Pull to refresh

Comments 10

Очень живая/нужная тема для производства.
Спасибо за статью.

Это примерено как диагностика в гомеопатии.
Набор признаков выдает место где реально сбой (он не очевиден изначально) и пилюлю.
Тема предиктивной аналитики очень интересная но пока не очень развитая из-за:
«Пока осталась нерешённой проблема «человеческого фактора», из-за которой случается примерно 80% поломок»
Это действительно так — порой действия необученного и не сильно мотивированного персонала граничат с диверсией (но вроде ни разу такое не подтвердилось, все происходит по глупости, лени, незнанию и наплевательскому отношению)
И это можно решить повышением квалификации персонала, и, что самое главное — последующим соответствующим повышением ЗП. А то сначала людей обучают чуть ли не насильно, а потом навешивают на них кучу дополнительных обязанностей — не увеличивая ЗП и порой даже заставляют их отрабатывать вложенные в обучение деньги.
Человек, естественно, сопротивляется — сначала учится спустя рукава, а потом так же и работает — и вот тут и случаются те самые 80% аварий…
Либо надо менять технологию так, что бы случайное влияние уменьшать… «защита от дурака»
Если конечно не коммерческая тайна — скажите пожалуйста: сколько человек занимались программной реализацией данной технологии и в течении какого срока? (сбор телеметрии, интерфейсы настройки и HMI, машинное обучение)
Если не учитывать время на сбор телеметрии и не ждать пока произойдёт сотня сбоев.
Если мы говорим про SmartSignal, то на пилотном объёме у нас была рабочая группа из 12 человек. Это в большинстве своём сотрудники производства — технологи, менеджеры по надежности и эксперты по автоматизации. Длительность по каждому агрегату — 3 месяца.
А до первого запуска когда всё было на стадии альфа-бета? Тоже 3 месяца? Или сразу был сбор телеметрии без HMI?
Телеметрия была первична, да. Сначала начали собирать и хранить данные, потом уже пробовали с ними делать разные аналитики)
Идея создания цифрового двойника оборудования для обучения системы диагностики жизнеспособна не только на сложном уникальном оборудовании, но и на относительно простом и распространённом. В отсутствии достаточного количества качественных данных, тем более с привязкой к технологическому процессу, для нас выходом стала разработка модели изделия в Matlab с последующей симуляцией возможных дефектов. Сеть, обученная на искусственных данных, в опытной эксплуатации выявила ожидаемые дефекты. Очевидно, что качество диагностики будет зависеть от качества исходной модели, но все же на старте проекта это оказалось проще, чем собирать данные в эксплуатирующих организациях.
> Работает предиктивная диагностика по иному принципу – математическая модель обучается не на отказах, а на правильной работе оборудования в различных режимах. Именно этой стратегии предсказания придерживаются, например, хозяева кошек: они не пытаются диагностировать, чем именно заболело животное, а просто подмечают, что оно ведёт себя не как обычно. То есть что модель нормального кота не работает. И это позволяет понять, что есть какая-то проблема.

Очень простая, но совершенно неочевидная идея, спасибо!
Применимо к любому мониторингу, пожалуй
Надо обдумать в своем контексте

Замечательный опыт. Отличная статья. Примерно лет 15 назад был интересный опыт создания системы предсказания отказов системы термоконтроля реактора ВВР 440. Матстатистика в основе конечно же. Среднеквадратичное отклонение и дисперсия. Хорошо работала. Система сама оповещала в специальном приложении типа всплывающих сообщений в win 10 об отказах термопар и каналов измерения.

Sign up to leave a comment.