पूर्वानुमानित रखरखाव के लिए मशीन लर्निंग: यह परिसंपत्ति रखरखाव को कैसे नया रूप दे रहा है

सभी उद्योगों में, कंपनियाँ पारंपरिक रूप से निर्धारित रखरखाव पर निर्भर रही हैं। निर्धारित अंतराल पर मशीनों के अंदरूनी हिस्से को देखने से वे चालू रहती हैं। लेकिन क्या यह वास्तव में अवांछित डाउनटाइम को कम करने का सबसे किफायती तरीका है? ज़रूरी नहीं।

कई अध्ययनों से पता चलता है कि केवल 20% उपकरण विफलताएं उम्र से संबंधित होती हैं, जबकि 80% यादृच्छिक रूप से होती हैं।

विभिन्न क्षेत्रों के व्यवसायों के एआई की ओर बढ़ने के साथ, मशीन लर्निंग प्रेडिक्टिव मेंटेनेंस सुर्खियों में आ गया है।

उपकरण संबंधी समस्याओं का घटित होने से पहले ही पूर्वानुमान लगाना और आवश्यकता पड़ने पर ठीक से रखरखाव करना लागत बचत और बेहतर उत्पादकता का वादा करता है। वास्तव में, सीएक्सपी ग्रुप द्वारा किए गए एक शोध में कहा गया है कि मशीन लर्निंग-आधारित पूर्वानुमानित रखरखाव को अपनाने वाले 90% निर्माता मरम्मत के समय और अनियोजित डाउनटाइम में कटौती करने में कामयाब रहे।

इस ब्लॉग पोस्ट में, हम एआई सॉफ्टवेयर परामर्श में अपना अनुभव साझा करते हैं, भविष्य कहनेवाला रखरखाव प्रणालियों के अंदरूनी हिस्सों की खोज करते हैं, प्रेरित होने के लिए सफलता की कहानियां साझा करते हैं, और एआई भविष्य कहनेवाला रखरखाव समाधान अपनाने की चुनौतियों पर बात करते हैं।

सबसे पहले चीज़ें: पूर्वानुमानित रखरखाव क्या है?

पूर्वानुमानित रखरखाव उपकरण रखरखाव के लिए एक सक्रिय दृष्टिकोण है जो संभावित विफलताओं का पूर्वानुमान लगाने के लिए मशीन लर्निंग का उपयोग करता है। यह, बदले में, महंगे डाउनटाइम को रोकने में मदद करता है।

इसे ऐसे समझें कि आपका उपकरण बात कर रहा है, आपको बता रहा है कि उसे कब ध्यान देने की ज़रूरत है, कुछ गलत होने से ठीक पहले।

एक पूर्वानुमानित रखरखाव प्रणाली आपके उपकरण पर चौबीसों घंटे नज़र रखने वाले निरीक्षकों की एक टीम की तरह काम करती है, जो वास्तविक समय में भारी मात्रा में डेटा एकत्र और क्रंच करती है।

ये "निरीक्षक" मानव आंखों से बच निकलने वाली छोटी-छोटी विसंगतियों और पैटर्न का पता लगा सकते हैं, और आपको प्रमुख सिरदर्द बनने से पहले संभावित विफलताओं के बारे में चेतावनी दे सकते हैं।

अब, आइए एक उदाहरण देखें कि यह अवधारणा व्यवहार में कैसे काम करती है। एक विनिर्माण संयंत्र की कल्पना करें जो परिचालन चालू रखने के लिए औद्योगिक रोबोटों के बेड़े पर निर्भर है।

परंपरागत रूप से, इन रोबोटों का रखरखाव निश्चित अंतराल पर निर्धारित किया जाता था या इससे भी बदतर, जब वास्तव में खराबी होती थी, जिससे डाउनटाइम और वित्तीय नुकसान होता था।

मशीन लर्निंग पूर्वानुमानित रखरखाव के साथ, मशीनों में रणनीतिक रूप से एम्बेडेड सेंसर की मदद से उपकरणों की लगातार निगरानी की जा रही है। एकत्र किए गए डेटा में तापमान, कंपन, बिजली की खपत और अन्य मीट्रिक शामिल हो सकते हैं।

फिर यह सारा डेटा मशीन लर्निंग एल्गोरिदम द्वारा संचालित सिस्टम के मस्तिष्क में भेजा जाता है। वास्तविक समय में एकत्र किए गए ऐतिहासिक टूट-फूट डेटा, मरम्मत इतिहास, पर्यावरणीय कारकों और प्रदर्शन मेट्रिक्स पर चित्रण करते हुए, मस्तिष्क उन पैटर्न की तलाश करता है जो आगामी खराबी का संकेत दे सकते हैं।

