Comments 4
Да, интересная тема. Это должна была стать второй частью моей работы в аспирантуре, после диплома по использованию данных телеметрии при эксплуатации грузовика в режиме онлайн. На забугорной технике повсеместно это используется, и это хороший способ получения набора данных. Только тут не ИИ, а обыкновенная регрессия для построения модели наработке деталей до отказа с учетом многих параметров. Например, износ поршневой от периодичности замены масла, пробега, времени работы, даже можно вычислить число оборотов колен вала за весь период. Сюда можно добавлять огромное количество данных и искать наличие зависимости от них... Это я знаю пару лет назад пытались сделать на железнодорожных локомотивах... Там экономически это выгодно...
Это и раньше делалось в авиации, когда для каждого агрегата был свой срок эксплуатации по нормативам, после перешли эксплуатацию по состоянию. Просто тогда было все в ручную, а сейчас есть возможность получать данные в режиме онлайн и обрабатывать большие объемы дпнных
Подход очень интересный. Но есть важный момент, что ИИ - это группа технологий, а не что-то одно. В ряде сфер такой подход не годится, как и было сказано. В пищевой промышленности даже некоторые нужные датчики ради удешевления в проекте оборудования не заложены, на говоря о таком подходе. Знакомые говорили, что на трубных заводах проще всю механическую расходку линии в конкретный момент снять и выбросить, поставить новое, чем рисковать, что одна линия трубопроката встанет. Те же подшипники стоят меньше чем убытки от сбоя. На опасных производствах сбои - это горы трупов, там тоже просто по графику замена, когда ресурс элемента ещё достаточен.
Добрый день! Вы все верно пишете. Я с коллегами за 2022-2023 год обошел больше 80 предприятий. Везде свои проблемы и взгляды (к сожалению, многие из них из прошлого). Но ясно одно - идти нужно в ногу со временем. А чтобы это получалось, нужно изучать и пробовать. Эффективность систем прогнозируемого обслуживания + ИИ доказана. Есть классный отчет: Ucar, A.; Karakose, M.; Kırımça, N. Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Appl. Sci. 2024, 14, 898. https://doi.org/10.3390/app14020898
Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания в промышленности