WORKING SAMPLE

Mantenimiento de equipos/investigación de fallos IAIntente reemplazarlo con su propio negocio.

Clasifique datos de equipos sintéticos disponibles públicamente utilizando árboles de decisión realmente aprendidos.

Puede verificar los resultados del procesamiento cambiando las entradas y condiciones a continuación. Los datos de muestra y la salida se pueden guardar.

INTERACTIVE SAMPLE

Mantenimiento de equipos/investigación de fallos IA

Clasifique datos de equipos sintéticos disponibles públicamente utilizando árboles de decisión realmente aprendidos.

01 / muestra de entrada

Editar datos de entrada

air_K,process_K,rpm,torque_Nm,wear_min,failure_label
298.3,309.2,1783.0,28.3,130.0,0
298.4,309.7,1419.0,41.3,159.0,0
297.1,307.8,1454.0,50.6,94.0,0
299.5,310.9,1496.0,38.5,162.0,0
300.9,311.4,1532.0,41.5,126.0,0
300.2,309.8,1650.0,29.6,13.0,0
304.2,313.2,1464.0,44.9,37.0,0
299.3,310.6,1480.0,45.1,107.0,0
304.3,313.5,2643.0,12.7,21.0,0
301.7,310.1,1743.0,27.3,210.0,0
299.0,310.3,1483.0,39.2,153.0,0
302.6,311.6,1227.0,68.2,187.0,1
303.7,312.4,1404.0,46.6,119.0,0
298.1,308.7,1581.0,47.4,51.0,0
300.7,310.2,1364.0,65.3,208.0,1
297.2,308.5,1604.0,34.9,200.0,0
303.3,311.6,1301.0,45.1,219.0,1
303.2,311.4,2102.0,19.0,5.0,0
300.2,309.8,1466.0,45.7,41.0,0
301.0,312.2,1510.0,39.9,61.0,0
300.4,310.1,1614.0,33.5,191.0,0
303.0,312.4,1627.0,37.1,168.0,0
300.7,311.9,1462.0,39.7,181.0,0
299.5,309.2,1590.0,35.9,22.0,0
302.4,311.2,1448.0,50.5,53.0,0
298.6,309.5,1366.0,55.0,65.0,0
298.3,308.6,1447.0,38.1,146.0,0
304.2,313.4,1568.0,37.6,25.0,0
302.6,312.0,1447.0,45.5,173.0,0
299.5,310.8,1374.0,48.3,154.0,0
300.6,310.7,1438.0,48.5,78.0,1
299.5,310.0,1594.0,35.1,54.0,0
301.2,310.4,1516.0,44.4,53.0,0
298.8,308.6,1535.0,41.2,40.0,0
297.2,307.9,1309.0,49.6,167.0,0
301.3,310.3,1313.0,55.6,127.0,0
300.6,311.9,1425.0,44.9,224.0,0
297.3,308.5,1520.0,42.4,171.0,0
302.5,311.9,1452.0,47.4,77.0,0
299.6,309.2,1651.0,30.8,92.0,0

Umbral para comprobar la probabilidad prevista 0.5

02 / Resultados del procesamiento

Línea objetivo: 40
Necesita confirmación: 3

linea	Velocidad de rotación (rpm)	Uso de herramienta (min)	salida del modelo	Objetivo de confirmación	Etiqueta de respuesta correcta
1	1783.0	130.0	0.002	por debajo del umbral	0
2	1419.0	159.0	0.002	por debajo del umbral	0
3	1454.0	94.0	0.002	por debajo del umbral	0
4	1496.0	162.0	0.002	por debajo del umbral	0
5	1532.0	126.0	0.002	por debajo del umbral	0
6	1650.0	13.0	0.002	por debajo del umbral	0
7	1464.0	37.0	0.002	por debajo del umbral	0
8	1480.0	107.0	0.002	por debajo del umbral	0
9	2643.0	21.0	0.867	Necesita confirmación	0
10	1743.0	210.0	0.083	por debajo del umbral	0
11	1483.0	153.0	0.002	por debajo del umbral	0
12	1227.0	187.0	0.909	Necesita confirmación	1
13	1404.0	119.0	0.002	por debajo del umbral	0
14	1581.0	51.0	0.002	por debajo del umbral	0
15	1364.0	208.0	0.909	Necesita confirmación	1
16	1604.0	200.0	0.002	por debajo del umbral	0
17	1301.0	219.0	0.228	por debajo del umbral	1
18	2102.0	5.0	0.002	por debajo del umbral	0
19	1466.0	41.0	0.002	por debajo del umbral	0
20	1510.0	61.0	0.002	por debajo del umbral	0
21	1614.0	191.0	0.002	por debajo del umbral	0
22	1627.0	168.0	0.002	por debajo del umbral	0
23	1462.0	181.0	0.002	por debajo del umbral	0
24	1590.0	22.0	0.002	por debajo del umbral	0
25	1448.0	53.0	0.002	por debajo del umbral	0
26	1366.0	65.0	0.006	por debajo del umbral	0
27	1447.0	146.0	0.002	por debajo del umbral	0
28	1568.0	25.0	0.002	por debajo del umbral	0
29	1447.0	173.0	0.002	por debajo del umbral	0
30	1374.0	154.0	0.006	por debajo del umbral	0
31	1438.0	78.0	0.002	por debajo del umbral	1
32	1594.0	54.0	0.002	por debajo del umbral	0
33	1516.0	53.0	0.002	por debajo del umbral	0
34	1535.0	40.0	0.002	por debajo del umbral	0
35	1309.0	167.0	0.006	por debajo del umbral	0
36	1313.0	127.0	0.006	por debajo del umbral	0
37	1425.0	224.0	0.083	por debajo del umbral	0
38	1520.0	171.0	0.002	por debajo del umbral	0
39	1452.0	77.0	0.002	por debajo del umbral	0
40	1651.0	92.0	0.002	por debajo del umbral	0