इन मूल्यवान जानकारियों से लैस, आपकी रखरखाव टीम तुरंत काम कर सकती है, आवश्यक सुधार कर सकती है, और संभावित खराबी को कभी भी होने से रोक सकती है। यह सब न्यूनतम डाउनटाइम और बिना किसी महँगे व्यवधान के।

और यहीं से मशीन लर्निंग प्रेडिक्टिव मेंटेनेंस की लागत-बचत क्षमता आती है।

इसकी सक्रिय प्रकृति के कारण, आप अपने प्रयासों और बजट को उन उपकरणों पर केंद्रित कर सकते हैं जिन पर वास्तव में ध्यान देने की आवश्यकता है - उन उपकरणों के लिए संसाधनों को बर्बाद करने के बजाय जो पूरी तरह से ठीक हैं।

दूसरी ओर, दूरदर्शिता की शक्ति से, आप समस्या बढ़ने से पहले कार्रवाई कर सकते हैं, यह सुनिश्चित करते हुए कि आपका उपकरण लंबे समय तक चरम प्रदर्शन पर काम करता है।

सभी क्षेत्रों में एआई पूर्वानुमानित रखरखाव के मामलों का उपयोग करें

एआई-संचालित पूर्वानुमानित रखरखाव उपकरण-निर्भर उद्योगों के संचालन के तरीके को मौलिक रूप से बदल रहा है। नीचे, हम ऐसे उदाहरण दिखाते हैं जो दर्शाते हैं कि पूर्वानुमानित रखरखाव किस प्रभाव को बढ़ा सकता है।

उत्पादन

असतत और प्रक्रिया निर्माण में, एआई पूर्वानुमानित रखरखाव मिलिंग मशीन, हाइड्रोलिक प्रेस, कन्वेयर सिस्टम, रोबोटिक हथियार और अन्य सहित उपकरणों की एक विस्तृत श्रृंखला के लिए अमूल्य साबित होता है। उन मिलिंग मशीनों पर विचार करें जो कच्चे माल को सटीक घटकों में आकार देती हैं।

इन मशीनों को कंपन सेंसर से लैस करने और ऐतिहासिक विफलता डेटा के खिलाफ सेंसर रीडिंग का विश्लेषण करने से मशीनों के स्पिंडल में गलत संरेखण और पहनने के संकेतों का पता लगाने में मदद मिल सकती है। और तापमान पर नज़र रखते हुए, आप ज़्यादा गरम होने के संकेत पा सकते हैं जो संकेत दे सकता है कि कोई खराबी हो सकती है।

मशीन लर्निंग-आधारित पूर्वानुमानित रखरखाव की शक्ति यहीं नहीं रुकती। हाइड्रोलिक प्रेस की रुकावटों और लीक के लिए निगरानी की जा सकती है जो खराबी के बारे में संकेत भेजते हैं।

इसके अतिरिक्त, निरंतर तापमान निगरानी के माध्यम से, पूर्वानुमानित रखरखाव समाधान ओवरहीटिंग के संकेतों का पता लगा सकते हैं, जो हाइड्रोलिक सिस्टम के भीतर आसन्न मुद्दों के लिए एक लाल झंडा है।

और चक्रों की गणना करने की क्षमता के साथ, मशीन लर्निंग भविष्य कहनेवाला रखरखाव सटीक भविष्यवाणी कर सकता है जब विशिष्ट घटकों पर ध्यान देने की आवश्यकता हो सकती है, समय पर रखरखाव हस्तक्षेप को सक्षम करने और संभावित टूटने को रोकने के लिए।

जब कन्वेयर बेल्ट की बात आती है, तो पूर्वानुमानित रखरखाव सॉफ्टवेयर समय से पहले पहनने को रोकने के लिए बेल्ट तनाव को माप सकता है। और, मोटर लोड की निगरानी करके, यह दक्षता सुनिश्चित कर सकता है और परेशानी के किसी भी संकेत को उजागर कर सकता है जो अप्रत्याशित डाउनटाइम का कारण बन सकता है।

पूर्वानुमानित रखरखाव का उपयोग करने वाले निर्माताओं में मर्सर सेल्गर, सबसे बड़े लुगदी और ठोस लकड़ी उत्पादकों में से एक है। पूर्वानुमानित रखरखाव कंपनी की उत्पादन रणनीति का एक महत्वपूर्ण हिस्सा बन गया है। विभिन्न विकल्पों की खोज के बाद, मर्सर सेल्गर ने एक ऑफ-द-शेल्फ पूर्वानुमानित रखरखाव समाधान लागू किया।

यह एआई-संचालित सॉफ्टवेयर पिछले स्वचालित मशीन स्वास्थ्य निदान सॉफ्टवेयर की जगह लेते हुए, उनके नए सीएमएमएस सिस्टम के साथ सहजता से एकीकृत है। तीन पायलटों के माध्यम से, तैनाती से बहुमूल्य अंतर्दृष्टि और सीख मिली।

