KI für Gerätewartung/FehleruntersuchungVersuchen Sie es durch Ihr eigenes Unternehmen zu ersetzen.
Klassifizieren Sie öffentlich verfügbare synthetische Ausrüstungsdaten mithilfe tatsächlich erlernter Entscheidungsbäume.
Sie können die Verarbeitungsergebnisse überprüfen, indem Sie die unten aufgeführten Eingaben und Bedingungen ändern. Beispieldaten und Ausgabe können gespeichert werden.
KI für Gerätewartung/Fehleruntersuchung
Klassifizieren Sie öffentlich verfügbare synthetische Ausrüstungsdaten mithilfe tatsächlich erlernter Entscheidungsbäume.
01 / Eingabebeispiel
02 / Verarbeitungsergebnisse
- Ziellinie
- 40
- Brauche Bestätigung
- 3
| Linie | Drehzahl (U/min) | Werkzeugnutzung (min.) | Modellausgabe | Bestätigungsziel | Richtiges Antwortetikett |
|---|---|---|---|---|---|
| 1 | 1783.0 | 130.0 | 0.002 | unter dem Schwellenwert | 0 |
| 2 | 1419.0 | 159.0 | 0.002 | unter dem Schwellenwert | 0 |
| 3 | 1454.0 | 94.0 | 0.002 | unter dem Schwellenwert | 0 |
| 4 | 1496.0 | 162.0 | 0.002 | unter dem Schwellenwert | 0 |
| 5 | 1532.0 | 126.0 | 0.002 | unter dem Schwellenwert | 0 |
| 6 | 1650.0 | 13.0 | 0.002 | unter dem Schwellenwert | 0 |
| 7 | 1464.0 | 37.0 | 0.002 | unter dem Schwellenwert | 0 |
| 8 | 1480.0 | 107.0 | 0.002 | unter dem Schwellenwert | 0 |
| 9 | 2643.0 | 21.0 | 0.867 | Brauche Bestätigung | 0 |
| 10 | 1743.0 | 210.0 | 0.083 | unter dem Schwellenwert | 0 |
| 11 | 1483.0 | 153.0 | 0.002 | unter dem Schwellenwert | 0 |
| 12 | 1227.0 | 187.0 | 0.909 | Brauche Bestätigung | 1 |
| 13 | 1404.0 | 119.0 | 0.002 | unter dem Schwellenwert | 0 |
| 14 | 1581.0 | 51.0 | 0.002 | unter dem Schwellenwert | 0 |
| 15 | 1364.0 | 208.0 | 0.909 | Brauche Bestätigung | 1 |
| 16 | 1604.0 | 200.0 | 0.002 | unter dem Schwellenwert | 0 |
| 17 | 1301.0 | 219.0 | 0.228 | unter dem Schwellenwert | 1 |
| 18 | 2102.0 | 5.0 | 0.002 | unter dem Schwellenwert | 0 |
| 19 | 1466.0 | 41.0 | 0.002 | unter dem Schwellenwert | 0 |
| 20 | 1510.0 | 61.0 | 0.002 | unter dem Schwellenwert | 0 |
| 21 | 1614.0 | 191.0 | 0.002 | unter dem Schwellenwert | 0 |
| 22 | 1627.0 | 168.0 | 0.002 | unter dem Schwellenwert | 0 |
| 23 | 1462.0 | 181.0 | 0.002 | unter dem Schwellenwert | 0 |
| 24 | 1590.0 | 22.0 | 0.002 | unter dem Schwellenwert | 0 |
| 25 | 1448.0 | 53.0 | 0.002 | unter dem Schwellenwert | 0 |
| 26 | 1366.0 | 65.0 | 0.006 | unter dem Schwellenwert | 0 |
| 27 | 1447.0 | 146.0 | 0.002 | unter dem Schwellenwert | 0 |
| 28 | 1568.0 | 25.0 | 0.002 | unter dem Schwellenwert | 0 |
| 29 | 1447.0 | 173.0 | 0.002 | unter dem Schwellenwert | 0 |
| 30 | 1374.0 | 154.0 | 0.006 | unter dem Schwellenwert | 0 |
| 31 | 1438.0 | 78.0 | 0.002 | unter dem Schwellenwert | 1 |
| 32 | 1594.0 | 54.0 | 0.002 | unter dem Schwellenwert | 0 |
| 33 | 1516.0 | 53.0 | 0.002 | unter dem Schwellenwert | 0 |
| 34 | 1535.0 | 40.0 | 0.002 | unter dem Schwellenwert | 0 |
| 35 | 1309.0 | 167.0 | 0.006 | unter dem Schwellenwert | 0 |
| 36 | 1313.0 | 127.0 | 0.006 | unter dem Schwellenwert | 0 |
| 37 | 1425.0 | 224.0 | 0.083 | unter dem Schwellenwert | 0 |
| 38 | 1520.0 | 171.0 | 0.002 | unter dem Schwellenwert | 0 |
| 39 | 1452.0 | 77.0 | 0.002 | unter dem Schwellenwert | 0 |
| 40 | 1651.0 | 92.0 | 0.002 | unter dem Schwellenwert | 0 |
Die Modellausgabe ist die Fehlerrate innerhalb der Blattknoten während des Trainings. Hierbei handelt es sich nicht um eine auf die tatsächliche Ausrüstung abgestimmte Ausfallwahrscheinlichkeit.
