在训练预测性维护演算法时,在真正机台上建立所需的故障条件通常很昂贵,或有时根本无法做到。对于这类情况的解决方式之一,是利用从真正在运作中的机台取得的现场资料来调整一个实体的3D模型,并建立数位分身用来设计能够布署于真实设备的控制器的预测性维护侦测演算法。
工业设备损坏所导致的损失,除了替换设备的花费之外,最大费用还来自于强制停机所衍生的问题,一条生产线的停摆可能造成每分钟几千美元的损失。以固定周期执行例行性的维护虽然可预防意外停机,不过并不能保证完全不会发生设备损坏。
因此,如果让机器可以自动辨识其中某个零件即将故障,甚至知道哪一个零件需要更换的话,便能有效地减少意外停机的情形。计画性的维护保养,并不是以固定的间隔时间进行维护,而是只在需要的时候才执行,因此预测性维护(predictive maintenance)的目标:即在于利用感测器资料来预测机台何时需要保养,以避免发生停机。
...
...
另一名雇主 |
限られたニュース |
文章閱讀限制 |
出版品優惠 |
一般訪客 |
10/ごとに 30 日間 |
5//ごとに 30 日間 |
付费下载 |
VIP会员 |
无限制 |
20/ごとに 30 日間 |
付费下载 |