El resultado del modelo es la tasa de falla dentro de los nodos de hoja durante el entrenamiento. Esta no es una probabilidad de falla calibrada para el equipo real.

Un pequeño modelo entrenado con datos sintéticos. No indica el rendimiento de predicción de fallas del equipo real.

La entrada se procesa dentro del navegador. No se enviará a sistemas empresariales o de IA externos. El contenido editado se perderá al recargar.

Ver fuente de datos/evaluación del modelo

Utiliza 10.000 datos sintéticos disponibles públicamente. Se aprendieron 8.000 resultados con una semilla fija de 42 y se utilizaron 2.000 resultados para la validación. La pantalla muestra los primeros 40 elementos de datos de verificación.

AI4I 2020 Predictive Maintenance Dataset (2020), UCI Machine Learning Repository · DOI · CC BY 4.0

Resultados de la verificación (umbral 0,5): se detectaron 28 de 67 fallos y se pasaron por alto 39. De 1.933 casos normales, 8 casos fueron detectados erróneamente. Se requiere verificación adicional para la aplicación al equipo real.

Todos los datos originales CSV ↓modelo entrenado JSON ↓Fuente/Términos de uso

Quiero probar esta muestra con mis propios datos. ↗

De este ejemplo a la implementación

Comprobar funcionamiento con muestra

Verifique el contenido del procesamiento, la entrada requerida y el formato de salida. También organizaremos los formatos y requisitos no compatibles.

Verificación a pequeña escala utilizando datos internos

Evaluamos la precisión, el tiempo de procesamiento y las horas de trabajo de corrección utilizando datos que tenemos permiso para usar. Acordaremos de antemano cómo transferir datos confidenciales.

Implementar aprobación, colaboración y operación.

Determine la autoridad, la persona a cargo de la confirmación, la vinculación del sistema existente y las condiciones de mantenimiento antes de implementar el sistema. Los costes y fechas de entrega se facilitarán en función de los datos y requisitos del objetivo.

Muestras relacionadas

INPUT → PROCESS → OUTPUT

Mantenimiento de equipos/investigación de fallos IA

Clasifique datos de equipos sintéticos disponibles públicamente utilizando árboles de decisión realmente aprendidos.

air_K,process_K,rpm,torque_Nm,wear_min
298.1,308.6,1551,42.8,0

Intenta cambiar la entrada ↗

INPUT → PROCESS → OUTPUT

Automatización de registros e informes de inspección.

Cree objetivos de confirmación y redacte informes a partir de registros de medición.

equipment,value,limit,unit
PUMP-A,4.2,4,mm/s
FAN-B,2.1,4,mm/s
MOTOR-C,5.8,4,mm/s

Intenta cambiar la entrada ↗

INPUT → PROCESS → OUTPUT

Inspección visual y detección de anomalías mediante vídeo.

Extraiga áreas candidatas para imágenes artificiales cambiando los umbrales de brillo y oscuridad de los píxeles.

20,22,21,23,22,21,20,23
21,22,220,225,22,23,20,21
22,20,218,224,21,20,22,23
20,22,21,20,23,21,22,20

Intenta cambiar la entrada ↗

INPUT → PROCESS → OUTPUT

Optimización de la demanda/inventario de piezas

El monto de reabastecimiento estimado se calcula a partir del monto de uso diario y los días de adquisición.

part,daily_use,stock,lead_days
BEARING-A,4,12,7
BELT-B,2,30,5
BOLT-C,20,90,6

Intenta cambiar la entrada ↗

Mantenimiento de equipos/investigación de fallos IA

01 / muestra de entrada

02 / Resultados del procesamiento

De este ejemplo a la implementación

Comprobar funcionamiento con muestra

Verificación a pequeña escala utilizando datos internos

Implementar aprobación, colaboración y operación.

Muestras relacionadas

Mantenimiento de equipos/investigación de fallos IA

Automatización de registros e informes de inspección.

Inspección visual y detección de anomalías mediante vídeo.

Optimización de la demanda/inventario de piezas

Contáctenos