एआई-आधारित भविष्य कहनेवाला रखरखाव प्लेटफ़ॉर्म के साथ, मर्सर सेल्गर ने एक ही प्लेटफ़ॉर्म के भीतर कई उत्पादन लाइनों की निगरानी करने और प्रत्येक मशीन प्रकार के लिए अलग-अलग रिपोर्ट प्राप्त करने की क्षमता प्राप्त की।

इससे उन्हें संभावित खराबी और विफलताओं के बारे में अपनी रखरखाव टीमों को शुरुआती जानकारी प्रदान करते हुए प्रदर्शन को ट्रैक करने और तुलना करने की अनुमति मिली। कार्यान्वयन ने मर्सर सेल्गर के संचालन को बदल दिया, विशिष्ट कार्य भूमिकाएँ बनाईं और कई स्रोतों से मशीन प्रदर्शन डेटा को एक मंच पर केंद्रीकृत किया।

परिणामस्वरूप, उनके पास मशीन के प्रदर्शन के लिए सत्य का एक ही स्रोत है, जो बड़े पैमाने पर कुशल निगरानी और डेटा प्रोसेसिंग की सुविधा प्रदान करता है।

ऑटोमोटिव

ऑटोमोटिव उद्योग विश्वसनीयता बढ़ाने और वारंटी लागत को कम करने के लिए मशीन लर्निंग-आधारित पूर्वानुमानित रखरखाव पर बहुत अधिक निर्भर करता है। उदाहरण के लिए, क्षेत्र में वाहनों से सेंसर डेटा की निगरानी करके, वाहन निर्माता गंभीर विफलता बनने से पहले संभावित मुद्दों का पता लगा सकते हैं।

आइए डिलीवरी ट्रकों के एक बेड़े पर विचार करें। इंजन के प्रदर्शन, टायर की स्थिति और ईंधन दक्षता की निरंतर निगरानी के माध्यम से, पूर्वानुमानित रखरखाव कंपनियों को रखरखाव कार्यक्रम को अनुकूलित करने, ब्रेकडाउन को रोकने और अपने वाहनों के जीवनकाल को बढ़ाने में सक्षम बनाता है।

कई ऑटोमोटिव कंपनियों ने रखरखाव के अवसरों का अनुमान लगाने और ग्राहकों को बनाए रखने के लिए भविष्य कहनेवाला रखरखाव की ओर रुख किया है, जिससे उन्हें कार निर्माता के आधिकारिक नेटवर्क से रखरखाव सेवाएं लेने के लिए प्रोत्साहित किया जा सके।

ऐसी ही एक कंपनी है ओपेल, जिसने अपने वाहनों को एक पूर्वानुमानित रखरखाव उपकरण से सुसज्जित किया है जो इष्टतम निरीक्षण कार्यक्रम का सुझाव देने के लिए ऐतिहासिक डेटा का विश्लेषण करता है।

चूंकि सिस्टम को लागू करने का मुख्य उद्देश्य ग्राहक प्रतिधारण में सुधार करना है, सिस्टम रखरखाव के समय ड्राइवरों को सूचित करता है और ओपल के आधिकारिक नेटवर्क के साथ नियुक्तियों की व्यवस्था करता है, जिससे ग्राहकों को तीसरे पक्ष के मरम्मतकर्ताओं की ओर जाने से हतोत्साहित किया जाता है।

स्वास्थ्य देखभाल

मशीन लर्निंग प्रेडिक्टिव मेंटेनेंस स्वास्थ्य सेवा उद्योग में क्रांति ला रहा है, जिससे महत्वपूर्ण चिकित्सा उपकरणों का सुचारू संचालन सुनिश्चित हो रहा है। किसी अस्पताल में एमआरआई मशीन का चित्र बनाइए।

तापमान, दबाव और विद्युत चुम्बकीय क्षेत्र की ताकत सहित सेंसर डेटा का विश्लेषण करके, पूर्वानुमानित रखरखाव एल्गोरिदम संभावित मुद्दों का संकेत देने वाली विसंगतियों, विचलन और पैटर्न का पता लगा सकता है ।

इसके बाद अस्पताल कम मांग वाली अवधि के दौरान सक्रिय रूप से रखरखाव गतिविधियों को शेड्यूल कर सकते हैं, जिससे रोगी की देखभाल में व्यवधान कम हो जाएगा। इस दृष्टिकोण से परिचालन दक्षता में सुधार, उपकरण डाउनटाइम में कमी और रोगी परिणामों में वृद्धि होती है।

इस तरह के दृष्टिकोण को अपनाने वाला एक स्वास्थ्य सेवा संगठन काशीवा हेल्थ चेक क्लिनिक है। उन्होंने एमआरआई मशीन की विफलताओं को रोकने के लिए एक पूर्वानुमानित रखरखाव प्रणाली लागू करने के लिए हिताची के साथ साझेदारी की है।

