成功预测失败: 如何使人工智能更快和更准确预测维修状态

  • 0 replies
  • 605 views
*

sisiy

  • *****
  • 210
    • 查看个人资料
在一个依赖机器动力的世界里,故障可能是有问题的,有时甚至是灾难性的。

汽车制造商的系统故障每小时最高可造成130万美元的损失。一个海上石油平台下线一天可能会浪费350万美元。

但是技术上的失败不仅仅是浪费金钱。它们还会危及员工的安全,危及客户关系,并可能威胁环境。

为了解决这一问题,许多公司实施预测维修程序,以便在设备损坏之前发现缺陷。传统技术依赖于安装大量专用传感器和测量特定机器的性能。

但这种狭隘、孤立的观点意味着,更大、更全面的问题往往被忽视,或者根本原因没有得到解决。这可能会导致更多的、可预防的损伤。

可靠性解决方案采用了不同的方法。这家总部位于波兰克拉科夫(Krakow)的初创企业利用深度学习,从客户事先安装的无数传感器收集的海量数据中获得洞见。

作为NVIDIA Inception项目的成员之一,Reliability Solutions是最早采用这种方法的公司之一,并且已经与一些大公司合作,包括能源供应商Tauron、汽车制造商欧宝和大众。

预测维修的目的是预测设备何时可能发生故障,并在足够的时间内采取预防措施。

可靠性解决方案的方法,预测维修使用深神经网络供电的英伟达特斯拉P100 GPU集群在数据中心。

“通过使用深度学习,我们可以避免与传统预测维护模型相关的常见痛点——高硬件成本、高工程成本和较长的交付时间,”Reliability Solutions首席执行官Mateusz Marzec解释道。“借助NVIDIA gpu的强大功能,我们可以在几小时内使用tb级的数据训练我们的模型。”

欧洲最大的能源公司之一转向可靠性解决方案,建立了一个预测模型,可以检测流化床燃烧锅炉的故障。这些系统燃烧固体燃料,在较低的温度下产生能量,减少硫的排放。

由于整个锅炉网络每年向550多万用户提供约50 TWh的电力,任何停机都会产生广泛的后果。

可靠性解决方案开发了一个预测模型,该模型基于从已经安装在工厂的传感器收集的700GB历史数据。报告还全面描述了2013年至2015年三年间对锅炉造成影响的事件。该数据被用于在一组NVIDIA gpu上训练一系列深度神经网络。

当与2016年的运行数据进行验证时,该系统以100%的准确率预测了所有故障,并且没有任何误报。流化床锅炉的每次故障预计在实际故障发生前2.5 - 17小时发生。这将给维护团队足够的时间来停止故障,或者至少将造成的损害降到最低。

随着预测维修模块现在完全纳入,该公司每年节省400万欧元。

从预测到规定

可靠性解决方案现在正将注意力转向开发规定性维护。这使他们不仅能够确定什么时候会出问题,而且能够提出建议的行动方针。

这种方法也适用于希望优化其机器性能,而不是解决问题的公司。在这些情况下,规定性模型可以提出一些措施,例如,这些措施将为企业节省资金或减少二氧化碳排放。

可靠性解决方案公司已经与中欧最大的化学公司之一合作,通过优化其安装的配置,使资源消耗最小化,产量最大化。

这家初创公司建立了一个基于深度神经网络的化学装置元模型,然后在现实生活中验证了配置。他们发现元模型有90%的准确率。

使用规定的模型,可靠性解决方案能够减少该公司的氢消耗超过2%,这将为该公司每年节省数百万欧元。
« 最后编辑时间: 五月 03, 2019, 08:43:15 pm 作者 sisiy »