Раскрывая силу данных и машинного обучения

SKF адаптирует методологию профилактического технического обслуживания для использования в решениях с машинным обучением

Данные – ключ к машинному обучению, которое запускает технологии нового поколения, ведущие к увеличению производительности и эффективности.

Данные быстро становятся одним из наиболее важных активов компаний в промышленности. В особенности, это является ключевым моментом при развитии нового поколения технологий машинного обучения, которые смогут обеспечить более высокий уровень производительности и эффективности, давая возможность персоналу быстро принимать решения на основе имеющейся информации.

Машинное обучение – это не новая концепция – название было придумано пионером искусственного интеллекта, Артуром Сэмюэлем, семьдесят лет назад, когда он работал на компьютерный гигант IBM. Однако, его практическое применение началось недавно, оно включает решения от беспилотных автомобилей до распознавания речи и технологий поиска в интернете.

Для улучшения технического обслуживания и контроля вращающихся узлов оборудования SKF развивает технику машинного обучения, которая использует обучающие алгоритмы, чтобы дать компьютерным системам обучаться без непосредственного программирования.

Успех, однако, зависит от умения собрать, систематизировать и грамотно интерпретировать большие объемы данных. Также как и для человека, осваивать новые навыки трудно без информации или примеров, которым можно последовать, таким образом, машины не могут учиться без доступа к данным: алгоритмы машинного обучения по сути изучают модели поведения из набора данных, которые им предоставляют.

Одним из больших вызовов для SKF является необходимость найти методы организации и описания наборов данных, чтобы можно было извлечь максимальную пользу для каждого применения. Компания работает с инженерами, чтобы определить, данные по каким характеристикам нужно собирать, как хранить данные, как их объединять и как сделать правильную классификацию, чтобы можно было сравнить похожие данные в разных применениях, отраслях и странах.

Хотя компания собирает данные с многих миллионов подшипников, они должны быть организованы в едином формате, чтобы упростить последующее развитие точных и воспроизводимых методов машинного обучения. Чтобы процесс шел успешно, качество данных также важно. Во многих случаях, для эффективного машинного обучения потребуется небольшая часть собранных данных, большая сложность в том, чтобы определить и отделить данные, которые имеют реальную ценность для каждой области применения. Также данные часто хранятся в беспорядке, иногда в разных форматах, затрудняя всеобъемлющее исследование.

Эта работа по классификации данных ведется одновременно с программой по развитию наиболее эффективной методологии интерпретации и анализа данных системами машинного обучения.

Подход, разработанный SKF, является частью программы по улучшению работы вращающегося оборудования путем обнаружения отклонений – используя данные, чтобы выявить существующие проблемы компонентов или производственных систем. Следующая стадия – это автоматическая диагностика, при которой анализ данных позволяет определить характер проблемы. За ней следует прогноз, данные запрашиваются, чтобы определить соответствующие меры по устранению проблемы – и время, которое потребуется. Хотя фундаментальный подход, шаг за шагом, такой же что и тот, что используется для техник профилактического технического обслуживания, новый подход, который сейчас разрабатывает SKF, адаптирует эту методологию для использования в решениях с машинным обучением.

Обнаружение отклонений от нормального состояния, автодиагностика и прогнозирование в будущем смогут производиться автоматически. Точность, с которой принимаются решения, наряду с регулировкой оборудования для продления срока службы без влияния на эффективность, будут постоянно улучшаться, так как системы машинного обучения будут собирать больше данных: с течением времени они будут включать анализ самых последних настроек, который будет направляться обратно в обучающий цикл.

Движение к достижению новых уровней работоспособности вращающегося оборудования благодаря продвинутому анализу, в свою очередь, ведет к разработке новых подшипников, сенсорных технологий, и программного обеспечения. Например, в SKF разрабатывают мощную платформу для поддержки системной интеграции, сбора данных и интеллектуального анализа данных. Преимущества для клиентов SKF будут включать более точный и быстрый анализ, улучшенную работу и эффективность оборудования, с меньшим вмешательством человека.

Стоит отметить, что даже если эти процессы сократят, или потенциально исключат, необходимость человеческого вмешательства во многие рутинные процессы, они не приведут к значительному сокращению сотрудников. Напротив, они позволят инженерам и сотрудникам заводов получать больше важной информации о том, как работает оборудование, что приведет к принятию лучших решений на основе новой информации.

Продвинутый анализ данных и машинное обучение, и связанное с ними развитие технологий Промышленной революции 4.0, уже создает новые возможности для промышленных компаний, чтобы улучшить производительность и эффективность. В частности, они позволяют им использовать потенциал существующих систем и увеличивать производительность без значительных вложений капитала. Они также позволяют поставщикам, таким как SKF предлагать новые услуги и методы партнерства с клиентами.

Это направление будет развиваться в будущем, по мере того как компании создают, развивают и лучше понимают наборы данных, которые у них есть, а также аналитические инструменты. В свою очередь, это откроет новые методы производства или работы систем, с невообразимыми до сих пор возможностями изменения, роста и прибыльности.

Новости мировых производителей подшипников и деталей промышленных трансмиссий (RSS)
Архив новостей

При использовании новостей сайта прямая активная гиперсcылка на BERGAB.RU обязательна