Pusat Pengetahuan
Kandungan

Soalan: bagaimana melaksanakan PHM kesihatan peralatan AI? Ada contoh rujukan?

Jawapan: lengkapkan data keadaan yang tepat dahulu, gunakan model mekanisme dan pembelajaran mesin untuk ciri serta degradasi, kemudian hubungkan ambang, baki hayat dan arahan pembaikan. Penyelenggaraan beralih daripada ganti berkala kepada keputusan keadaan. Tanpa asas data, algoritma canggih pun tidak boleh dilaksanakan.

I. Masalah PHM di kilang

Pemeriksaan dan sela tetap boleh terlebih servis membazir alat ganti atau membiarkan henti mengejut mengganggu jadual. PHM menjawab kesihatan kini, berapa lama lagi dan bila membaiki paling berbaloi. Modul ialah pemantauan, diagnosis, ramalan RUL dan pengoptimuman keputusan. Seni bina enam lapisan ISO 13374 sering dirujuk, daripada pengumpulan/pemprosesan kepada penilaian, ramalan dan keputusan.

II. Membina lapisan data

Lima isyarat biasa mesin berputar ialah getaran, suhu, arus, minyak dan pancaran akustik. Pensampelan komponen kritikal mesti cukup: getaran lazimnya kHz, suhu beberapa saat. OPC UA, Modbus dan MQTT utama; mesin lama tanpa antara muka ditambah gerbang atau sensor. Langkah ini menentukan had model. Mulakan mesin kritikal, bernilai tinggi atau berimpak kerosakan besar, bukan seluruh kilang.

III. Model yang boleh dipercayai

Data tulen lemah bagi jenis kegagalan sampel sedikit; model hibrid mekanisme/data lebih stabil. Spektrum sampul mengekstrak frekuensi galas, kemudian pengelas membezakan gelang dalam/luar. RUL sering menggunakan petunjuk degradasi dengan proses Wiener atau LSTM. Ambang hanya tahap pertama; trend beberapa minggu awal lebih bernilai. Model memerlukan sejarah; jika kurang, gunakan pustaka ciri kegagalan umum dan iterasi data lapangan.

IV. Gelung mesti dilaksanakan

Ramalan perlu menjana cadangan dan tugasan melalui EAM/MES, bukan nombor papan. Stok alat ganti juga dihubungkan: ramalan penggantian dua minggu lagi mencetuskan pembelian awal. Cabarannya proses, bukan algoritma; respons pasukan dan tanggungjawab mesti berubah bersama.

Soalan susulan: peralatan mana lebih selamat untuk bermula?

Jawapan: akibat kegagalan berat, rekod pembaikan dan isyarat boleh diukur, seperti pemampat, pam, kipas, kotak gear dan spindel. Mekanisme jelas dan ciri nyata memberi hasil cepat serta meyakinkan pekerja.

Soalan susulan: boleh tanpa sejarah kegagalan?

Jawapan: boleh dengan kompromi. Mulakan pengesanan ambang dan ciri mekanisme, kumpul data berlabel setengah hingga setahun sebelum ramalan. Pemindahan pembelajaran daripada set terbuka mesin serupa juga boleh.

Soalan susulan: bagaimana mengukur kejayaan?

Jawapan: tempoh henti tidak terancang, pusing ganti alat ganti, amaran palsu dan masa pendahuluan. Amaran palsu tidak terkawal cepat menghilangkan kepercayaan dan menjadi sebab langsung kegagalan projek.

Contoh andaian: spindel mesin SMT kilang elektronik kerap terkunci mengejut dengan kerugian besar. Sensor getaran/suhu, pengekstrakan pinggir dan model degradasi awan selepas tiga bulan boleh memberi amaran kira-kira seminggu awal. Penggantian galas mengikut amaran mengurangkan henti tidak terancang. Contoh pengeluar automotif lain menilai hidraulik penekan menggunakan arus/getaran, memfokus pam dan injap; minyak diganti mengikut ujian dan keadaan, bukan jadual.

Batasan: sesuai banyak mesin, henti mahal dan asas rangkaian/maklumat, khususnya unit kritikal industri proses serta diskret. Kilang kecil bermesin sedikit, impak kecil dan lejar tidak lengkap patut mengukuhkan pemeriksaan/rekod dahulu. Mekanisme tidak diketahui dan isyarat tidak boleh dikumpul perlu masalah pengukuran diselesaikan sebelum AI. Pengalaman pengeluar berdekad sejak ERP, 1.2 juta pelanggan dan puluhan juta terminal menunjukkan tadbir urus data dan perubahan proses lebih menentukan; algoritma satu bahagian. Tanya tiga mesin paling menyakitkan apabila henti, sama ada isyarat tersedia dan pasukan sanggup mengikut amaran. Jawapan memberi arah pemilihan.

Topik: AI-FAQ