ਇਸ ਬੇਅਰਿੰਗ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ" ਦਾ ਫੈਸਲਾ ਅਤੇ ਸਮਾਂ ਮਨੁੱਖ ਦੇ ਕੋਲ ਰਹਿੰਦਾ ਹੈ; ਕਿਉਂਕਿ ਮਨੁੱਖ ਉਤਪਾਦਨ ਯੋਜਨਾ, ਸਪੇਅਰ ਪਾਰਟਸ ਅਤੇ ਸੁਰੱਖਿਆ ਸੰਦਰਭ ਦੇਖਦੇ ਹਨ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਕੀ ਇਹ ਵਾਈਬ੍ਰੇਸ਼ਨ ਡੇਟਾ ਖਰਾਬ ਹੈ?" (ਕੋਈ ਬੇਸਲਾਈਨ ਨਹੀਂ, ਕੋਈ fs, ਕੋਈ ਸੰਦਰਭ ਨਹੀਂ। ਅਸਪਸ਼ਟ ਹਾਂ/ਨਹੀਂ।) STRONG: "ਮੇਰੇ ਕੋਲ 12 kHz 'ਤੇ ਨਮੂਨੇ ਵਾਲੇ ਬੇਅਰਿੰਗ ਦਾ 1 ਸਕਿੰਟ ਐਕਸੀਲੇਰੇਸ਼ਨ ਡੇਟਾ ਹੈ। RMS, ਕ੍ਰੈਸਟ ਫੈਕਟਰ, ਕਰਟੋਸਿਸ ਅਤੇ ਪ੍ਰਭਾਵੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਗਣਨਾ ਕਰੋ। ਮੇਰੇ ਕੋਲ 30-ਦਿਨ ਦੀ ਸਿਹਤਮੰਦ ਓਪਰੇਟਿੰਗ ਬੇਸਲਾਈਨ ਹੈ (RMS.0. avd = 0.8 ਮਾਪ। ਬੇਸਲਾਈਨ ਤੋਂ z-ਸਕੋਰ ਕਰੋ ਅਤੇ 3-ਸਿਗਮਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਅਨੁਸਾਰ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਪਰ ਇਹ ਦੱਸੋ ਕਿ ਇਹ ਇੱਕ ਨਿਰਣਾਇਕ ਫਾਲਟ ਫ੍ਰੀਕੁਐਂਸੀ ਨਹੀਂ ਹੈ।

