Produkcja i IoT · Predykcyjne utrzymanie ruchu
Stan windy znany na bieżąco, bez sprawdzania na miejscu
Producent wind potrzebował w czasie rzeczywistym informacji o pozycji i stanie urządzeń w terenie. Do tej pory dawała je tylko ręczna inspekcja albo wizyta serwisu. Razem z partnerem IoT zbudowaliśmy modele ML, które odczytują położenie i stan z celowo minimalnego zestawu czujników i działają dalej tam, gdzie zawodzi łączność.
Kluczowe rezultaty
Klient: Producent wind (objęty NDA)
Producent wind; projekt zrealizowany we współpracy z firmą produkującą sprzęt IoT. Producent jest objęty NDA, dlatego nie podajemy tu jego nazwy.
- Branża
- Produkcja
- Zastosowanie
- Wykrywanie pozycji i stanu windy
- Podejście AI
- Klasteryzacja z własną logiką dziedzinową
- Dane
- Dane z czujników IoT, minimalny zestaw czujników
- Ograniczenie
- Słaba łączność, praca offline
- Cel
- Podstawa predykcyjnego utrzymania ruchu
W skrócie
Trzy ograniczenia, które wykluczyły oczywiste podejście
- Konserwacja wind odbywała się według harmonogramu: technicy robili przeglądy w stałych odstępach, niezależnie od faktycznego stanu urządzenia. Producent chciał wysyłać serwis tylko wtedy, gdy jest potrzebny.
- Punktem wyjścia był trudny problem techniczny, obwarowany trzema ograniczeniami. Szyb windy działa jak klatka Faradaya i zakłóca łączność bezprzewodową, więc połączenie z chmurą zrywa się w nieprzewidywalny sposób.
- Zestaw czujników musiał pozostać minimalny, bo rozbudowane opomiarowanie tysięcy urządzeń jest nieopłacalne.
- Nie było też oznaczonych danych referencyjnych do treningu, więc modele uczą się wzorców bezpośrednio z surowych odczytów czujników.
Punkt wyjścia
Wyzwanie
Producent nie mógł automatycznie sprawdzić, co robią jego windy w terenie. Jedynym źródłem informacji o stanie była ręczna inspekcja: kosztowna, rzadka i reaktywna. Do tego warunki fizyczne utrudniały nawet podstawową łączność.
Konserwacja wind tradycyjnie opiera się na harmonogramie: technicy sprawdzają urządzenia w stałych odstępach, niezależnie od ich rzeczywistego stanu. Producent chciał przejść na predykcyjne utrzymanie ruchu i na podstawie danych w czasie rzeczywistym wcześnie wykrywać anomalie oraz wysyłać serwis tylko wtedy, gdy jest potrzebny. W dużym portfelu budynków oznacza to mniej zbędnych wizyt, krótsze przestoje i niższe koszty.
Pierwszym krokiem było ustalenie pozycji i stanu pracy windy na podstawie danych z czujników, a ograniczenia były poważne. Szyby windowe działają jak klatka Faradaya i zakłócają łączność bezprzewodową, więc połączenia z chmurą zrywają się lub opóźniają w nieprzewidywalny sposób.
Rozwiązanie musiało działać przy minimalnej liczbie czujników, aby dało się je opłacalnie skalować na tysiące urządzeń. Nie było też oznaczonych danych referencyjnych do treningu: system musiał nauczyć się wzorców z surowych odczytów.
Budowa
Co zbudowaliśmy
Partner IoT odpowiadał za sprzęt i projekt urządzenia, a my przejęliśmy warstwę danych i analizy: zamianę surowych sygnałów z czujników w informacje, na podstawie których można działać.
Najpierw ustalić, co w ogóle zbierać
Sposób zbierania danych zaprojektowaliśmy od zera: co rejestrować, jak je uporządkować i jak z zaszumionych odczytów czujników zrobić użyteczne zbiory danych. Obejmowało to także obsługę luk i opóźnień, które powoduje przerywana łączność w szybie.
Pozycja i stan bez etykiet
Algorytmy klasteryzacji wzbogacone o własną logikę dziedzinową ustalają aktualne piętro i stan pracy (jazda w górę, jazda w dół, postój, drzwi otwarte, drzwi zamknięte) na podstawie minimalnych danych wejściowych. Ponieważ nie było danych referencyjnych, algorytmy uczą się wzorców bezpośrednio z danych.
Działa dalej, gdy znika połączenie
Architektura przetwarza i zapisuje dane lokalnie, gdy chmura jest niedostępna, a po przywróceniu połączenia je synchronizuje. W rzeczywistym wdrożeniu, gdzie szyby regularnie blokują sygnał bezprzewodowy, każde inne rozwiązanie przestałoby działać w dniu instalacji.
Na tyle mało czujników, by objąć całą flotę
Podejście jest zoptymalizowane pod kątem jak najmniejszej liczby czujników na windę, bo rozbudowane opomiarowanie każdego urządzenia w dużej flocie jest nieopłacalne. Pokazaliśmy, że wartościowe informacje operacyjne można uzyskać z celowo ograniczonego zestawu czujników, i właśnie to umożliwia wdrożenie w całej flocie.
Co się zmieniło
Rezultaty
Przed
Brak automatycznego wglądu w stan wind. Konserwacja według harmonogramu, reaktywne wezwania serwisu i żadnej infrastruktury danych.
Po
Automatyczne wykrywanie pozycji i stanu z danych czujników, architektura działająca offline, minimalny zestaw czujników i podstawa predykcyjnego utrzymania ruchu.
Projekt dostarczył infrastrukturę do zbierania i przetwarzania danych oraz modele ML potrzebne do zrozumienia zachowania wind w terenie, czyli warstwę, na której opiera się predykcyjne utrzymanie ruchu.
Producent zyskał automatyczny wgląd w pracę urządzeń, który wcześniej dawała tylko ręczna inspekcja.
Wydobycie użytecznych informacji z minimalnej liczby czujników, przy ograniczonej łączności i bez oznaczonych danych treningowych, to praca w realnych warunkach przemysłowych, daleko od laboratorium.
Pytania o ten projekt
Wykrywanie pozycji i stanu windy. Producent nie mógł automatycznie sprawdzić, co robią jego windy w terenie. Jedynym źródłem informacji o stanie była ręczna inspekcja: kosztowna, rzadka i reaktywna. Do tego warunki fizyczne utrudniały nawet podstawową łączność.
Jak najmniej czujników, aby wyposażenie całej floty pozostało opłacalne: Minimum. Działa bez łączności, w szybie działającym jak klatka Faradaya: Offline. Klasteryzacja z własną logiką do wykrywania stanu i pozycji: ML. Podstawa predykcyjnego utrzymania ruchu na dużą skalę: PdM.
Klasteryzacja z własną logiką dziedzinową. Wykorzystana technologia: Uczenie maszynowe, Zaawansowana klasteryzacja, Dane z czujników IoT, Architektura offline, Projektowanie potoków danych, Uczenie nienadzorowane, Predykcyjne utrzymanie ruchu.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Energetyka i technologie budynkowe · IoT
Dane z czujników, które zbierano i nigdy nie analizowano
Czytaj więcej
Motoryzacja · Doradztwo w zakresie predykcyjnego utrzymania ruchu
Serwis według harmonogramu, awarie bez ostrzeżenia
Czytaj więcej
IoT · Computer vision i edge AI