Predictive maintenance Del1

Altitude365 predictive maintenance | Ni har säkert hört talas om predictive maintenance eller förebyggande underhåll med hjälp av AI och Machine learning (Maskininlärning). Men hur nära verkligenheten är vi ifrån alla flashiga videos med hissar och rulltrappor som säger till när dom behöver reservdelar.

Vi på Alititude365 har tagit på oss uppdraget att försöka svara på era frågor och även gå på dom första minorna, så för att komma vidare tänkte jag svara på några första frågor.

Vad är project a365maintenance och vårt mål?

Detta projekt går ut på att med hjälp av AI/ML förutspå när en mekanisk komponent i en maskin kommer att gå sönder och stoppa maskinen innan detta sker med så bra precision som möjligt.

Vad använder vi för teknik?

Den maskinella hårdvaran är en hemmabyggd lagermördare. Ja den här maskinen kommer inte göra något annat än att sakta men säkert förstöra kullager i olika storlekar. (Den kommer låta en del också).

På den elektroniska hårdvaran börjar vi med en Raspberry PI 2 för att kommunicera med molnet och en LSM303DLHC accelerometer+magnetometer för att plocka upp maskinens alla vibrationer. Man kan argumentera i att vi skulle kunna använda flera sensorer, men vi vill först se hur mycket man kan få ut från enbart vibrationer. På Raspberry:n kommer vi att köra Win 10 IoT och vi kommer också att skriva all kod i C# så långt det går.

Sist men inte minst så kommer vi använda oss av Azure ML och egenskriven kod för att göra signalbehandling och maskininlärning.

Hur långt har vi kommit?

På bilden ovan ser ni den första versionen av hårdvaran. Det är en del kvar att göra här, det ska skapas någon form av lagerspännare som vi kan använda för att belasta ett 3e lager, som också är det lagret som vi kommer att förstöra och byta ut.

I dagsläget kan även mjukvaran göra en mycket simpel FFT transformering av signalen från accelerometern.

Vad är nästa steg?

• Finjustera datainsamlingen så att det lätt kan användas som ”data set” för ML träning.
• Bygga klart lagerspännaren.
• Montera accelerometern och RPI på maskinen.

Vad mer behöver ni veta?

All kod, ritningar och material kommer att läggas upp på bloggen allt eftersom.