Manufacturing hoạt động

Bảo trì dự đoán bằng dữ liệu cảm biến

Predictive Maintenance — Bảo trì dự đoán

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Khớp phân phối Weibull β cho biết cơ chế hỏng, η cho tuổi thọ

Tải lịch sử hỏng hóc lên. β là con số quyết định: nó cho biết bảo trì phòng ngừa theo giờ chạy có tác dụng hay chỉ là chi phí.

Đang chạy trên dữ liệu mẫu, không phải dữ liệu của bạn. Các ô còn nguyên mẫu dựng sẵn: Thời gian tới hỏng (giờ). Chọn nguồn dữ liệu khác ở cột bên trái rồi chạy lại để có kết quả của riêng bạn.
β (hình dạng) 4.3935
η (tuổi thọ đặc trưng) 671.76
Cơ chế hỏng hao mòn (β > 1)
Độ tin cậy tại 500 76.09%
Kết luận Hao mòn — bảo trì phòng ngừa có tác dụng
① Nguồn dữ liệu

Nhận dấu phẩy, chấm phẩy hoặc tab; tự nhận dòng tiêu đề; hiểu cả 1.234.567 lẫn 1.234,56.

Chỉ tải http/https tới địa chỉ công khai; địa chỉ nội bộ bị từ chối.

② Tham số

Giá trị mặc định là ví dụ chạy được — bấm Tính ngay để xem kết quả, rồi thay dữ liệu của bạn vào.

Biểu đồ Weibull — chính phép khớp

Biểu đồ Weibull — chính phép khớp1.632-0.1024-1.837-3.571(5.964, -3.068)(6.021, -2.146)(6.098, -1.646)(6.170, -1.292)(6.256, -1.010)(6.280, -0.772)(6.340, -0.560)(6.399, -0.367)(6.458, -0.184)(6.525, -0.006)(6.537, 0.171)(6.613, 0.355)(6.628, 0.555)(6.700, 0.790)(6.828, 1.129)trục ngang ln(t) · trục dọc ln(−ln(1−F))

Độ dốc đường thẳng CHÍNH LÀ β = 4.394. Điểm nằm thẳng hàng nghĩa là Weibull mô tả được dữ liệu; điểm gãy thành hai đoạn dốc khác nhau nghĩa là có hai cơ chế hỏng khác nhau trộn vào một tập.

Diễn giải nhanh

β = 4.394 → hao mòn (β > 1)

Bảo trì phòng ngừa có tác dụng. Đây là con số quyết định chính sách bảo trì, quan trọng hơn cả tuổi thọ trung bình.

Độ tin cậy tại 500 giờ = 76.09%

Nghĩa là kỳ vọng 23.9% số thiết bị đã hỏng trước mốc này. Nhân với số thiết bị đang chạy để ra số lần hỏng cần chuẩn bị phụ tùng.

B10 = 403 · MTTF = 612

B10 luôn nhỏ hơn MTTF khá nhiều và nó mới là mốc đặt lịch: chờ tới trung bình mới thay nghĩa là gần một nửa số thiết bị đã hỏng trước khi tới lượt.

Ước lượng từ 15 lần hỏng

Hồi quy median-rank trên dưới 10 điểm cho β có sai số dễ tới ±30%, đủ để lật kết luận từ 'hao mòn' sang 'ngẫu nhiên'. Và dữ liệu ở đây phải là thời gian tới hỏng THẬT, không gồm thiết bị còn đang chạy.

Khi nào con số này sai: β là con số quan trọng nhất và cũng hay bị bỏ qua nhất: nếu β ≈ 1 thì thay thế định kỳ KHÔNG giảm tỷ lệ hỏng, và mọi lịch bảo trì phòng ngừa dựa trên giờ chạy chỉ là chi phí thuần.

Chi tiết

Ý nghĩa β hao mòn (β > 1) — bảo trì phòng ngừa có tác dụng
B10 life (10% hỏng) 402.50
MTTF 612.18
Độ tin cậy tại η 36.79% — luôn là 36.8%
Số mẫu 15
Trung vị thực nghiệm 601.00
Cảnh báo Ước lượng từ dưới 10 lần hỏng có sai số rất lớn

Biểu đồ Weibull — chính phép khớp

Biểu đồ Weibull — chính phép khớp1.632-0.1024-1.837-3.571(5.964, -3.068)(6.021, -2.146)(6.098, -1.646)(6.170, -1.292)(6.256, -1.010)(6.280, -0.772)(6.340, -0.560)(6.399, -0.367)(6.458, -0.184)(6.525, -0.006)(6.537, 0.171)(6.613, 0.355)(6.628, 0.555)(6.700, 0.790)(6.828, 1.129)trục ngang ln(t) · trục dọc ln(−ln(1−F))

Độ dốc đường thẳng CHÍNH LÀ β = 4.394. Điểm nằm thẳng hàng nghĩa là Weibull mô tả được dữ liệu; điểm gãy thành hai đoạn dốc khác nhau nghĩa là có hai cơ chế hỏng khác nhau trộn vào một tập.

Độ tin cậy R(t)

Độ tin cậy R(t)1.120.70670.2933-0.12252224186158121,0091,2061,403

Tại η = 672 đường luôn cắt mức 36,8% — đó là định nghĩa của tuổi thọ đặc trưng, không phải một kết quả đo. B10 = 403 là mốc 10% số thiết bị đã hỏng, và đó mới là con số dùng để đặt lịch thay.

