Un grand pas en avant dans la maintenance prédictive avec le modèle d’IA de DMG MORI
Les usines et les machines de fabrication génèrent une grande quantité de données qui peuvent être exploitées pour améliorer l’efficacité opérationnelle. Une percée significative a été réalisée par DMG MORI Seebach GmbH, qui a développé un modèle prédictif piloté par l’IA. Ce modèle, alimenté par des données de configuration de machine, prédit à la fois le moment et la cause des pannes potentielles de la machine, ouvrant la voie à l’optimisation de la durée de vie des produits.
Approche structurée améliorant la précision de l’apprentissage automatique
La formation du modèle s’est basée sur la théorie des systèmes de Wiener, reconnaissant l’importance d’une méthodologie descendante pour l’identification des données essentielles. En suivant le cadre du modèle CRISP-DM en six phases, l’accent a été mis sur la maximisation de la valeur des données pour résoudre des défis spécifiques. L’étape importante comprenait la définition des données de configuration comme entrées et des raisons de défaillance de la machine comme sorties.
Conversion et alimentation des données dans le modèle
La collecte de données non structurées à partir de différentes sources a été rationalisée à travers un script Matlab, conçu avec une adaptabilité pour accommoder de nouvelles données de processus ou des modèles d’erreurs. Les données prétraitées ont ensuite été vectorisées – catégorisant 5 000 variables d’entrée et de sortie – et alimentées dans un algorithme pour le traitement.
Réseaux neuronaux : exploitant des relations hyper-non linéaires
Les réseaux neuronaux artificiels ont été choisis comme système d’apprentissage automatique en raison des configurations complexes et interdépendantes et de leur nature non linéaire. L’entraînement du modèle a impliqué une répartition des données en ensembles d’entraînement et de test de 70/30, mettant l’accent sur la nécessité de la randomisation pour éliminer les biais systématiques. L’entraînement a utilisé la bibliothèque de réseaux neuronaux de Matlab, produisant un modèle valide, comme en témoigne un taux d’erreur minimal du réseau.
Application du modèle dans des scénarios réels
Les projets futurs incluent l’intégration du modèle dans des applications de bureau et mobiles pour une accessibilité étendue aux utilisateurs. Le modèle peut effectuer de l’ingénierie inversée, permettant des insights sur des configurations critiques corrélées avec les modes de défaillance. Cela peut ensuite conduire à des méthodes de production améliorées et à des processus de fabrication optimisés. En évitant les configurations critiques des machines dès le départ, le nouvel outil vise à augmenter de manière significative la productivité et à minimiser les temps d’arrêt dus aux défaillances.
L’article discute de la façon dont DMG MORI Seebach GmbH a développé un modèle de maintenance prédictive piloté par l’IA conçu pour anticiper les pannes de machines en analysant les données de configuration. Cette innovation promet de révolutionner les stratégies de maintenance des machines et d’améliorer la productivité dans le domaine de la fabrication.
[…]
Si vous souhaitez explorer des sites connexes pour approfondir votre compréhension de l’IA et de ses applications dans l’industrie, envisagez de visiter des sites web de recherche technologique et en IA réputés, tels que :
– IBM : Pour des informations sur les applications de l’IA dans l’industrie et l’IoT.
– DeepMind : Pour des recherches de pointe et des articles sur l’IA et les réseaux neuronaux.
– NVIDIA : Connu pour son travail en IA, en particulier en ce qui concerne les exigences matérielles de l’IA.
Assurez-vous de l’intégrité de tout site que vous choisissez de visiter et restez informé des dernières informations dans le domaine de l’IA et de la maintenance industrielle.
The source of the article is from the blog meltyfan.es