WORKING SAMPLE

設備維護/故障排查AI嘗試將其替換為您自己的業務。

使用實際學習的決策樹對公開可用的合成設備資料進行分類。

您可以透過變更以下輸入和條件來檢查處理結果。可以保存樣本資料和輸出。

INTERACTIVE SAMPLE

設備維護/故障排查AI

使用實際學習的決策樹對公開可用的合成設備資料進行分類。

01 / 輸入樣本

編輯輸入數據

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

檢查預測機率的閾值 0.5

02 / 處理結果

目標線: 40
需要確認: 3

線	轉速（轉/分）	工具使用量（分鐘）	模型輸出	確認目標	正確答案標籤
1	1783.0	130.0	0.002	低於閾值	0
2	1419.0	159.0	0.002	低於閾值	0
3	1454.0	94.0	0.002	低於閾值	0
4	1496.0	162.0	0.002	低於閾值	0
5	1532.0	126.0	0.002	低於閾值	0
6	1650.0	13.0	0.002	低於閾值	0
7	1464.0	37.0	0.002	低於閾值	0
8	1480.0	107.0	0.002	低於閾值	0
9	2643.0	21.0	0.867	需要確認	0
10	1743.0	210.0	0.083	低於閾值	0
11	1483.0	153.0	0.002	低於閾值	0
12	1227.0	187.0	0.909	需要確認	1
13	1404.0	119.0	0.002	低於閾值	0
14	1581.0	51.0	0.002	低於閾值	0
15	1364.0	208.0	0.909	需要確認	1
16	1604.0	200.0	0.002	低於閾值	0
17	1301.0	219.0	0.228	低於閾值	1
18	2102.0	5.0	0.002	低於閾值	0
19	1466.0	41.0	0.002	低於閾值	0
20	1510.0	61.0	0.002	低於閾值	0
21	1614.0	191.0	0.002	低於閾值	0
22	1627.0	168.0	0.002	低於閾值	0
23	1462.0	181.0	0.002	低於閾值	0
24	1590.0	22.0	0.002	低於閾值	0
25	1448.0	53.0	0.002	低於閾值	0
26	1366.0	65.0	0.006	低於閾值	0
27	1447.0	146.0	0.002	低於閾值	0
28	1568.0	25.0	0.002	低於閾值	0
29	1447.0	173.0	0.002	低於閾值	0
30	1374.0	154.0	0.006	低於閾值	0
31	1438.0	78.0	0.002	低於閾值	1
32	1594.0	54.0	0.002	低於閾值	0
33	1516.0	53.0	0.002	低於閾值	0
34	1535.0	40.0	0.002	低於閾值	0
35	1309.0	167.0	0.006	低於閾值	0
36	1313.0	127.0	0.006	低於閾值	0
37	1425.0	224.0	0.083	低於閾值	0
38	1520.0	171.0	0.002	低於閾值	0
39	1452.0	77.0	0.002	低於閾值	0
40	1651.0	92.0	0.002	低於閾值	0

模型輸出是訓練期間葉節點內的故障率。這不是根據實際設備校準的故障機率。

在合成資料上訓練的小型模型。不代表實際設備的故障預測效能。

輸入在瀏覽器內進行處理。它不會被傳送到外部人工智慧或業務系統。重新載入時編輯的內容將會遺失。

查看資料來源/模型評估

使用 10,000 個公開可用的合成資料。使用 42 個固定種子學習了 8,000 個結果，並使用 2,000 個結果進行驗證。螢幕顯示前 40 個驗證資料。

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

驗證結果（閾值0.5）：67個故障中偵測到28個，遺漏39個。 1933例正常病例中，誤檢8例。應用在實際設備上還需要額外的驗證。

所有原始數據 CSV ↓訓練模型 JSON ↓來源/使用條款

我想用我自己的數據嘗試這個範例。 ↗

從這個範例到實現

用樣品檢查運轉狀況

檢查處理內容、所需的輸入和輸出格式。我們也將整理不支援的格式和要求。

使用內部資料進行小規模驗證

我們使用我們有權使用的數據來評估準確性、處理時間和校正工時。我們將提前商定如何傳輸機密資料。

實行審核、協作、營運

系統實施前確定權限、確認負責人、現有系統連動、維護條件。將根據目標資料和要求提供成本和交付日期。

設備維護/故障排查AI嘗試將其替換為您自己的業務。

設備維護/故障排查AI

01 / 輸入樣本

02 / 處理結果

從這個範例到實現

用樣品檢查運轉狀況

使用內部資料進行小規模驗證

實行審核、協作、營運

相關樣品

設備維護/故障排查AI

檢查記錄和報告的自動化

使用影片進行目視檢查和異常檢測

零件需求/庫存優化

聯絡我們