� VEDLIKEHOLD
ARROW-CI Senseye kombinere KI med menneskelig innsikt . Siemens kan samle data vie en Edge-løsning , men det vil også ofte være mulig å sette opp en struktur med det som finnes på plassen fra før .
I
juni 2022 kjøpte Siemens britiske Senseye , som hadde spesialisert seg på KI-drevne løsninger for industriell maskinytelse og pålitelighet . Konsernet beskriver introduksjonen av generativ KI som et skifte som gjør det mulig få gå fra prediktivt til preskriptivt vedlikehold . – Ved å kombinere KI med menneskelig innsikt , genererer plattformen automatisk adferdsmodeller for maskiner og vedlikeholdspersonell . Løsningen hjelper brukerne med å rette oppmerksomheten og ekspertisen dit det er mest behov , sier Martinsen .
« Ekte » prediktivt vedlikehold Tilstandsbasert vedlikehold ( CBM ) og prediktivt vedlikehold er komplementære disipliner , men sistnevnte bruker et mye høyere nivå av datadrevne tilnærminger , og kan utnytte teknikker fra KI og ML . – Norske bedrifter har tilgang på mye som kan si noe om tilstanden på anlegget . Men mange kan få ut mer informasjon ; ved å gjøre arbeidet mer datadrevet blir vedlikeholdet bedre og mer effektivt , mener Martinsen . – For å samle og preprosessere dataene kan bedriften for eksempel bruke en Edge-løsning . Da har vi muligheten til å hente data fra forskjellige kilder , sette opp logikk for preprosessering og så sende data videre til sky . I Senseye analyseres maskin- og vedlikeholdsdata av maskinlæringsalgoritmer , og plattformen presenterer varsler til brukere i statiske , selvstendige tilfeller . – Vi henter data under normal drift , men vi legger også vekt på tilbakemeldinger fra kundene slik at vi kan tilpasse løsningen . Brukerne har tross alt inngående kunnskap om hvordan maskinene skal fungere , i den settingen de står . Med maskinlæringen vil Senseye automatisk justere algoritmer og varslinger , sier Martinsen .
Avvik gir god maskinlæring Metodikken går ut på at maskiner og produksjonslinjer brytes ned i objekter . Objekter i den-
50