- Názov projektu: Názov projektu: Od signálov k poznatkom: Predikcia porúch v priemyselných systémoch pomocou AI
- Trvanie projektu: May 2024 – October 2024
- Partner: PredictiveDataScience
Spolupráca s PredictiveDataScience v rámci projektu Hopero sa zamerala na detekciu zmien v meraných signáloch, ktoré naznačujú blížiacu sa priemyselných zariadení, najmä elektromotorov. Cieľom bolo prejsť za rámec základného monitorovania signálov smerom k dátovo orientovanému riešeniu, ktoré umožňuje spoľahlivú detekciu anomálií, zníženie prestojov a vyššiu prevádzkovú spoľahlivosť. Ambícia však presahovala rámec samotnej vibrodiagnostiky, zameriavala sa na kontinuálne monitorovanie, pokročilú analýzu dát a budovanie základov pre prediktívnu údržbu v rôznych priemyselných aplikáciách.
AKO SME TO RIEŠILI
PredictiveDataScience v spolupráci s KInIT navrhli a overili prístup k detekcii anomálií založený na pokročilej analytike a umelej inteligencii. Vyhodnotili sme viacero metód a vybrali tie, ktoré dosahovali najlepšiu výkonnosť a robustnosť v reálnych priemyselných podmienkach. Riešili sme kľúčové výzvy, ako sú nepravidelné vzorkovanie, chýbajúce dáta a zašumené signály. Veľký dôraz sme kládli na validáciu, interpretovateľnosť a dôveryhodnosť riešenia, aby bolo prakticky využiteľné v reálnom nasadení. Náš prístup odráža širšie zameranie na monitorovanie, analýzu a predikciu, ktoré nie je obmedzené iba na vibračné dáta. Aplikované AI metódy, ktoré boli v roku 2025 vyhodnotené ako dôveryhodné, podporujú spoľahlivé nasadenie v priemyselnom prostredí a otvárajú priestor pre ďalší rozvoj smerom k prediktívnej údržbe.
„Predpovedanie blížiacej sa poruchy je svojou povahou náročný problém. Vyžaduje si nielen schopnosť automaticky identifikovať predtým nepozorované režimy porúch, ale aj schopnosť pracovať bez označených dát, čo je pri učení bez dozoru bežné.“
MAREK LÓDERER
AI Specialist, Enviro team
ČO SME DODALI
Riešenie bolo overené v priemyselnom prostredí a preukázalo spoľahlivú schopnosť zisťovať anomálne správanie motorov a výrazne znižovať falošné alarmy. V produkčných podmienkach neboli zaznamenané žiadne falošné anomálie ani falošné prediktívne zlyhania. Výstupy potvrdili odborníci z danej oblasti, čím bola zaručená technická presnosť aj praktická relevantnosť.
Okrem detekcie anomálií práca priniesla personalizované predpovede času do poruchy a personalizované odporúčania prediktívnej údržby prispôsobené správaniu jednotlivých zariadení. Priamym výsledkom bolo zlepšenie celkovej efektívnosti zariadenia o 15 % na monitorovanej výrobnej linke. Riešenie zároveň vytvorilo základ pre ďalšie rozširovanie monitorovania poháňaného umelou inteligenciou v rôznych priemyselných odvetviach.
„Chceli by sme poďakovať tímu KInIT za ich vytrvalosť, trpezlivosť a technickú odbornosť, ktoré nám pomohli správne vyhodnotiť viaceré prístupy detekcie anomálií a riešiť kľúčové výzvy súvisiace s diskontinuitami dát a nepravidelným vzorkovaním. Ich dôkladná validácia našich výstupov detekcie a ich poznatky o budúcej reprezentácii dát pre klasifikáciu porúch nám dodali dôveru v naše riešenie a poskytli pevný základ pre jeho praktické nasadenie v priemyselnom prostredí.“
Ing. ŠTEFAN RYDZI, PhD.
CEO, PredictiveDataScience
PROJECT TEAM MEMBERS
