Gotowość predykcyjnego utrzymania ruchu

Dane zamiast AI

Predykcyjne utrzymanie ruchu (ang. predictive maintenance) jest często przedstawiane jako kolejny etap cyfryzacji w procesie utrzymania ruchu: najpierw zbieramy dane, później uruchamiamy analitykę, a na końcu dokładamy algorytm AI przewidujący awarie. Z technicznego punktu widzenia taka kolejność jest zbyt dużym uproszczeniem.

Predykcyjne utrzymanie ruchu jest systemem wnioskowania inżynierskiego, którego jednym z elementów może być AI.
Punktem początkowym procesu predykcyjnego utrzymania ruchu nie powinien być algorytm weryfikujący stan, czy też czujnik. Proces należy rozpocząć od analizy mechanizmu powstawania uszkodzenia, co pozwala na jego wczesne wykrycie i podjęcie właściwej decyzji operacyjnej.
To pozornie niewielka różnica. W praktyce decyduje jednak o tym, czy powstaje system prognostyczny, czy jedynie rozbudowany monitoring.

Mechanizm uszkodzenia

Przystępując do projektu predykcyjnego utrzymania ruchu, nie należy w pierwszym etapie skupiać się na danych, a tym bardziej pytać: „jakie dane mamy zgromadzone?”, lecz:

Jaki stan degradacji lub mechanizm 
uszkodzenia chcemy obserwować i czy jego rozwój 
pozostawia mierzalny ślad przed osiągnięciem 
stanu krytycznego?

Mając odpowiedź na tak zadane pytanie, można określić:

• symptom fizyczny,
• zmienną mierzoną,
• lokalizację pomiaru,
• wymagane pasmo i częstotliwość próbkowania,
• dokładność toru pomiarowego,
• sposób przetwarzania sygnału,
• warunki pracy, w których symptom jest diagnostyczny,
• wymagany czas wyprzedzenia decyzji.

Takie podejście jest zgodne z logiką monitorowania stanu technicznego mas...