Aide à la décision
❯
Prédire
❯Fabrication et usines - Maintenance prédictive
Une décision de crédit plus juste et plus personnalisée
Aller au-delà des modèles linéaires généralisés : une stratégie de tarification sophistiquée intégrant les prix des concurrents
Triage basé sur l'apprentissage automatique pour déterminer les patients de faible gravité qui peuvent être accélérés jusqu'à l'admission aux urgences en raison de leur courte durée de sortie
Modèle de prévision et d'impact des catastrophes et des urgences
Renseignements automatisés sur l'enrichissement des menaces dans la cybersécurité
Apprentissage par renforcement en profondeur pour une recommandation de traitement personnalisée
Application de l'apprentissage automatique pour prédire le risque de nouvelles infections à l'hôpital pour les patients
Gestion - Intelligence de marché
Prévisions météorologiques dans l'agriculture
L'IA pour la prévention des pertes des clients des services de télécommunication
Fabrication et usines - Maintenance prédictive
Modèle de prévision et d'impact des catastrophes et des urgences
Fabrication et usines - Maintenance prédictive
Pour:
Exploitation, R&DObjectif:
Anticiper les risques, améliorer l'efficacité des opérationsProblème adressé
Dans le secteur de la fabrication, un « arrêt non planifié », dû à une défaillance des actifs, est inacceptable. Et deux approches potentielles pour faire face à cette situation sont : - Maintenance réactive : non planifiée – remplacement ciblé des pièces en réponse uniquement à leur défaillance. Se produit lors de l'arrêt imprévu suivant. Inefficace (besoin de stock de pièces de rechange, arrêts de ligne coûteux). Maintenance préventive : Programmée - remplacement en masse des pièces, qui sont dans une marge de leur fin de vie utile. Effectué à des intervalles définis lors de l'arrêt planifié. Inefficace (toutes les pièces de rechange remplacées, certaines encore utilisables). « Les utilisateurs doivent être informés en temps opportun de la défaillance potentielle d'un actif. Permettre d'effectuer la maintenance, à un moment propice aux opérations, avant que la panne ne se produise.
But du cas d'usage
Éviter les arrêts non planifiés dans la fabrication en utilisant l'apprentissage automatique pour prédire les états de défaillance des équipements.
Description
Maintenance prédictive : des capteurs, applicables à la surveillance de l'état (par exemple, température, pression et vibration) sont montés sur l'actif. Une configuration de type « Internet des objets » offre les plus hauts niveaux de fonctionnalité. Le DataStream de ces capteurs permet la capture et le stockage de l'état d'un actif, en temps réel. L'analyse prédictive, c'est-à-dire les algorithmes d'apprentissage automatique/profond appliqués aux données, détecte les détails présents lors de la transition de l'état normal à l'état de défaillance et permet des prédictions identifiant le sous-système défaillant et le « temps jusqu'à la défaillance ». Avant le déploiement, ces algorithmes nécessitent une formation avec un mélange de données, entre les états Normal et Échec. Une technique connue sous le nom de « détection d'anomalies » ; dans lequel les nouvelles données, n'étant pas des valeurs aberrantes, permettent une classification entre Bon/Non-Bon. En détectant la dégradation des actifs dans une condition de panne, avant qu'elle ne se produise, les utilisateurs peuvent planifier le remplacement ciblé des pièces à un temps d'arrêt programmé de manière appropriée. Défis communs : Problèmes associés à la disponibilité appropriée des capteurs, aux connaissances/formations des employés et à la qualité des données.
Écouter - Réseau de capteurs - IOT
IA: Percevoir
Apprentissage en profondeur
apprentissage automatique
IA: Comprendre
Aide à la décision - Détecter les anomalies et les fraudes
Aide à la décision - Prédire / Prévoir
IA: Agir