WORKING SAMPLE

Maintenance des équipements/enquête sur les pannes IAEssayez de le remplacer par votre propre entreprise.

Classez les données d'équipement synthétiques accessibles au public à l'aide d'arbres de décision réellement appris.

Vous pouvez vérifier les résultats du traitement en modifiant les entrées et les conditions ci-dessous. Des exemples de données et de sorties peuvent être enregistrés.

INTERACTIVE SAMPLE

Maintenance des équipements/enquête sur les pannes IA

Classez les données d'équipement synthétiques accessibles au public à l'aide d'arbres de décision réellement appris.

01 / échantillon d'entrée

Modifier les données d'entrée

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

Seuil de vérification de la probabilité prédite 0.5

02 / Résultats du traitement

Ligne cible: 40
Besoin d'une confirmation: 3

ligne	Vitesse de rotation (tr/min)	Utilisation de l'outil (min)	sortie du modèle	Objectif de confirmation	Étiquette de bonne réponse
1	1783.0	130.0	0.002	en dessous du seuil	0
2	1419.0	159.0	0.002	en dessous du seuil	0
3	1454.0	94.0	0.002	en dessous du seuil	0
4	1496.0	162.0	0.002	en dessous du seuil	0
5	1532.0	126.0	0.002	en dessous du seuil	0
6	1650.0	13.0	0.002	en dessous du seuil	0
7	1464.0	37.0	0.002	en dessous du seuil	0
8	1480.0	107.0	0.002	en dessous du seuil	0
9	2643.0	21.0	0.867	Besoin d'une confirmation	0
10	1743.0	210.0	0.083	en dessous du seuil	0
11	1483.0	153.0	0.002	en dessous du seuil	0
12	1227.0	187.0	0.909	Besoin d'une confirmation	1
13	1404.0	119.0	0.002	en dessous du seuil	0
14	1581.0	51.0	0.002	en dessous du seuil	0
15	1364.0	208.0	0.909	Besoin d'une confirmation	1
16	1604.0	200.0	0.002	en dessous du seuil	0
17	1301.0	219.0	0.228	en dessous du seuil	1
18	2102.0	5.0	0.002	en dessous du seuil	0
19	1466.0	41.0	0.002	en dessous du seuil	0
20	1510.0	61.0	0.002	en dessous du seuil	0
21	1614.0	191.0	0.002	en dessous du seuil	0
22	1627.0	168.0	0.002	en dessous du seuil	0
23	1462.0	181.0	0.002	en dessous du seuil	0
24	1590.0	22.0	0.002	en dessous du seuil	0
25	1448.0	53.0	0.002	en dessous du seuil	0
26	1366.0	65.0	0.006	en dessous du seuil	0
27	1447.0	146.0	0.002	en dessous du seuil	0
28	1568.0	25.0	0.002	en dessous du seuil	0
29	1447.0	173.0	0.002	en dessous du seuil	0
30	1374.0	154.0	0.006	en dessous du seuil	0
31	1438.0	78.0	0.002	en dessous du seuil	1
32	1594.0	54.0	0.002	en dessous du seuil	0
33	1516.0	53.0	0.002	en dessous du seuil	0
34	1535.0	40.0	0.002	en dessous du seuil	0
35	1309.0	167.0	0.006	en dessous du seuil	0
36	1313.0	127.0	0.006	en dessous du seuil	0
37	1425.0	224.0	0.083	en dessous du seuil	0
38	1520.0	171.0	0.002	en dessous du seuil	0
39	1452.0	77.0	0.002	en dessous du seuil	0
40	1651.0	92.0	0.002	en dessous du seuil	0

Le résultat du modèle est le taux d'échec au sein des nœuds feuilles pendant la formation. Il ne s’agit pas d’une probabilité de défaillance calibrée sur l’équipement réel.

Un petit modèle entraîné sur des données synthétiques. Il n’indique pas les performances de prévision des pannes de l’équipement réel.

La saisie est traitée dans le navigateur. Il ne sera pas envoyé à des systèmes d’IA ou d’entreprise externes. Le contenu modifié sera perdu lors du rechargement.

Voir l'évaluation de la source de données/du modèle

Utilise 10 000 données synthétiques accessibles au public. 8 000 résultats ont été appris avec une valeur de départ fixe de 42 et 2 000 résultats ont été utilisés pour la validation. L'écran affiche les 40 premiers éléments de données de vérification.

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

Résultats de la vérification (seuil 0,5) : 28 échecs sur 67 ont été détectés et 39 ont été manqués. Sur 1 933 cas normaux, 8 cas ont été faussement détectés. Une vérification supplémentaire est requise pour l’application à l’équipement réel.

Toutes les données originales CSV ↓modèle entraîné JSON ↓Source/Conditions d'utilisation

Je veux essayer cet exemple avec mes propres données. ↗

De cet échantillon à la mise en œuvre

Vérifier le fonctionnement avec un échantillon

Vérifiez le contenu du traitement, l'entrée requise et le format de sortie. Nous organiserons également les formats et exigences non pris en charge.

Vérification à petite échelle à l’aide de données internes

Nous évaluons l'exactitude, le temps de traitement et les heures de travail de correction à l'aide de données que nous sommes autorisés à utiliser. Nous conviendrons à l'avance de la manière de transférer les données confidentielles.

Mettre en œuvre l’approbation, la collaboration et l’exploitation

Déterminez l’autorité, la personne chargée de la confirmation, les liens avec le système existant et les conditions de maintenance avant de mettre en œuvre le système. Les coûts et les dates de livraison seront fournis en fonction des données cibles et des exigences.

Échantillons associés

INPUT → PROCESS → OUTPUT

Maintenance des équipements/enquête sur les pannes IA

Classez les données d'équipement synthétiques accessibles au public à l'aide d'arbres de décision réellement appris.

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

Essayez de changer l'entrée ↗

INPUT → PROCESS → OUTPUT

Automatisation des dossiers et rapports d’inspection

Créez des cibles de confirmation et rédigez des rapports à partir des enregistrements de mesure.

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

Essayez de changer l'entrée ↗

INPUT → PROCESS → OUTPUT

Inspection visuelle et détection d’anomalies par vidéo

Extrayez les zones candidates pour les images artificielles en modifiant les seuils de luminosité et d'obscurité des pixels.

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

Essayez de changer l'entrée ↗

INPUT → PROCESS → OUTPUT

Optimisation de la demande/des stocks de pièces

Le montant estimé du réapprovisionnement est calculé à partir du montant d’utilisation quotidienne et des jours d’approvisionnement.

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

Essayez de changer l'entrée ↗

Maintenance des équipements/enquête sur les pannes IA

01 / échantillon d'entrée

02 / Résultats du traitement

De cet échantillon à la mise en œuvre

Vérifier le fonctionnement avec un échantillon

Vérification à petite échelle à l’aide de données internes

Mettre en œuvre l’approbation, la collaboration et l’exploitation

Échantillons associés

Maintenance des équipements/enquête sur les pannes IA

Automatisation des dossiers et rapports d’inspection

Inspection visuelle et détection d’anomalies par vidéo

Optimisation de la demande/des stocks de pièces

Contactez-nous