� TEKNOLOGI
dersom problemet adressers i prosjektering av systemene .
5 . Bli prediktiv
Med læringssett – Supervised : Bruk merkede data med kjent utkomme for å trene algoritmene i å identifisere sammenheng mellom inndata og utkomme
Uten læringssett – Unsupervised : Detekter endring i mønster fra en normaltilstand Detekter utliggere « outliers » ( enkeltmålinger utenfor normalen ).
I en ideell verden vil du ha en tilstrekkelig mengde merkede data som du kan begynne å trene algoritmene med . Du forbedrer datasettene med informasjon om hvilke datasett som representerer svikt , og hvilke som representerer normal drift . Dette er den enkleste fremgangsmåten til å begynne å bygge et sviktkartotek og sviktdeteksjonssystem . Dersom du mangler merkede data , må implementering av ML avhenge av å definere baseline normaltilstander og se på multivariate mønsterendringer og endring av korrelasjon mellom parametere i ut fra disse normal mønstrene . 6 . Visualiser Resultatene i form av sviktmønster , avvik fra baseline og trender må kommuniseres effektivt til beslutningstakere via dashboard , eller automatisert via API ’ s til ERP eller CMMS systemer . De primære parameterne som har mest å si for sviktutvikling bør fremheves da disse er viktigst å justere for videre skadebegrensning .
7 . Vedlikehold og oppdater Maskinlæringsmodeller endrer seg ved små endringer av parametere og har derfor behov for jevning oppdatering . Å ta i bruk maskinlæring betyr også at du har fått en ny prosess som krever vedlikehold . Data input vil endres ved sensordrift eller endringer eks . dersom en sensor blir byttet ut kan det skje en trinnendring i målingen . Dette kan endre nivået i modellen og gi falske positive påvisninger . ML-modellene må derfor re-trenes med jevne mellomrom og spesielt etter at det er utført systemendringer og vedlikehold .
Maskinlæring kan brukes for blant annet :
• Automatisert sanntid sviktgjenkjenning og alarm fra sensordata
• Tekstgjenkjenning og analyse
• Tolkning og mønstergjenkjenning ut av store datasett
• Sanntids simulering av prosess – digital tvilling
• Maskinsyn ( automatisere visuell inspeksjon med bilde- og punktskygjenkjenning )
36