प्रौद्योगिकी भागीदार ने 100 एमआरआई प्रणालियों से तीन साल के सेंसर डेटा का विश्लेषण किया और डिवाइस विफलताओं का कारण बनने वाले कारण पैटर्न की जांच करने के लिए एक तंत्र बनाया।

मशीन लर्निंग ने तब सामान्य परिचालन स्थिति को परिभाषित करने, असामान्यताओं का अनुमान लगाने और पता लगाने में मदद की

परिवर्तन जो विफलताओं का कारण बनते हैं।

परिणामस्वरूप, संगठन ने एमआरआई मशीन के डाउनटाइम को 16.3% कम कर दिया ।

तेल गैस

तेल और गैस क्षेत्र, जो अपने जटिल और महंगे उपकरणों के लिए जाना जाता है, मशीन लर्निंग-आधारित पूर्वानुमानित रखरखाव से अत्यधिक लाभान्वित होता है। अनेक पंपों, कंप्रेसरों और टर्बाइनों के साथ एक अपतटीय ड्रिलिंग रिग की कल्पना करें।

दबाव, तापमान और प्रवाह दर जैसे मापदंडों की निरंतर निगरानी के माध्यम से, पूर्वानुमानित रखरखाव एल्गोरिदम विसंगतियों का पता लगा सकते हैं और आसन्न विफलताओं की भविष्यवाणी कर सकते हैं।

सक्रिय दृष्टिकोण अपनाकर, कंपनियां महंगे अनियोजित शटडाउन से बच सकती हैं, उपकरण प्रदर्शन को अनुकूलित कर सकती हैं और कर्मियों की सुरक्षा सुनिश्चित कर सकती हैं।

विनिर्माण उद्योग में एक अग्रणी खिलाड़ी, अरामको ने तेल और गैस के साथ कुओं से आने वाले अतिरिक्त पानी के कारण उपकरणों और पाइपलाइनों को होने वाले क्षरण, स्केलिंग और अन्य क्षति को रोकने के लिए पूर्वानुमानित रखरखाव की शक्ति का उपयोग किया है ।

एआई-संचालित फ्लो मीटर लागू करने के बाद, कंपनी को कुओं में पानी के प्रवाह की वास्तविक समय पर जानकारी प्राप्त हुई। यह मीटर पाइप प्रवाह का अनुमान लगाने के लिए एआई-संचालित डिजिटल ट्विन मॉडल का उपयोग करता है और फिर इसकी तुलना वास्तविक माप से करता है।

यह प्रक्रिया मीटर को विभिन्न परिचालन स्थितियों में स्वचालित रूप से समायोजित करने में सक्षम बनाती है, जिससे पुन: अंशांकन आवश्यकताओं को काफी कम किया जा सकता है।

पूर्वानुमानित रखरखाव समाधान कैसे बनाएं?

जब मशीन लर्निंग-आधारित भविष्य कहनेवाला रखरखाव समाधान अपनाने की बात आती है, तो संगठनों को एक निर्णय का सामना करना पड़ता है: ऑफ-द-शेल्फ सॉफ़्टवेयर का विकल्प चुनें या कस्टम-निर्मित समाधान में निवेश करें।

प्रत्येक दृष्टिकोण अलग-अलग लाभ और विचार प्रदान करता है, और चुनाव कई मानदंडों पर निर्भर करता है:

• उपलब्ध बजट : ऑफ-द-शेल्फ सॉफ़्टवेयर (उदाहरण के लिए, IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere, और अन्य) आम तौर पर कम प्रारंभिक लागत के साथ आते हैं, जबकि एक कस्टम समाधान बनाने में उच्च प्रारंभिक निवेश शामिल हो सकता है . सीमित बजट वाली कंपनियों को ऑफ-द-शेल्फ सॉफ़्टवेयर अधिक आकर्षक लग सकता है, जबकि जिनके पास पर्याप्त संसाधन हैं वे अनुरूप कार्यक्षमता के लिए कस्टम समाधान की ओर झुक सकते हैं।

• कार्यान्वयन में लगने वाला समय : ऑफ-द-शेल्फ सॉफ़्टवेयर को शीघ्रता से तैनात किया जा सकता है क्योंकि यह पूर्व-निर्मित और परीक्षणित है। इसके विपरीत, परियोजना की जटिलता और दायरे के आधार पर, कस्टम समाधान विकसित करने में अधिक समय लग सकता है।

• उद्योग-विशिष्ट आवश्यकताएं : विभिन्न उद्योगों में अक्सर अद्वितीय आवश्यकताएं और वर्कफ़्लो होते हैं जिनके लिए विशिष्ट सुविधाओं के लिए पूर्वानुमानित रखरखाव समाधान की आवश्यकता होती है। ऑफ-द-शेल्फ सॉफ़्टवेयर इन आवश्यकताओं के साथ पूरी तरह से संरेखित नहीं होता है और उसे अनुकूलन की आवश्यकता होती है।