Ein kleines Modell, das auf synthetischen Daten trainiert wurde. Es gibt keinen Aufschluss über die Fehlervorhersageleistung tatsächlicher Geräte.
Die Verarbeitung der Eingaben erfolgt innerhalb des Browsers. Es wird nicht an externe KI- oder Geschäftssysteme gesendet. Bearbeitete Inhalte gehen beim erneuten Laden verloren.
Siehe Datenquellen-/Modellauswertung
Verwendet 10.000 öffentlich verfügbare synthetische Daten. 8.000 Ergebnisse wurden mit einem festen Startwert von 42 gelernt und 2.000 Ergebnisse wurden zur Validierung verwendet. Auf dem Bildschirm werden die ersten 40 Elemente der Verifizierungsdaten angezeigt.
AI4I 2020 Predictive Maintenance Dataset (2020), UCI Machine Learning Repository · DOI · CC BY 4.0
Verifizierungsergebnisse (Schwellenwert 0,5): 28 von 67 Fehlern wurden erkannt und 39 wurden übersehen. Von 1.933 Normalfällen wurden 8 Fälle fälschlicherweise erkannt. Für die Anwendung auf tatsächliche Geräte ist eine zusätzliche Überprüfung erforderlich.
Von diesem Beispiel bis zur Umsetzung
Überprüfen Sie die Funktion anhand einer Probe
Überprüfen Sie den Verarbeitungsinhalt, die erforderliche Eingabe und das Ausgabeformat. Wir organisieren auch nicht unterstützte Formate und Anforderungen.
Verifizierung im kleinen Maßstab anhand interner Daten
Wir bewerten Genauigkeit, Bearbeitungszeit und Korrekturarbeitsstunden anhand von Daten, zu deren Verwendung wir eine Genehmigung haben. Wie die vertraulichen Daten übermittelt werden, vereinbaren wir vorab.
Implementieren Sie Genehmigung, Zusammenarbeit und Betrieb
Bestimmen Sie vor der Implementierung des Systems die Autorität, die für die Bestätigung verantwortliche Person, die bestehende Systemverknüpfung und die Wartungsbedingungen. Kosten und Liefertermine werden je nach Zieldaten und Anforderungen angegeben.
Verwandte Beispiele
KI für Gerätewartung/Fehleruntersuchung
Klassifizieren Sie öffentlich verfügbare synthetische Ausrüstungsdaten mithilfe tatsächlich erlernter Entscheidungsbäume.
air_K,process_K,rpm,torque_Nm,wear_min 298.1,308.6,1551,42.8,0Versuchen Sie, die Eingabe zu ändern ↗
Automatisierung von Inspektionsaufzeichnungen und -berichten
Erstellen Sie Bestätigungsziele und entwerfen Sie Berichte aus Messaufzeichnungen.
equipment,value,limit,unit PUMP-A,4.2,4,mm/s FAN-B,2.1,4,mm/s MOTOR-C,5.8,4,mm/sVersuchen Sie, die Eingabe zu ändern ↗
Visuelle Inspektion und Auffälligkeitserkennung per Video
Extrahieren Sie Kandidatenbereiche für künstliche Bilder, indem Sie die Helligkeits- und Dunkelheitsschwellenwerte von Pixeln ändern.
20,22,21,23,22,21,20,23 21,22,220,225,22,23,20,21 22,20,218,224,21,20,22,23 20,22,21,20,23,21,22,20Versuchen Sie, die Eingabe zu ändern ↗
Teilebedarfs-/Bestandsoptimierung
Die geschätzte Nachschubmenge wird aus der täglichen Nutzungsmenge und den Beschaffungstagen berechnet.
part,daily_use,stock,lead_days BEARING-A,4,12,7 BELT-B,2,30,5 BOLT-C,20,90,6Versuchen Sie, die Eingabe zu ändern ↗