ਮਿੰਨੀ ਕੇਸ

ਮੇਨਟੇਨੈਂਸ ਇੰਜੀਨੀਅਰ ਐਮਰੇ ਇੱਕ ਪੱਖਾ ਮੋਟਰ ਲਈ ਵਾਈਬ੍ਰੇਸ਼ਨ-ਅਧਾਰਿਤ ਨਿਗਰਾਨੀ ਸਥਾਪਤ ਕਰ ਰਿਹਾ ਹੈ। ਇਹ ਫੀਚਰ ਐਕਸਟਰੈਕਸ਼ਨ ਅਤੇ z-ਸਕੋਰ ਅਨੋਮਾਲੀ ਕੋਡ ਨੂੰ AI ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰਦਾ ਹੈ; ਸਿਸਟਮ ਕੁਝ ਦਿਨਾਂ ਦੇ ਅੰਦਰ ਅਲਾਰਮ ਦਿੰਦਾ ਹੈ। ਪਰ ਜਦੋਂ ਐਮਰੇ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਤਾਂ ਮਸ਼ੀਨ ਬਰਕਰਾਰ ਸਾਬਤ ਹੁੰਦੀ ਹੈ - ਗਲਤ ਅਲਾਰਮ। ਜਦੋਂ ਉਹ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ ਕਿ ਉਸਨੇ ਸਿਰਫ਼ 2 ਘੰਟੇ ਦੇ ਡੇਟਾ ਨਾਲ ਬੇਸਲਾਈਨ ਸਥਾਪਤ ਕੀਤੀ ਹੈ, ਜਦੋਂ ਕਿ ਲੋਡ ਬਦਲਣ ਦੇ ਨਾਲ ਪੱਖੇ ਦੀ ਵਾਈਬ੍ਰੇਸ਼ਨ ਆਮ ਤੌਰ 'ਤੇ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਹੁੰਦੀ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਲੋਡ ਹਾਲਤਾਂ ਨੂੰ ਕਵਰ ਕਰਨ ਲਈ ਬੇਸਲਾਈਨ ਨੂੰ 1 ਹਫ਼ਤੇ ਤੱਕ ਵਧਾਉਂਦਾ ਹੈ ਅਤੇ ਝੂਠੇ ਅਲਾਰਮ ਬੰਦ ਹੋ ਜਾਂਦੇ ਹਨ। ਫਿਰ ਉਹ ਕਰੈਸਟ ਕਾਰਕ ਵਿੱਚ ਇੱਕ ਹੌਲੀ ਉੱਪਰ ਵੱਲ ਰੁਝਾਨ ਦੇਖਦਾ ਹੈ; ਇਹ RMS ਦੇ ਅਜੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਪਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸ਼ੁਰੂਆਤੀ ਬੇਅਰਿੰਗ ਅਸਫਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਸਰੀਰਕ ਜਾਂਚ ਬੇਅਰਿੰਗ ਦੇ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਪਹਿਨਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ। Emre ਇੱਕ ਯੋਜਨਾਬੱਧ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ ਬੇਅਰਿੰਗ ਨੂੰ ਬਦਲਦਾ ਹੈ, ਅਤੇ ਕੋਈ ਅਚਾਨਕ ਰੋਕ ਨਹੀਂ ਹੁੰਦੀ। ਏਆਈ ਨੇ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਵਿਗਾੜ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਗਣਨਾ ਕੀਤੀ; ਪਰ ਬੇਸਲਾਈਨ ਗੁਣਵੱਤਾ ਅਤੇ ਰੁਝਾਨ ਦੀ ਵਿਆਖਿਆ—ਝੂਠੇ ਅਲਾਰਮਾਂ ਨੂੰ ਖਤਮ ਕਰਨਾ ਅਤੇ ਅਸਲ ਅਸਫਲਤਾ ਨੂੰ ਜਲਦੀ ਫੜਨਾ—ਇੰਜੀਨੀਅਰ ਦਾ ਕੰਮ ਬਣ ਗਿਆ।

ਆਮ ਗਲਤੀਆਂ

• ਸਿਹਤਮੰਦ ਮਸ਼ੀਨ ਤੋਂ ਢੁਕਵੀਂ/ਪ੍ਰਤੀਨਿਧੀ ਬੇਸਲਾਈਨ ਇਕੱਠੀ ਕੀਤੇ ਬਿਨਾਂ ਥ੍ਰੈਸ਼ਹੋਲਡ ਸੈੱਟ ਕਰਨਾ।
• ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਬਿਨਾਂ FFT/ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।
• "ਸ਼ੁੱਧਤਾ" ਦੇ ਨਾਲ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਅਤੇ ਦੁਰਲੱਭ ਖਰਾਬੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਗੁੰਮਰਾਹਕੁੰਨ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨਾ।
• ਪ੍ਰਕਿਰਿਆ ਦੇ ਜੋਖਮ ਤੋਂ ਸੁਤੰਤਰ, ਮਨਮਾਨੇ ਢੰਗ ਨਾਲ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਚੋਣ ਕਰਨਾ।
• ਇੱਕ ਸਿੱਧੀ ਸਟਾਪ ਕਮਾਂਡ ਦੇ ਤੌਰ ਤੇ ਅਸੰਗਤ ਸੰਕੇਤ ਨੂੰ ਗਲਤ ਕਰਨਾ ਅਤੇ ਮਨੁੱਖੀ ਤਸਦੀਕ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ.
• ਇੱਕ ਸਿੰਗਲ ਮੀਟ੍ਰਿਕ ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਰੁਝਾਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ (ਹੌਲੀ ਵਾਧਾ)।