  
  

  इसलिए, अत्यधिक विशिष्ट आवश्यकताओं वाले व्यवसाय या दर्जी समाधानों के माध्यम से प्रतिस्पर्धात्मक बढ़त चाहने वाले व्यवसाय कस्टम मार्ग पर जाना पसंद कर सकते हैं।

• मौजूदा बुनियादी ढाँचा और एकीकरण : मौजूदा प्रणालियों और उपकरणों के साथ पूर्वानुमानित रखरखाव सॉफ़्टवेयर को एकीकृत करना निर्बाध संचालन के लिए महत्वपूर्ण है।

  
  

  ऑफ-द-शेल्फ समाधान सीमित संख्या में लोकप्रिय उपकरण या प्रौद्योगिकियों के साथ बेहतर संगतता प्रदान कर सकते हैं, जबकि कस्टम समाधान किसी संगठन के स्थापित बुनियादी ढांचे में फिट होने के लिए सटीक रूप से तैयार किए जा सकते हैं।

• स्केलेबिलिटी : जैसे-जैसे व्यवसाय बढ़ते और विस्तारित होते हैं, उनकी पूर्वानुमानित रखरखाव की ज़रूरतें विकसित हो सकती हैं। ऑफ-द-शेल्फ सॉफ़्टवेयर स्केलेबल विकल्प प्रदान कर सकता है जिसे बदलती आवश्यकताओं के अनुसार अनुकूलित किया जा सकता है। उचित ढंग से डिज़ाइन किए जाने पर, कस्टम समाधान स्केलेबिलिटी और लचीलापन भी प्रदान कर सकते हैं, लेकिन इसके लिए अतिरिक्त विकास प्रयास की आवश्यकता हो सकती है।

• समर्थन और अपडेट : ऑफ-द-शेल्फ सॉफ़्टवेयर अक्सर विक्रेता द्वारा प्रदत्त समर्थन और नियमित अपडेट के साथ आता है, जिससे यह सुनिश्चित होता है कि समाधान अद्यतित रहे। निरंतर कार्यक्षमता सुनिश्चित करने के लिए कस्टम समाधानों को निरंतर रखरखाव और समर्थन प्रयासों की आवश्यकता हो सकती है।

स्क्रैच से एआई-आधारित पूर्वानुमानित रखरखाव समाधान का निर्माण

स्क्रैच से एक कस्टम मशीन लर्निंग-आधारित भविष्य कहनेवाला रखरखाव समाधान का निर्माण अधिकतम लचीलापन प्रदान करता है और आपको सिस्टम को अपनी विशिष्ट आवश्यकताओं के लिए सटीक रूप से तैयार करने की अनुमति देता है। फिर भी, कस्टम सॉफ़्टवेयर शायद ही कभी पूरी तरह से कस्टम होता है।

कई ओपन-सोर्स लाइब्रेरी और फ्रेमवर्क हैं (उदाहरण के लिए, स्किकिट-लर्न, टेन्सरफ्लो, पायटोरच, केरास, एक्सजीबूस्ट, आदि), एसडीके और एपीआई (उदाहरण के लिए, एडब्ल्यूएस एसडीके, एज़्योर एसडीके, गूगल क्लाउड एसडीके, आईबीएम वॉटसन एसडीके, थिंगवॉर्क्स एसडीके, आदि), साथ ही पूर्व-प्रशिक्षित मॉडल (उदाहरण के लिए, अमेज़ॅन सेजमेकर, एज़्योर स्ट्रीम एनालिटिक्स) सहित पूरी तरह से प्रबंधित मशीन लर्निंग सेवाएं जो कस्टम पूर्वानुमानित रखरखाव समाधान विकसित करने की प्रक्रिया को तेज और सरल बनाती हैं।

नीचे, हम एक एमएल परामर्श कंपनी के रूप में काम करने का अपना अनुभव साझा करते हैं और बताते हैं कि एआई-आधारित भविष्य कहनेवाला रखरखाव सॉफ्टवेयर विकसित करने की प्रक्रिया कैसे सामने आ सकती है।

पूर्वानुमानित रखरखाव एक ऐसा कार्य है जिसे दो उप-कार्यों में विभाजित किया जा सकता है: स्थिति निगरानी और पूर्वानुमानित विश्लेषण। इसलिए, एक पूर्वानुमानित रखरखाव समाधान तैयार करना अनिवार्य रूप से एक डिटेक्शन मॉडल और एक पूर्वानुमान मॉडल को प्रशिक्षित करने और उन्हें एक पूर्ण समाधान में एकीकृत करने तक सीमित हो जाता है। ऐसे मॉडलों को प्रशिक्षित करने के लिए, आपको निम्नलिखित चरणों से गुजरना होगा:

