NR . 2 - 2024
ARROW-CI Senseye Predictive Maintenance har sterk maskinlæringsfunksjon . Med et samlebånd går relativ raskt , roboter med flere armer er mer komplekst og det tar naturlig nok mer tid .
ne sammenhengen kan være en mindre del av en større maskin , som en pumpe eller en elektromotor . – To roboter fra samme produsent som gjør den samme jobben , men i to ulike land , vil ha ulikt feilmønster . Derfor bruker vi KI får å lage « fingeravtrykk », det vil si at hvert objekt får en egen , unik identitet . Da kan man plukke ut informasjons spesifikt for dette objektet , sier Martinsen . Større produksjonsanlegg har som regel en kombinasjon av gamle og nye maskiner . Under implementeringen vil maskinlæringen har mer nytte av de eldre , der det er flere avvik . – Har du én ny maskin vil den sannsynligvis løpe feilfritt i flere måneder . Har du mange maskiner er sannsynligheten mye større for at du kan registrere noen avvik , sier Martinsen .
– Et prøveprosjekt vil typisk ha opp mot 100 objekter , og vil vare i fem – seks måneder . I denne fasen er det viktig å velge KPI-er som kan forbedres , med reduksjon i nedetid eller høyere total utstyrseffektivitet . Sending av data kan gjøres på ulike måter , for eksempel OPC UA , MQTT – eller e-post . – Det er en fordel at de sender fra en samlet kilde , i stedet for at vi henter data rett fra PLS-er , drives og andre instrumenter , sier han .
Trenger god datakvalitet Det er viktig å få så god datakvalitet som mulig . Tradisjonelt tar det tid før man får et mønster på informasjon som kan fortelle om komponenter er slitte . – Med historiske maskindata og generativ KI kan Senseye konfigurere dette til informa-
51