utrzymanie [Machine Learning in Facility Management]

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
{{::engineer_tablet.jpg?nolink&1200|}}====== Utrzymanie Predykcyjne w Infrastrukturze Budynkowej ======

Utrzymanie predykcyjne (Predictive Maintenance - PdM) to strategia, która wykorzystuje analizę danych w czasie rzeczywistym do wykrywania anomalii. Jest to zgodne z ewolucją standardów zarządzania aktywami opisaną w normie ((PN-ISO 55000:2014)).



===== Krzywa P-F i wykrywanie degradacji =====
Fundamentem tej metody jest koncepcja **Interwału P-F**.
  * **Punkt P (Potential Failure):** Moment, w którym czujniki wykrywają pierwsze oznaki degradacji.
  * **Punkt F (Functional Failure):** Moment fizycznej awarii.

Zadaniem algorytmów Machine Learning jest maksymalne wydłużenie czasu reakcji między punktem P a F ((Carvalho T. et al., "A systematic literature review of machine learning methods applied to predictive maintenance", 2019)).

===== Zastosowanie 1: Transport Pionowy (Windy) =====
Awarie wind są jednymi z najbardziej uciążliwych. Nowoczesne systemy ML analizują pracę dźwigów w sposób ciągły.

**Analizowane parametry:**
  * **Prąd silnika:** Algorytm SVM (Support Vector Machine) klasyfikuje odchylenia w poborze prądu jako anomalie ((Géron A., 2020)).
  * **Wibracje kabiny:** Akcelerometry wykrywają drgania świadczące o zużyciu szyn.

===== Zastosowanie 2: Maszyny Wirujące =====
Do monitorowania pomp i wentylatorów wykorzystuje się Analizę Wibracji.
  - **Transformacja:** Dane są przetwarzane przy użyciu transformaty Fouriera (FFT).
  - **Klasyfikacja:** Skuteczność algorytmów Random Forest w wykrywaniu uszkodzeń łożysk przekracza 90% ((Carvalho T., op. cit.)).

===== Porównanie kosztów =====
Wdrożenie strategii predykcyjnej zmienia strukturę kosztów utrzymania obiektu.

^ Rodzaj kosztu ^ Konserwacja Prewencyjna (Tradycyjna) ^ Konserwacja Predykcyjna (ML) ^
| **Części zamienne** | Wysoki (wymiana sprawnych części) | Niski (maksymalne wykorzystanie resursu) |
| **Robocizna** | Wysoki (częste, rutynowe przeglądy) | Średni (interwencje celowane) |
| **Koszt awarii** | Średni (ryzyko błędu ludzkiego) | Minimalny (ciągły monitoring 24/7) |
| **Zużycie energii** | Standardowe | Obniżone (sprawne maszyny zużywają mniej prądu) |

<gchart bar 500x250 "Roczny czas przestoju awaryjnego [godziny]" center>
Podejście Reaktywne = 120
Podejście Predykcyjne = 15
</gchart>