Aplikace technik umělé inteligence v prediktivní údržbě

Abstract

Prediktivní údržba je strategie plánování údržby, při níž je údržba naplánována pokud subjekt jeví známky závady nebo je pravděpodobné, že brzy dojde k poruše. Prediktivní údržba snižuje náklady a zabraňuje prostojům ve srovnání s klasickými strategiemi preventivní a reaktivní údržby. Prediktivní údržba může být realizována použitím technik umělé inteligence k vytvoření modelu, který zdravotní stav subjektu na základě dat získaných monitorováním jeho stavu. Existují však různé přístupy k prediktivní údržbě jako detekce závady, predikce poruch a predikce zbývající užitné životnosti, z nichž každý má odlišné požadavky na data a má jiné cíle. Každý z těchto přístupů využívá jiné techniky umělé inteligence a kvalita modelů vytvořených dle těchto přístupů by měla být hodnocena dle jiných metrik. Tato diplomová práce poskytuje přehled přístupů k prediktivní údržbě a pomáhá tak odborníkům zvolit vhodný přístup, techniku umělé inteligence a správnou hodnoticí metriku pro jejich problém.

Predictive maintenance (PdM) is a maintenance strategy where the maintenance actions are scheduled only when the subject is malfunctioning or is likely to fail soon. PdM reduces costs and prevents downtime in comparison to classical preventive and reactive maintenance strategies. PdM can be realized by using artificial intelligence (AI) techniques to build a model that predicts health state of the subject based on its condition monitoring data. However, there exist various approaches to PdM including fault detection, failure prediction and remaining useful life prediction, each having different data requirements and goals. Each of the approaches utilizes different AI techniques and should be evaluated using different evaluation metrics. This thesis provides an overview of the approaches to PdM to help the practitioners choose a suitable approach, AI technique and evaluation metric for their problem at hand.