Uczenie maszynowe w służbie predykcji stanu maszyn

Przykład PdM z użyciem uczenia maszynowego

Przekładnie zębate są powszechne w większości aplikacji napędowych, stanowiąc ważny element wielu linii produkcyjnych i ciągów technologicznych. Ze względu na ich powszechność istnieje możliwość zgromadzenia odpowiedniej ilości danych pomiarowych dla różnych stanów przekładni, w tym wielu stanów awaryjnych. W dobie Przemysłu 4.0 zbieranie i gromadzenie danych pomiarowych nie stanowi większego problemu. W przypadku monitorowania przekładni zasadny jest pomiar parametrów drgań, temperatury oraz prędkości obrotowej. Dodatkowo trzeba znać informacje o typie silnika i przekładni oraz przybliżone wartości zmiennych pomiarowych, jakie występują przy poprawnej pracy napędu. Celem zastosowania strategii predykcyjnej z zastosowaniem ML jest odpowiedź na pytania: ile i które przekładnie mogą ulec awarii w danym przedziale czasu (np.: miesiąc, 6 miesięcy, 12 miesięcy)? Jakiego typu niesprawności mogą wystąpić (uszkodzenie zęba, rozosiowanie, uszkodzenie łożyska itd.)?

Zastosowanie metod nadzorowanych ML wymaga w pierwszym kroku przygotowania danych uczących. Z tego względu, kiedy zidentyfikowane zostaje uszkodzenie, konieczne jest przypisanie wynikom pomiarów i analiz odpowiedniej etykiety. Etykietą może być [...]

Ten materiał dostępny jest dla zalogowanych użytkowników.

Załóż konto i dołącz do grona użytkowników naszego portalu!

Zaloguj się Zarejestruj się

Mogą zainteresować Cię również

Styczeń miesiącem bezpieczeństwa produkcji.

zobacz więcej