• डेटा संग्रहण

  पूर्वानुमानित रखरखाव एल्गोरिदम तैयार करते समय, पहला कदम मॉडलों को प्रशिक्षित करने के लिए पर्याप्त डेटा इकट्ठा करना है। स्पैन एकत्रित करने के लिए डेटा के प्रकार:

  
  

  • सेंसर डेटा जो मशीनों के स्वास्थ्य और प्रदर्शन के बारे में वास्तविक समय की जानकारी देता है। इसमें मशीनों से जुड़े सभी प्रकार के सेंसर (उदाहरण के लिए, तापमान, दबाव, कंपन, वोल्टेज, शोर, और अधिक) से एकत्र की गई समय-श्रृंखला जानकारी शामिल है।

    
    

  • विफलता डेटा जो पिछली उपकरण विफलताओं के बारे में जानकारी फैलाता है, जिसमें विफलता की तारीख, समय और प्रकृति शामिल है।

    
    

  • रखरखाव रिकॉर्ड, सेवा रिपोर्ट, कार्य आदेश और उपकरण के रखरखाव इतिहास से संबंधित अन्य दस्तावेज।

    
    

  • परिचालन डेटा जो किसी मशीन की परिचालन स्थिति के बारे में जानकारी प्राप्त करता है, जिसमें प्रारंभ और समाप्ति समय, उत्पादन दर, थ्रूपुट और उपयोग पैटर्न शामिल हैं।

    
    

  • पर्यावरणीय डेटा जो परिवेश के तापमान, आर्द्रता के स्तर और अन्य बाहरी स्थितियों जैसे कारकों को फैलाता है जो उपकरण के स्वास्थ्य को प्रभावित कर सकते हैं।

    
    

  • अन्य प्रासंगिक डेटा जो विफलता पैटर्न, जैसे ऊर्जा खपत या रखरखाव लागत डेटा में अतिरिक्त अंतर्दृष्टि प्रदान कर सकते हैं।

    
    

• डाटा प्रासेसिंग

  कस्टम एआई-संचालित भविष्य कहनेवाला रखरखाव समाधान के निर्माण में डेटा प्रीप्रोसेसिंग एक आवश्यक कदम है। इसमें लापता मूल्यों को संभालने से लेकर आउटलेर्स को हटाने और उससे आगे तक कई तकनीकें शामिल हैं।

  
  

  उपयुक्त प्रसंस्करण तकनीकों का चुनाव आपके डेटा की विशेषताओं पर निर्भर करता है, जबकि इसे सफलतापूर्वक पूरा करने की कुंजी आपकी मशीनों को जानना है। मान लीजिए आपके पास शोर कंपन डेटा है। विफलता के मार्करों वाली आवृत्ति रेंज को जानने से आपको इष्टतम प्रीप्रोसेसिंग रणनीति चुनने में मार्गदर्शन मिल सकता है।

  
  

• फ़ीचर इंजीनियरिंग

  फ़ीचर इंजीनियरिंग का अर्थ है कच्चे डेटा को उन विशेषताओं में बदलना जो सामान्य और दोषपूर्ण व्यवहार के बीच अंतर करने में मदद करते हैं। लक्ष्य डेटा से प्रासंगिक जानकारी निकालना है, जिससे मशीन लर्निंग एल्गोरिदम के लिए पैटर्न और रिश्तों की पहचान करना आसान हो जाता है।

  
  

  उदाहरण के लिए, आप कंपन डेटा का उपयोग करके गियरबॉक्स की स्थिति की निगरानी कर सकते हैं। गियरबॉक्स की खराबी के परिणामस्वरूप कंपन आवृत्ति और परिमाण में परिवर्तन होता है। इस प्रकार, पीक आवृत्ति और परिमाण का उपयोग गियरबॉक्स स्वास्थ्य की निगरानी के लिए किया जा सकता है।

  
  

  फ़ीचर इंजीनियरिंग क्षेत्र में उपयोग की जाने वाली कुछ सामान्य तकनीकें:

  • एकत्रीकरण: एकत्रित सुविधाओं को बनाने के लिए कई कच्चे डेटा बिंदुओं का संयोजन उपकरण के व्यवहार का उच्च-स्तरीय दृश्य प्रदान कर सकता है।

    
    

  • समय-आधारित विश्लेषण: समय श्रृंखला डेटा में अक्सर मूल्यवान अस्थायी पैटर्न होते हैं। दिन का समय, सप्ताह का दिन या मौसमी पैटर्न जैसी समय-आधारित सुविधाएँ बनाने से मॉडल को आवर्ती व्यवहारों को पकड़ने में मदद मिल सकती है।

    
    

