TAMMS-CMMS: AI-alapú adatelemzés a hatékonyabb karbantartásért

Az ipari karbantartás digitalizációja új korszak küszöbén áll: a mesterséges intelligencia (AI) integrálása a CMMS-rendszerekbe (Computerized Maintenance Management Systems) elősegíti az Ipar 4.0 fejlődését, és teljesen új lehetőségeket nyit meg. Legújabb kutatási projektünk során egy AI-alapú bővítményt fejlesztünk a TAMMS számára, amely messze túlmutat a hagyományos dokumentáció határain, és jelentős hozzájárulást nyújt az intelligens és összekapcsolt karbantartási rendszerekhez.

Hagyományos adatbázisok

A TAMMS rendszerben is használt hagyományos relációs adatbázisok precízen és strukturáltan tárolják a karbantartási adatokat. Azonban ezek a rendszerek nem képesek felismerni a szavak közötti szemantikai összefüggéseket, például „cserél” és „helyettesít”, amelyek ugyanabban a kontextusban ugyanazt jelenthetik. Az AI-alapú vektorizálás kiegészítő funkcióként ezt a problémát orvosolja, lehetővé téve az adatok jelentésének elemzését és mélyebb betekintések nyújtását.

Példa:

• Egy technikus ezt írja: „ékszíj cserélve”.
• Egy másik technikus ezt jegyzi fel: „hajtószíj helyettesítve”.

Habár mindkét leírás ugyanarra az eseményre utalhat, az adatbázisban a két szöveges bejegyzés között nem létezik felismerhető kapcsolat. Ez megnehezíti a minták felismerését vagy az összefüggések elemzését a jövőbeli karbantartások tervezése során.

Az adatok jobb feldolgozása: vektorizálás

Új AI-alapú megoldásunkkal egy lépéssel tovább megyünk. Az adatok vektorizálása lehetővé teszi a szövegek és azok jelentésének számtérben történő ábrázolását. Ez a következőket jelenti:

• A karbantartási adatok „vektoriális térben” kerülnek tárolásra, ahol az egyes bejegyzések közötti szemantikai hasonlóságokat matematikailag lehet azonosítani.
• Az olyan kifejezések, mint „cserél” és „helyettesít”, nem különálló adatpontokként, hanem egymáshoz kapcsolódó vektorokként jelennek meg.

Gyakorlati alkalmazás:

Kísérletünkhöz egy hónapnyi fiktív karbantartási adatot és három gép szenzoradatát generáltuk:

1. Karbantartási adatok vektorizálása: A létrehozott bejegyzéseket először egy AI-modell vektorizálta. Ezeket a vektorbázisú adatokat ezután feltöltöttük egy Qdrant adatbázisba (vektoradatbázis), hogy elemezni tudjuk a bejegyzések közötti szemantikai kapcsolatokat.
2. Szenzoradatok feldolgozása: A szenzoradatokat a szokásos módon tároltuk az InfluxDB-ben. Az „asszisztens” hozzáféréssel rendelkezik ezekhez az adatokhoz, hogy célzott lekérdezéseket végezhessen.
3. Asszisztens integráció: Kísérleti asszisztensünket úgy konfiguráltuk, hogy egyszerre tudja használni a Qdrant vektorbázisú adatbázist és az InfluxDB-t specifikus kérdések megválaszolására.

Hogyan működik az asszisztens?

• A kérdéseket elemzi és szintén vektorizálja.
• A vektorizált tartalmat összehasonlítja a Qdrantban tárolt vektorokkal.
• Ha szükséges, dinamikus lekérdezéseket készít az InfluxDB-ben további adatok, például szenzormérések beolvasására.

A jövőbeli potenciál

Az AI-alapú karbantartási elemzés lehetőségei szinte végtelenek. Lehetséges alkalmazások:

• Statisztikák: Automatikus jelentések készítése a gyakori hibák okairól.
• Dokumentáció: Intelligens keresési funkciók a karbantartási jegyzőkönyvekben és gépdokumentációkban.
• Riportok: Érthető és átlátható vezetői riportok automatikus generálása.
• Skill mátrix: A karbantartók tapasztalatának automatikus értékelése a gépekkel kapcsolatban.
• Raktárkészlet-elemzés: A készletadatok elemzése és automatikus riportok készítése.
• Kérdések: Gépekkel és személyzettel kapcsolatos specifikus kérdések megválaszolása a rendelkezésre álló adatok alapján.

Összegzés

Az AI integrációja a TAMMS-hoz hasonló CMMS-rendszerekbe hatalmas potenciált kínál a karbantartási folyamatok optimalizálására. Az intelligens karbantartási és szenzoradat-elemzés nemcsak hatékonyabbá, hanem fenntarthatóbbá is teszi a folyamatokat. Kutatásainkkal lerakjuk az alapját a karbantartás következő generációjának digitalizációjához.