Tỷ lệ hỏng tức thời h(t)

Tỷ lệ hỏng tức thời h(t)0.10610.066960.02779-0.01137252224186158121,0091,2061,403

Đường đi lên nghĩa là thiết bị càng chạy càng dễ hỏng, và thay trước khi hỏng có giá trị. Đường nằm ngang nghĩa là thiết bị cũ và mới hỏng như nhau — thay định kỳ khi đó chỉ là vứt bỏ tuổi thọ còn lại.

Độ tin cậy theo mốc thời gian

Thời gianR(t) còn sốngF(t) đã hỏngTỷ lệ hỏng tức thời
12399.94%0.06%0.000021
24698.79%1.21%0.000217
36993.04%6.96%0.000858
49277.48%22.52%0.002277
61550.65%49.35%0.004856
73821.98%78.02%0.009016
8615.07%94.93%0.015212
9850.47%99.53%0.023933
1,1080.01%99.99%0.035693
1,2310.00%100.00%0.051034
1,3540.00%100.00%0.070523
1,4770.00%100.00%0.094748

Toàn bộ chỉ số

Ý nghĩa β hao mòn (β > 1) — bảo trì phòng ngừa có tác dụng
B10 life (10% hỏng) 402.50
MTTF 612.18
Độ tin cậy tại η 36.79% — luôn là 36.8%
Số mẫu 15
Trung vị thực nghiệm 601.00
Cảnh báo Ước lượng từ dưới 10 lần hỏng có sai số rất lớn

Công thức đang dùng

R(t) = exp(−(t/η)^β), ước lượng bằng hồi quy median-rank

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/weibull-fit gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Với ô dữ liệu: dán vài chục dòng để thử, hoặc tải file CSV/TXT lên để chạy thật. File tối đa 32 MB, 200.000 dòng; bộ đọc nhận dấu phẩy, chấm phẩy hoặc tab, tự nhận dòng tiêu đề, và hiểu cả 1.234.567 lẫn 1.234,56.
  3. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  4. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Bảo trì dự đoán bằng dữ liệu cảm biến là gì

Bảo trì dự đoán ước lượng khi nào thiết bị sẽ hỏng dựa trên tín hiệu tình trạng, để can thiệp trước khi dừng máy ngoài kế hoạch. Nó chỉ có giá trị kinh tế khi chi phí dừng máy lớn hơn nhiều chi phí giám sát.

Làm thế nào

  1. Chọn thiết bị theo chi phí dừng máy.
  2. Lấy tín hiệu phù hợp cơ chế hỏng và ở tần số đủ cao.
  3. Trích đặc trưng miền tần số cho rung động, không dùng giá trị thô.
  4. Bắt đầu bằng phát hiện bất thường; chỉ chuyển sang dự báo RUL khi đã tích luỹ đủ lần hỏng.

Đo bằng chỉ số nào

Thời gian cảnh báo trước phải đủ dài để lên kế hoạch sửa
Tỷ lệ bỏ sót hỏng không được cảnh báo
Chi phí tiết kiệm ròng trừ chi phí cảm biến và báo động giả

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! Kỳ vọng mô hình học sâu khi chỉ có 3–5 lần hỏng trong lịch sử.
! Cảnh báo quá sớm khiến bảo trì thay thế linh kiện còn tốt, xoá sạch phần tiết kiệm.

Mô hình định lượng dùng trong Manufacturing

Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.

Tất cả mô hình →
Monte Carlohoạt động

Lấy mẫu ngẫu nhiên để ước lượng phân phối kết quả.

XGBoostbeta

Gradient boosting trên cây, tối ưu hoá mạnh.

Support Vector Machinesắp có

Tìm siêu phẳng phân tách với biên lớn nhất.

CNNsắp có

Tích chập cho dữ liệu có cấu trúc không gian.

Câu hỏi thường gặp

Bảo trì dự đoán bằng dữ liệu cảm biến là gì?

Bảo trì dự đoán ước lượng khi nào thiết bị sẽ hỏng dựa trên tín hiệu tình trạng, để can thiệp trước khi dừng máy ngoài kế hoạch. Nó chỉ có giá trị kinh tế khi chi phí dừng máy lớn hơn nhiều chi phí giám sát.

Bảo trì dự đoán bằng dữ liệu cảm biến được làm như thế nào?

1. Chọn thiết bị theo chi phí dừng máy. 2. Lấy tín hiệu phù hợp cơ chế hỏng và ở tần số đủ cao. 3. Trích đặc trưng miền tần số cho rung động, không dùng giá trị thô. 4. Bắt đầu bằng phát hiện bất thường; chỉ chuyển sang dự báo RUL khi đã tích luỹ đủ lần hỏng.

Bảo trì dự đoán bằng dữ liệu cảm biến hay sai ở đâu?

Kỳ vọng mô hình học sâu khi chỉ có 3–5 lần hỏng trong lịch sử. Cảnh báo quá sớm khiến bảo trì thay thế linh kiện còn tốt, xoá sạch phần tiết kiệm.

Đo bảo trì dự đoán bằng dữ liệu cảm biến bằng chỉ số nào?

Thời gian cảnh báo trước — phải đủ dài để lên kế hoạch sửa; Tỷ lệ bỏ sót — hỏng không được cảnh báo; Chi phí tiết kiệm ròng — trừ chi phí cảm biến và báo động giả.

Bảo trì dự đoán bằng dữ liệu cảm biến trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Chủ đề khác trong Maintenance

Toàn bộ Manufacturing
Machine Health Remaining Useful Life Failure Prediction