63 / 71
AMNYTT NR . 3 2024
Senseye Predictive Maintenance har sterk maskinlæringsfunksjon . Med et samlebånd går relativ raskt , roboter med flere armer er mer komplekst og det tar naturlig nok mer tid .
– To roboter fra samme produsent som gjør den samme jobben , men i to ulike land , vil ha ulikt feilmønster . Derfor bruker vi KI får å lage « fingeravtrykk », det vil si at hvert objekt får en egen , unik identitet . Da kan man plukke ut informasjons spesifikt for dette objektet , sier Martinsen . Større produksjonsanlegg har som regel en kombinasjon av gamle og nye maskiner . Under implementeringen vil maskinlæringen har mer nytte av de eldre , der det er flere avvik . – Har du én ny maskin vil den sannsynligvis løpe feilfritt i flere måneder . Har du mange maskiner er sannsynligheten mye større for at du kan registrere noen avvik , sier Martinsen . – Et prøveprosjekt vil typisk ha opp mot 100 objekter , og vil vare i fem – seks måneder . I denne fasen er det viktig å velge KPI-er som
” Brukerne har tross alt inngående kunnskap om hvordan maskinene skal fungere ” kan forbedres , med reduksjon i nedetid eller høyere total utstyrseffektivitet . Sending av data kan gjøres på ulike måter , for eksempel OPC UA , MQTT – eller e-post . – Det er en fordel at de sender fra en samlet kilde , i stedet for at vi henter data rett fra PLSer , drives og andre instrumenter , sier han .
Trenger god datakvalitet Det er viktig å få så god datakvalitet som mulig . Tradisjonelt tar det tid før man får et mønster på informasjon som kan fortelle om komponenter er slitte . – Med historiske maskindata og generativ KI kan Senseye konfigurere dette til informasjon som bidrar til å øke bedriftens innsikt , sier Martinsen . – Da må vi ha reelle , industrielle data – med feil og alt . I et barskt industrielt miljø går ikke