  • सिग्नल विश्लेषण: सिग्नल प्रोसेसिंग तकनीकों को लागू करने से आवृत्ति घटकों को निकालने या समय श्रृंखला डेटा में पैटर्न का पता लगाने में मदद मिल सकती है।

    
    

  • सहसंबंध विश्लेषण: यह आकलन करना कि कौन सा डेटा भविष्यवाणी की सटीकता को सबसे अधिक प्रभावित करता है और डेटा सेट से उन डेटा बिंदुओं को हटाने में मदद करता है जिनका मॉडल प्रशिक्षण के मामले में कम महत्व है, उन्हें प्रशिक्षित करने में लगने वाले समय में कटौती करने में मदद मिलती है।

    
    

  • डोमेन-विशिष्ट फ़ीचर निष्कर्षण तकनीकें: कुछ मामलों में, डोमेन ज्ञान विशेष फ़ीचर परिवर्तनों को जन्म दे सकता है। उदाहरण के लिए, घूमने वाले उपकरणों के लिए, कंपन क्रम विश्लेषण पर आधारित सुविधाएँ उपयोगी हो सकती हैं।

    
    

फ़ीचर इंजीनियरिंग एक ऐसी प्रक्रिया होने की संभावना है जिसमें कई पुनरावृत्तियाँ शामिल होंगी। इष्टतम प्रदर्शन के लिए एक पूर्वानुमानित मॉडल के प्रशिक्षण और परीक्षण के प्रारंभिक दौर के बाद इस चरण पर वापस आना आम बात है।

• मॉडल चयन एवं प्रशिक्षण

  अगले चरण के रूप में, आप एक इष्टतम मशीन लर्निंग मॉडल चुनते हैं और इसे एकत्रित डेटा पर प्रशिक्षित करते हैं।

  
  

  मॉडल चयन

  आपके विशिष्ट पूर्वानुमानित रखरखाव उपयोग के मामले के लिए सही मशीन लर्निंग एल्गोरिदम या पूर्वानुमानित मॉडल चुनना आवश्यक है। विभिन्न मॉडलों में अलग-अलग ताकत और कमजोरियां होती हैं, और चयन डेटा की प्रकृति, समस्या की जटिलता और व्याख्या के वांछित स्तर जैसे कारकों पर निर्भर करता है।

  
  

  पूर्वानुमानित रखरखाव के लिए आमतौर पर उपयोग किए जाने वाले मॉडल में शामिल हैं:

  • लॉजिस्टिक रिग्रेशन: बाइनरी वर्गीकरण समस्याओं के लिए उपयुक्त, उदाहरण के लिए, यह भविष्यवाणी करना कि उपकरण का एक टुकड़ा विफल होगा या नहीं।

    
    

  • निर्णय वृक्ष: श्रेणीबद्ध और संख्यात्मक डेटा दोनों को संभालने के लिए प्रभावी; सुविधाओं के बीच गैर-रेखीय संबंधों को पकड़ सकता है।

    
    

  • यादृच्छिक वन: एक सामूहिक विधि जो बेहतर सटीकता और मजबूती के लिए कई निर्णय वृक्षों को जोड़ती है।

    
    

  • सपोर्ट वेक्टर मशीनें (एसवीएम): वर्गीकरण कार्यों के लिए उपयोगी, खासकर उच्च-आयामी डेटा से निपटने के दौरान।

मॉडल प्रशिक्षण

मॉडल प्रशिक्षण में उपकरण विफलता जैसी सुविधाओं और लक्ष्य चर के बीच पैटर्न और संबंधों को पहचानने के लिए मशीन लर्निंग भविष्य कहनेवाला रखरखाव मॉडल सिखाने के लिए ऐतिहासिक डेटा का उपयोग करना शामिल है। डेटासेट को दो भागों में विभाजित किया गया है: प्रशिक्षण सेट और परीक्षण सेट।

मॉडल प्रशिक्षण डेटा से सीखता है और प्रशिक्षण प्रक्रिया के दौरान पहचाने जाने वाले पैटर्न के आधार पर भविष्यवाणियां करने में सक्षम हो जाता है।

एक बार प्रशिक्षित होने के बाद, मॉडल को परीक्षण डेटा सेट पर परीक्षण के लिए रखा जाता है। मॉडल सत्यापन यह मूल्यांकन करने के लिए एक महत्वपूर्ण कदम है कि मॉडल अदृश्य डेटा पर कितना अच्छा प्रदर्शन करता है और इसकी पूर्वानुमानित शक्ति का अनुमान लगाता है।

• एकीकरण और तैनाती

  एक बार जब आप सही मॉडल की पहचान कर लेते हैं, उसे प्रशिक्षित कर लेते हैं और सटीक भविष्यवाणियां तैयार कर लेते हैं, तो इसे अपने सिस्टम में एकीकृत करके इसे क्रियान्वित करने का समय आ जाता है। आपके मशीन लर्निंग पूर्वानुमानित रखरखाव सॉफ़्टवेयर की विशिष्टताओं के आधार पर, आपके पास कई परिनियोजन विकल्प हैं:

