Utrzymanie predykcyjne – jak wprowadzić je na produkcję?

utrzymanie_predykcyjne

W poprzednich artykułach dotyczących utrzymania predykcyjnego wytłumaczyliśmy, czym ten proces jest i czym różni się od pozostałych metod utrzymania. Opisaliśmy także fazy poprzedzające wdrożenia rozwiązania produkcyjnego. Dziś pokażemy, jak wyglądają ostatnie dwa etapy: wdrożenie i utrzymanie produkcyjne.

Zanim przejdziemy do opisu końcowej fazy, przypomnijmy szybko wszystkie poprzednie kroki, niezbędne do stworzenia modelu predykcyjnego:

  • Zbieranie, filtrowanie i sortowanie danych – uczenie maszynowe wymaga wielkiej ilości danych dobrej jakości do uczenia i trenowania.
  • Wybór odpowiedniego modelu uczącego, dostosowanego do wymagań predykcji.
  • Trening, ewaluacja i dostrajanie hiperparametrów – te kroki należy powtarzać aż do osiągnięcia satysfakcjonującej biznesowo skuteczności predykcji.

Zobaczmy więc, co dzieje się w fazie trzeciej!

utrzymanie_predykcyjne

Jak wygląda budowa, instalacja i wdrożenie rozwiązania w środowisku produkcyjnym?

1

Gdy wyniki predykcji naszej sieci są satysfakcjonujące, to czas, aby stworzyć model dla produkcji. Potrzebne do tego będzie zaprojektowanie architektury i stworzenie aplikacji prognozującej.
2

Następnie przystępujemy do instalacji i testów rozwiązania w środowisku testowym.
Korzystając z aktualnych danych produkcyjnych, model dokonuje predykcji, której wyniki są porównywane z wynikami okresowych przeglądów urządzeń. Faza walidacji rozwiązania pozwala ocenić dokładność rozwiązania w porównaniu z wynikami przeglądów okresowych, przygotowując go na wdrożenie produkcyjne.
3

Instalacja i implementacja sprawdzonego rozwiązania predykcyjnego nie oznacza pełnego zastąpienia okresowych przeglądów. Następują one jednak coraz rzadziej – im wyższa skuteczność modelu, tym rzadziej konieczne jest przeprowadzanie przeglądów.

Po wdrożeniu rozwiązania na produkcji musimy kontynuować zbieranie danych. Dodatkowo należy zbierać informacje o zmianach sprzętu czy konfiguracji, które mogą wpływać na precyzję modelu. Ostatnim etapem tego procesu jest utrzymanie produkcyjne modeli.

Utrzymanie produkcyjne modeli

Wraz z pojawianiem się nowych danych, nasz model w środowisku testowym jest cyklicznie przeszkalany i testowany. Kiedy jego precyzja się poprawia, zamieniamy go na produkcji – tym samym poprawiamy skuteczność utrzymania predykcyjnego. Po pewnym czasie stare dane stają się mniej aktualne i konieczne jest szkolenie modelu na nowszych danych.

Niekiedy niewielkie zmiany w systemie mogą wpłynąć na dokładność modelu. Z tego powodu konieczna jest aktualizacja modelu po zmianach na produkcji. Po dokonanej zmianie, należy zebrać dane, zaktualizować model i porównać go z produkcyjnym.

Korzyści

Jak widać, proces ten wymaga wiele wysiłku i czasu – jednak z czasem ta inwestycja zwróci się z nawiązką! Z badań przeprowadzonych przez PwCkorzyści z implementacji utrzymania predykcyjnego przedstawiają się następująco:

12

zmniejszenie kosztu utrzymania

9

zmniejszenie czasu wyłączenia maszyn na czas serwisowania

14

zmniejszenie ryzyka: uszkodzenia sprzętu, zdrowia oraz środowiska

20

zmniejszenie zużycia i zwiększenie czasu życia maszyn

W zależności od wielkości produkcji, te liczby oznaczają miliony oszczędności każdego roku!

Utrzymanie predykcyjne jest jednym z wielu praktycznych zastosowań sztucznej inteligencji w przemyśle. Wkrótce pojawią się tu kolejne artykuły na temat kolejnych! Jeśli nie chcesz przegapić newsów na temat praktycznych zastosowań uczenia maszynowego dla przemysłu, zapisz się na nasz newsletter. Co kwartał dostaniesz od nas porcję newsów na temat nowoczesnych technologii!