Eine Implementierung von Machine Learning für prädiktive Wartung und Überwachung von Industriekompressoren

Die Integration von Machine Learning-Algorithmen, die durch fortschrittliche Datenerfassungssysteme unterstützt werden, erweist sich als ein entscheidender Ansatz in der prädiktiven Wartung. Dieser Artikel präsentiert die Implementierung einer solchen Integration an einer industriellen Druckluftkompressoreinheit. Diese Forschung kombiniert aktualisierte Konzepte aus dem Internet der Dinge, Machine Learning, die Datensammlung durch mehrere Sensoren, strukturiertes Data Mining und cloudbasierte Datenanalyse. Zu diesem Zweck wurden Temperatur-, Druck- und Durchflussraten-Daten von Sensoren, die mit dem Kompressor in Kontakt standen, erfasst. Die beobachteten Daten wurden an die Structured Query Language-Datenbank gesendet. Anschließend wurde ein lineares Regressionsmodell auf die Trainingsdaten angepasst, und das optimierte Modell wurde für die Echtzeitinferenz gespeichert. Danach wurden die strukturierten Daten durch das Modell geleitet, und wenn die Daten den festgelegten Schwellenwert überschritten, wurde eine Warn-E-Mail an einen Betreiber gesendet. Die Annahme des Internets der Dinge verbessert die Überwachung für Spezialisten und verringert die Wahrscheinlichkeit von Ausfällen und Schäden. Das Modell erreichte eine Genauigkeit von 98 % im Metric für den mittleren quadratischen Fehler für unser Regressionsmodell. Durch die Analyse der gesammelten Daten zeigt das implementierte System die Fähigkeit, potenzielle Ausfälle von Geräten mit vielversprechender Genauigkeit vorherzusagen, wodurch ein Übergang von reaktiven zu proaktiven Wartungsstrategien erleichtert wird. Die Ergebnisse zeigen ein erhebliches Potenzial für Verbesserungen in der Wartungseffizienz, der Betriebszeit von Geräten und der Kosteneinsparungen.