  
  

  • क्लाउड कार्यान्वयन: यदि आप क्लाउड में बड़ी मात्रा में संग्रहीत डेटा से निपट रहे हैं तो क्लाउड-आधारित परिनियोजन का विकल्प चुनें। मशीन लर्निंग एल्गोरिदम को सीधे क्लाउड में चलाकर, आप पूर्वानुमान और स्वास्थ्य निगरानी के लिए स्थानीय मशीनों और क्लाउड के बीच डेटा को आगे और पीछे स्थानांतरित करने की आवश्यकता को समाप्त कर देते हैं। यह रखरखाव प्रक्रिया को सुव्यवस्थित करता है और दक्षता बढ़ाता है।

    
    

  • एज कार्यान्वयन : वैकल्पिक रूप से, आप उपकरण के नजदीक स्थित एम्बेडेड डिवाइस पर एल्गोरिदम चला सकते हैं। यह दृष्टिकोण बिना किसी देरी के उपकरण स्वास्थ्य के बारे में तत्काल अपडेट और सूचनाओं की अनुमति देता है।

    
    

  • हाइब्रिड कार्यान्वयन: आप क्लाउड और एज के संयोजन के लिए भी जा सकते हैं। प्रीप्रोसेसिंग और फीचर निष्कर्षण के लिए एम्बेडेड डिवाइस का उपयोग करें और क्लाउड में पूर्वानुमानित मॉडल चलाएं। इस तरह, आपको दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है - एज परिनियोजन और क्लाउड-आधारित प्रसंस्करण शक्ति से जुड़ी दक्षता।

    
    

    यह तेल ड्रिल या विमान इंजन जैसी प्रणालियों के लिए विशेष रूप से अच्छी तरह से काम करता है, जहां निरंतर संचालन से बड़ी मात्रा में डेटा उत्पन्न होता है, जिससे बैंडविड्थ और लागत सीमाओं के कारण जहाज पर भंडारण या ट्रांसमिशन चुनौतीपूर्ण हो जाता है।

रास्ते में संबोधित करने योग्य चुनौतियाँ

एआई पूर्वानुमानित रखरखाव समाधान को लागू करने में कुछ चुनौतियाँ आ सकती हैं। कुछ सामान्य बाधाओं में शामिल हैं:

• पुराने उपकरण: पुराने या असंगत उपकरणों से डेटा कनेक्ट करना और एकत्र करना एक चुनौती हो सकता है। आवश्यक डेटा इकट्ठा करने के लिए रेट्रोफिटिंग सेंसर या IoT गेटवे का उपयोग आवश्यक हो सकता है।

• सही पैरामीटर स्थापित करना: उपकरण के प्रत्येक टुकड़े की निगरानी के लिए सबसे प्रासंगिक मापदंडों की पहचान करना महत्वपूर्ण है। सटीक भविष्यवाणियां सुनिश्चित करने के लिए मशीनरी और उसके विफलता मोड की गहरी समझ की आवश्यकता होती है।

• डेटा गुणवत्ता और उपलब्धता: सटीक भविष्यवाणियों के लिए डेटा गुणवत्ता और उपलब्धता सुनिश्चित करना महत्वपूर्ण है। अधूरा या अविश्वसनीय डेटा गलत रखरखाव निर्णयों का कारण बन सकता है। इस चुनौती से पार पाने के लिए डेटा गवर्नेंस प्रथाओं की स्थापना और डेटा बुनियादी ढांचे में निवेश आवश्यक कदम हैं।

इसको जोड़कर

एआई-संचालित भविष्य कहनेवाला रखरखाव उपकरण-भारी या उपकरण-निर्भर उद्योगों में काम करने वाली कंपनियों के लिए गेम-चेंजिंग अवसर प्रदान करता है।

रखरखाव के लिए सक्रिय दृष्टिकोण अपनाकर, संगठन डाउनटाइम को काफी कम कर सकते हैं, रखरखाव लागत को अनुकूलित कर सकते हैं और परिचालन दक्षता बढ़ा सकते हैं।

चाहे ऑफ-द-शेल्फ सॉफ़्टवेयर को कस्टमाइज़ करना हो या स्क्रैच से कस्टम समाधान बनाना हो, मशीन लर्निंग प्रेडिक्टिव रखरखाव आपको अपने उपकरण की पूरी क्षमता को उजागर करने में मदद कर सकता है।

मशीन लर्निंग के पूर्वानुमानित रखरखाव की संभावनाओं का पता लगाने और सूचित निर्णय लेने के लिए हमारी टीम से संपर्क करें जो आपकी कंपनी को नई ऊंचाइयों तक ले जाएगा।