� TEKNOLOGI
ARROW-CI Jan Erik Salomonsen ser mange muligheter for bedre vedlikehold ved å utnytte maskinlærings teknologien
MainTech AS , som er spesialister på området , mener at nøkkelen til suksess er å anvende domenekunnskap på forhånd : Innspillet er kunnskapsbaserte diagnostiske teknikker , så vel som datadrevet statistisk diagnostikk . – I vedlikeholdssammenheng er vi spesielt interessert i å få tidlig varsling av sviktutvikling . Dette kan anskueliggjøres som uventet endring av korrelasjon mellom parametere , sier Salomonsen . ML tilbyr en rekke ulike statistiske algoritmer som kan brukes til mønstergjenkjenning og trendanalyse . Hardt arbeid og kunnskap ligger også her til grunn for å lykkes . Jan Erik Salomonsen legger her til grunn syv essensielle trinn for å innføre maskinlæring ( ML ):
1 . Innfør / endre arbeidsprosesser til å tilpasses ML Et stort problem i industrien er at det er vanskelig å få analysert en stadig økende mengde data som genereres , for å sikre kontinuerlig forbedring . Analyse krever kompetanse og ressurser . ML i kombinasjon med et ekspertsystem kan løse dette ved at det gir mulighet for automatisk analyse med en API til et ERP eller CMMS system . – For å håndtere implementering av kunstig intelligens i virksomhetsstyring er det derfor viktig å sette opp arbeidsprosessene og organisasjonelle krav til å håndtere implementeringen , rapportering og styring av ML prosessene , mener Salomonsen .
2 . Kontekstualisering – forstå og definer kontekst til driftsområdet Kontekstualisering innebærer å definere forventet oppførsel , driftsområde eller mønster , sviktmekanismer , normalt driftsvindu , fysikk , kjemi og biologi . – Kontekst er gitt av domenekunnskap . Dette kan enkelt forklares ved en betraktning av temperatur : Utetemperatur på Jordas overflate er fra -88 ° C i Antarktis til + 58 ° C i den Libyske ørken . Dette kan vi definere som Jordas driftsvindu ,
34