ਸੰਖੇਪ ਵਿੱਚ

• ਪੂਰਵ-ਅਨੁਮਾਨਤ ਰੱਖ-ਰਖਾਅ ਮਸ਼ੀਨ ਦੀ ਅਸਲ ਸਥਿਤੀ ਨੂੰ ਮਾਪਦਾ ਹੈ ਅਤੇ ਅਸਫਲਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।
• RMS, ਕ੍ਰੈਸਟ, ਕਰਟੋਸਿਸ, ਪ੍ਰਭਾਵੀ ਬਾਰੰਬਾਰਤਾ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਈਬ੍ਰੇਸ਼ਨ/ਤਾਪਮਾਨ ਤੋਂ ਕੱਢੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
• ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਤੰਦਰੁਸਤ ਮਸ਼ੀਨ ਦੇ ਬੇਸਲਾਈਨ ਅੰਕੜਿਆਂ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ।
• ਝੂਠੇ ਅਲਾਰਮ ਅਤੇ ਖੁੰਝੇ ਹੋਏ ਨੁਕਸ ਦਾ ਸੰਤੁਲਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਜੋਖਮ ਦੇ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
• ਦੁਰਲੱਭ ਨੁਕਸ ਵਿੱਚ, "ਸ਼ੁੱਧਤਾ" ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਝੂਠੇ ਅਲਾਰਮ/ਮਿਸ ਦਰਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
• ਅਸੰਗਤਤਾ ਇੱਕ ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ ਸੰਕੇਤ ਹੈ; ਦੇਖਭਾਲ ਦਾ ਫੈਸਲਾ ਅਤੇ ਸਮਾਂ ਵਿਅਕਤੀ ਕੋਲ ਰਹਿੰਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਵਾਈਬ੍ਰੇਸ਼ਨ ਜਾਂ ਤਾਪਮਾਨ ਸਮਾਂ ਲੜੀ ਲੱਭੋ ਜਾਂ ਨਕਲ ਕਰੋ (ਇੱਕ ਸਿਹਤਮੰਦ ਅਧਾਰ + ਇੱਕ ਹੌਲੀ-ਹੌਲੀ ਵਿਗੜਦਾ ਭਾਗ)। ਬੇਸਲਾਈਨ ਤੋਂ AI ਤੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਐਕਸਟਰੈਕਸ਼ਨ (RMS, crest, kurtosis) ਅਤੇ z-ਸਕੋਰ ਅਨੌਮਲੀ ਖੋਜ ਕੋਡ ਪ੍ਰਿੰਟ ਕਰੋ। ਫਿਰ: (1) ਕੇਵਲ ਸਿਹਤਮੰਦ ਭਾਗ ਤੋਂ ਬੇਸਲਾਈਨ ਸੈੱਟ ਕਰੋ ਅਤੇ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦਿਓ, (2) 2-ਸਿਗਮਾ ਅਤੇ 4-ਸਿਗਮਾ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਤੁਲਨਾ ਕਰੋ ਕਿ ਝੂਠੇ ਅਲਾਰਮ ਅਤੇ ਖੁੰਝੀਆਂ ਨੁਕਸਾਂ ਦੀ ਗਿਣਤੀ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ, (3) ਇੱਕ ਮਾਪ ਦੀ ਬਜਾਏ ਵਿਸ਼ੇਸ਼ਤਾ ਰੁਝਾਨ ਨੂੰ ਪਲਾਟ ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਕੀ ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ। ਦੱਸੋ ਕਿ ਤੁਹਾਡੇ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਜੋਖਮ ਲਈ ਕਿਹੜੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਉਚਿਤ ਹੈ ਅਤੇ ਜਾਇਜ਼ ਠਹਿਰਾਓ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਉਂ ਚੁਣਿਆ ਹੈ।