Predictive Maintenance Toolbox
למידע ופרטים נוספים מלאו ושלחו את פרטיכם, ואנו נחזור אליכם בהקדם:
מדוע צריך לבצע אחזקה חזויה?
כל יום במהלך העבודה, אנו מסתמכים על הביצועים של מכונות שונות, ונוטים להמשיך בעבודה כל עוד ניתן, אבל חייבים להבין שכל מכונה מתקלקלת בסופו של דבר אלא אם כן נדאג לתחזק אותה באופן שוטף.
חשוב מאוד לבצע בדק בית ולשאול את עצמנו באופן תדיר סט של שאלות, עליהן נוכל לענות בהתאם לדאטה המתקבל מסנסורים על גבי המכונות:
- האם המכונה שלי מתפקדת באופן תקין?
- למה המכונה שלי מתפקדת באופן בלתי תקין?
- כמה זמן נותר למכונה לתפקד עד שתקרוס?
באמצעות אחזקה חזויה (Predictive Maintenance), ניתן להעריך מתי יתרחש הכשל הבא במכונה, וכך לתכנן באופן חכם את התחזוקה מראש, לנהל טוב יותר את מלאי המכונות, למנוע השבתות לא מתוכננות, ולמקסם בסופו של דבר את זמן החיים של הציוד.
בסרטון הקצר הבא מוצגים ההבדלים בין גישות אחזקה שונות, בהן התחזוקה מתקיימת רק לאחר שכשל מסוים מאובחן במערכת, לעומת אחזקה חזויה, בה אנו מבצעים ניטור רציף על המצב הדינמי של המכונות, ובהתאם מתכננים את תזמון האחזקה לנקודת זמן אידאלית לפני היווצרות הכשל.
מה ניתן לעשות עם כלי Predictive Maintenance Toolbox?
הכלי מאפשר לתכנן ולפתח מערכות לומדות אשר בהתאם לדאטה שמתקבל מהסנסורים שעל גבי מכונות שונות (למשל מנועים, בטריות, מיסבים ועוד) תפקידן להעריך את מצב "בריאות" המכונות. בין אם זה דרך היכולת לסווג הימצאות של תקלות שונות במכונה, עוד לפני שהן קורות, ובין אם זה דרך פיתוח אלגוריתמים לומדים שמטרתם להעריך את זמן החיים הנותר של המכונות.
להעמקת ההבנה בנושא הורידו את ה-E-book הבא:
3 דרכים להעריך את זמן החיים הנותר של מכונה
שלחו אלינו דוא"ל, והורידו אליכם E-book
לחלופין, יתכן שהשאלה אותה נרצה לחקור לגבי תפקוד המכונה היא כמה זמן עוד נותר לה לפעול?
לשם כך, כנראה שיהיה צורך באימון מודל RUL Estimator אשר מתבסס על דאטה היסטורי של פעילות המכונה, שיוכל לנבא את זמן החיים הנותר של המכונה, ובהתאם לאפטם את תזמון התחזוקה.
תכנון אלגוריתמי AI
יצירת אלגוריתם חיזוי אמין זה יותר מרק לשלב AI למערכת.
חשוב שנדע כיצד לגשת לדאטה מהסנסורים, לסנכרן ביניהם, לנקות ולחקור את הדאטה על מנת לדעת לחלץ את הפיצ'רים המתאימים ביותר לאימון מודלי החיזוי שלנו.
ניתן להשתמש בכלים אינטרקטיביים לביצוע Feature Engineering- לשם חילוץ פיצ'רים שימושיים מהדאטה ולדירוגם.
תוכלו לראות מידע נוסף על הנושא כאן.
איך מתחילים?
במידה ועדיין לא נוקטים בגישת אחזקה חזויה המשלבת AI אצלכם בחברה, הרעיון בהחלט יכול להישמע מרתיע וקשה ליישום.
אנו מציעים בתור התחלה לשמוע על עולם התוכן ועל המונחים דרך היכרות עם תחום האחזקה החזויה וכן להתנסות בדוגמאות פרקטיות המראות כיצד ניתן ליישם גישות באחזקה חזויה עם MATLAB.
מידול רכיבים ומערכות
אחד מהאתגרים העיקריים של פיתוח מודלי אחזקה חזויה הוא הימצאות דאטה קיים של התנהגות המערכת, כולל דאטה המאפיין פגמים במכונות.
על מנת להתגבר על אתגר זה, ניתן לייצר דאטה אשר מבטא את כשל המערכת בצורה סינטטית, לאמן מודלי ניבוי ולהריץ סימולציות על הביצועים העתידיים של המערכת.
נוכל לבצע סימולציות מערכתיות אשר כוללות את תתי הרכיבים הרבים שמרכיבים את המערכת באמצעות אינטגרציה עם מידול מבוסס בלוקים, וכן נוכל לייצר תאום דיגיטלי (Digital Twin) של המערכת, שיוכל לעזור בניטור על הביצועים של המערכת ולבצע ניבויים עתידיים להתנהגותה.
למידע נוסף על תאום דיגיטלי, לחצו כאן.
מעבר לכך, אנו מזמינים אתכם לצלילה יותר מעמיקה לתחום דרך הקורסים המקצועיים שאנו מעבירים במרכז ההדרכה של סיסטמטיקס.
בסרטון הבא מוצגים העקרונות וההבדלים בין שיטות האחזקה השונות, וכן מוצגות דוגמאות שניתן להריץ ולבדוק אצלכם במחשב כבר מהיום.
Predictive Maintenance – כי תזמון (התחזוקה) זה עניין של טיימינג
ניתן למצוא בבלוג שלנו פוסטים רלוונטיים שמציעים היכרות עם התחום דרך הסברים, הדרכות וסרטונים:
היכנסו לבלוג PdM היכרות עם הנושא
הדרך הכי טובה ללמוד, היא דרך מישהו אחר שכבר עשה את זה!
זמן השבתה עבור טורבינות רוח ימיות זהו דבר הטומן בחובו הפסדים כלכליים גדולים.
תוכלו לקרוא כיצד חברת Korea Institute of Energy Research פיתחה מודל AI לזיהוי כשלים פוטנציאליים ברכיבים לפני שהם מתרחשים, עם אחוזי דיוק של מעל 90%, ועם מעט מאוד ידע מקדים ב-AI.