แมชชีนเลิร์นนิงสามารถนำไปใช้กับการบำรุงรักษาเชิงคาดการณ์ได้อย่างไร

การใช้ข้อมูลที่รวบรวมจากอุปกรณ์ Internet of Things (iiot) ระดับอุตสาหกรรม ทำให้เราสามารถแก้ไขปัญหาการบำรุงรักษาได้หลากหลาย เพื่อบรรลุเป้าหมายสูงสุดของการใช้การเรียนรู้ของเครื่อง (ML) เพื่อให้บรรลุสถานการณ์ที่ต้องยึดไว้ก่อน การใช้การเรียนรู้ของเครื่องรวมกับข้อมูลที่รวบรวมจากอุปกรณ์ Internet of Things (iiot) ระดับอุตสาหกรรม สามารถปรับปรุงกระบวนการ ลดต้นทุน และปรับปรุงประสิทธิภาพได้ การบำรุงรักษาเชิงคาดการณ์จะใช้ข้อมูลและแบบจำลองเพื่อคาดการณ์เมื่ออุปกรณ์หรือทรัพย์สินเกิดความล้มเหลว แนวทางนี้สามารถช่วยให้บริษัทต่างๆ รับมือกับสถานการณ์เชิงรุกที่อาจนำไปสู่การหยุดทำงานหรือการหยุดชะงักที่มีค่าใช้จ่ายสูงได้ด้วยการคาดการณ์ความล้มเหลว อีกวิธีหนึ่งคือนำวิธี "ปิดการซ่อมแซม" ซึ่งมีราคาแพงสำหรับบริษัทในหลาย ๆ ด้าน เมื่อเครื่องขัดข้องต้องใช้ทรัพยากรจำนวนมากในการคืนค่าเครื่องให้เป็นปกติเมื่อเทียบกับการรู้และหลีกเลี่ยงปัญหาล่วงหน้าประเภทการบำรุงรักษา มีวิธีการบำรุงรักษาสามวิธี: 1. การบำรุงรักษาแบบพาสซีฟ การบำรุงรักษาแบบพาสซีฟหมายความว่าเราจะเปลี่ยนส่วนประกอบเมื่อส่วนประกอบล้มเหลวเท่านั้น วิธีนี้สามารถนำไปสู่ผลลัพธ์ที่ร้ายแรงและมีราคาแพง และอาจเป็นอันตรายได้ขึ้นอยู่กับประเภทของเครื่องจักรที่เรากำลังพูดถึง ตัวอย่างเช่น หากเครื่องจักรดังกล่าวเป็นเครื่องยนต์ไอพ่น ความล้มเหลวอาจเป็นอันตรายต่อชีวิตของผู้คนหลายร้อยคน และอาจทำลายชื่อเสียงของบริษัทได้ 2. การบำรุงรักษาเชิงป้องกัน การบำรุงรักษาตามแผนล่วงหน้าเป็นวิธีการที่ดีกว่าเล็กน้อย เนื่องจากปัญหาได้รับการจำแนกและจัดการอย่างสม่ำเสมอ อย่างไรก็ตาม คุณอาจเปลี่ยนแปลงหรือคงไว้ซึ่งการดำเนินการก่อนที่จะจำเป็นต้องดำเนินการจริง ซึ่งจะทำให้สิ้นเปลืองทรัพยากรของบริษัท คุณไม่รู้ว่าความล้มเหลวจะเกิดขึ้นเมื่อใด ดังนั้นคุณจึงต้องใช้แนวทางอนุรักษ์นิยมเพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่จำเป็น ตัวอย่างเช่น เมื่อคุณบำรุงรักษาเครื่องจักรล่วงหน้า คุณจะสูญเสียอายุการใช้งานของเครื่องจักรไปจริง ๆ โดยใช้ทรัพยากรการบำรุงรักษาไม่มีประสิทธิภาพ และมักจะทำให้ต้นทุนทางธุรกิจของคุณเพิ่มขึ้น 3. ความสามารถในการคาดการณ์ เป็นการดีที่สุดที่จะสามารถคาดการณ์ได้ว่าเครื่องจักรจะล้มเหลวเมื่อใด แต่เป็นการยากที่จะคาดการณ์ได้อย่างแม่นยำ ในกรณีที่ดีที่สุด คุณจะรู้ว่าเมื่อใดที่เครื่องจะขัดข้อง นอกจากนี้คุณยังจะทราบด้วยว่าส่วนประกอบใดที่จะใช้งานไม่ได้ ดังนั้นคุณจึงสามารถลดเวลาที่ใช้ในการวินิจฉัยปัญหา ตลอดจนลดการสิ้นเปลืองและความเสี่ยงในกระบวนการได้ เมื่อระบบคาดการณ์การขัดข้องของเครื่องจักรส่งสัญญาณ แผนการบำรุงรักษาควรใกล้เคียงกับเหตุการณ์มากที่สุดเท่าที่จะเป็นไปได้เพื่อใช้งานอายุการใช้งานที่เหลืออยู่ได้อย่างเต็มที่ ปัญหาที่การบำรุงรักษาเชิงคาดการณ์สามารถแก้ไขได้ การใช้ข้อมูลที่รวบรวมจากอุปกรณ์ Internet of Things (iiot) ทางอุตสาหกรรม ทำให้เราสามารถแก้ไขปัญหาการบำรุงรักษาได้หลากหลาย เป้าหมายสูงสุดคือการใช้การเรียนรู้ของเครื่อง (ML) เพื่อให้บรรลุสถานการณ์ที่ยึดเอาเสียก่อนปัญหาที่สามารถแก้ไขได้ ได้แก่ : ▲ การตรวจจับข้อบกพร่องตั้งแต่เนิ่นๆ ในกรณีนี้ เราสามารถตรวจจับข้อผิดพลาดได้ก่อนที่ข้อผิดพลาดจะเกิดขึ้นโดยการนำข้อมูลเซ็นเซอร์ไปใช้กับอัลกอริธึมการเรียนรู้ของเครื่อง ▲ เพิ่มอายุการใช้งานที่เหลืออยู่ให้สูงสุด ด้วยการคาดการณ์ช่วงเวลาระหว่างความล้มเหลวของส่วนประกอบ เราจึงสามารถดำเนินการบำรุงรักษาหรือเปลี่ยนส่วนประกอบในเวลาที่เหมาะสมได้ ▲ ตรวจจับจุดบกพร่อง แนวคิดนี้รวมถึงการทำนายเมื่อส่วนประกอบจะล้มเหลว และช่วยคาดการณ์ได้ดีขึ้นว่าส่วนประกอบหรือเครื่องจักรในขั้นตอนใดจะล้มเหลวในวงจรชีวิตของมัน ยิ่งเราสามารถคาดการณ์ได้แม่นยำมากขึ้นว่าเมื่อใดที่ส่วนประกอบหรือเครื่องจักรจะล้มเหลว ก็ยิ่งง่ายขึ้นในการบรรลุผลผลิตและประสิทธิภาพสูงสุดทั่วทั้งองค์กร สิ่งที่คุณจะได้เห็นในการปรับปรุงได้แก่: ▲ การลดความเสี่ยง ▲ ปรับปรุงความปลอดภัยในสถานที่ทำงาน ▲ การใช้กำลังแรงงานอย่างมีประสิทธิผลมากขึ้น ▲ ระดับการผลิตที่คาดการณ์ได้ ▲ รายได้จากการผลิตระดับสูงสุด ▲ ขจัดงานบำรุงรักษาที่ไม่จำเป็น ▲ ต้องใช้ทรัพยากรน้อยลงในการตรวจสอบประสิทธิภาพของเครื่องจักร ▲ เพิ่มบริการสูงสุด อายุการใช้งานของเครื่องและส่วนประกอบวิธีการบำรุงรักษาเชิงคาดการณ์ เพื่อให้การบำรุงรักษาเชิงคาดการณ์ประสบความสำเร็จ มีประเด็นหลักสามประการ ประการแรกและที่สำคัญที่สุด คุณต้องมีข้อมูลคุณภาพสูง ตามหลักการแล้ว ข้อมูลในอดีตควรคำนึงถึงเหตุการณ์ข้อบกพร่องในอดีตด้วย จำเป็นต้องวางข้อมูลข้อผิดพลาดร่วมกับคุณลักษณะคงที่ของเครื่อง (รวมถึงการใช้งานโดยเฉลี่ย คุณลักษณะทั่วไป และสภาวะการทำงานของเครื่อง) ไม่ต้องสงสัยเลยว่าคุณจะได้รับข้อมูลจำนวนมาก ดังนั้นการมุ่งเน้นที่ข้อมูลที่ถูกต้องจึงเป็นสิ่งสำคัญ การมุ่งเน้นไปที่ข้อมูลที่ไม่เกี่ยวข้องจะทำให้สิ่งต่างๆ ยุ่งเหยิงและหันเหความสนใจจากจุดที่สำคัญที่สุด (จากบ้าน IOT) ควรถามตัวเองว่ามีโอกาสเกิดความล้มเหลวแบบใด? คุณต้องการทำนายอะไร? จะเกิดอะไรขึ้นเมื่อกระบวนการล้มเหลว? มันจะเกิดขึ้นเร็วๆ นี้หรือจะค่อยๆ พังทลายลงเมื่อเวลาผ่านไป? สุดท้ายนี้ ให้พิจารณาระบบและส่วนประกอบอื่นๆ ที่เกี่ยวข้องให้ละเอียดยิ่งขึ้น มีส่วนประกอบอื่น ๆ ที่เกี่ยวข้องกับข้อผิดพลาดหรือไม่? สามารถวัดประสิทธิภาพของพวกเขาได้หรือไม่? สุดท้ายแล้ว การวัดเหล่านี้ใช้เวลาบ่อยแค่ไหน? เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด การรวบรวมข้อมูลจะใช้เวลานาน ข้อมูลคุณภาพสูงสามารถนำไปสู่แบบจำลองการคาดการณ์ที่แม่นยำยิ่งขึ้น ข้อบกพร่องใดๆ จะจำกัดขอบเขตของความเป็นไปได้เท่านั้น และจะไม่ให้ข้อเท็จจริงที่แน่ชัดแก่คุณ วิเคราะห์ข้อมูลที่มีอยู่และถามตัวเองว่าเป็นไปได้หรือไม่ที่จะสร้างแบบจำลองการคาดการณ์ตามข้อมูลเชิงลึกเหล่านี้ โดยทั่วไป เราใช้วิธีการสร้างแบบจำลองเชิงคาดการณ์สองวิธี: แบบจำลองการถดถอยสามารถคาดการณ์อายุการใช้งานที่เหลืออยู่ของส่วนประกอบได้ มันบอกเราว่าเครื่องจะพังนานแค่ไหน เพื่อให้แบบจำลองการถดถอยทำงานได้ จะต้องระบุข้อมูลในอดีต แต่ละเหตุการณ์จะได้รับการติดตาม และตามหลักการแล้ว ข้อผิดพลาดทุกประเภทจะถูกนำเสนอ แบบจำลองการถดถอยให้ข้อสันนิษฐานว่าวงจรชีวิตที่เหลืออยู่ของระบบสามารถคาดการณ์ได้โดยพิจารณาจากลักษณะโดยธรรมชาติ (คงที่) และประสิทธิภาพปัจจุบัน อย่างไรก็ตาม หากระบบล้มเหลวในหลายๆ ด้าน จะต้องสร้างแบบจำลองแยกต่างหากสำหรับแต่ละความเป็นไปได้ แบบจำลองการจำแนกประเภทสามารถทำนายความล้มเหลวของเครื่องจักรในเวลาที่กำหนดได้ เราไม่จำเป็นต้องรู้ล่วงหน้าว่าเครื่องจักรกำลังจะพัง แต่เราแค่ต้องรู้ไว้ว่าความล้มเหลวกำลังจะเกิดขึ้น โมเดลการจำแนกประเภทและการถดถอยมีความคล้ายคลึงกันในหลายแง่มุม แต่จะแตกต่างกันในบางแง่มุม ประการแรก การจัดหมวดหมู่จะเน้นที่กรอบเวลามากกว่าเวลาที่แน่นอน ซึ่งหมายความว่าข้อมูลที่ต้องใช้ไม่เข้มงวดมากนักหลักการทำงาน เมื่อสร้างแบบจำลองแล้ว การบำรุงรักษาเชิงคาดการณ์สามารถดำเนินการได้ด้วยวิธีต่อไปนี้: โมเดลการเรียนรู้ของเครื่องรวบรวมข้อมูลเซ็นเซอร์และระบุเหตุการณ์ก่อนเกิดข้อผิดพลาดโดยอิงตามข้อมูลความผิดปกติในอดีต เราตั้งค่าพารามิเตอร์ที่จำเป็นไว้ล่วงหน้าเพื่อกระตุ้นการแจ้งเตือนข้อผิดพลาดที่อาจเกิดขึ้น เมื่อข้อมูลเซ็นเซอร์เกินเกณฑ์พารามิเตอร์เหล่านี้ สัญญาณเตือนจะเริ่มต้นขึ้น หน้าที่ของการเรียนรู้ของเครื่องคือการตรวจจับโหมดที่ผิดปกตินอกเหนือจากการทำงานของระบบปกติ ด้วยความช่วยเหลือจากข้อมูลคุณภาพสูง เราจึงมีความเข้าใจเกี่ยวกับความผิดปกติเหล่านี้ได้ดีขึ้น และความสามารถในการทำนายข้อผิดพลาดของเราจะดีขึ้นอย่างมาก โดยสรุป การเรียนรู้ของเครื่องสนับสนุนการวิเคราะห์ข้อมูลจำนวนมากโดยมีการแทรกแซงของมนุษย์น้อยที่สุด การใช้การเรียนรู้ของเครื่องรวมกับข้อมูลที่รวบรวมจากอุปกรณ์ IOT อุตสาหกรรมสามารถลดต้นทุน ปรับปรุงกระบวนการ ลดการหยุดทำงานของเครื่องจักร และเพิ่มประสิทธิภาพของพนักงาน ซึ่งเป็นกุญแจสู่ความสำเร็จขององค์กร