SVĚTOVÝ, EVROPSKÝ A ČESKÝ AUTOMOBILOVÝ PRŮMYSL A TRH S AUTOMOBILY :: Šaroch a kol.

a vývoj algoritmu jsou nezbytné k zajištění jeho správné funkce v různých aplikacích. Statistické metody jsou klíčovým nástrojem pro porozumění a interpretaci dat v různých oborech. Pomáhají identifikovat vzory, vztahy a trendy ve sbírce dat, což umožňuje provádět důkladnou analýzu a odvozo vat relevantní závěry. Nicméně, aby bylo možné vytvořit efektivní algoritmy pro zpracování dat, je nezbytné porozumět matematickým principům, které stojí v základu těchto metod. 5. Monitorování výkonu v reálném čase : V rámci implementace modelu PdM 4.0 je klíčovým prvkem monitorování výkonu v reálném čase. Po spuš tění algoritmus systematicky zpracovává data z různých zdrojů, včetně sen zorů integrovaných přímo v aktivu, historie údržby a poruch aktiv, stejně jako externích poskytovatelů environmentálních dat. Cílem tohoto procesu je poskytnout uživatelům komplexní a aktuální pohled na výkon jejich aktiv prostřednictvím monitorování a vizualizace v reálném čase. Tato funkciona lita umožňuje rychlé a efektivní hodnocení výkonnosti a umožňuje uživate lům okamžitě reagovat na změny a události ve sledovaných aktivitách. Díky tomu mají uživatelé možnost včasného a informovaného rozhodování, což v konečném důsledku přispívá k lepší správě aktiv a optimalizaci výkonu. 6. Predikce selhání (včasné varování ): Predikce selhání (včasné varování) je dalším klíčovým faktorem PdM 4.0. Algoritmus používaný k predikci selhání se opírá o analytické metody a strojové učení, které umožňují iden tifikovat vzory a signály naznačující blížící se problémy. Jednání na základě předpovědí v průmyslovém prostředí, zejména pokud jde například o sku tečné odstavení stroje, může vyžadovat důkladné zvážení a přípravu. Vý znamným faktorem je skok důvěry, který je nezbytný zejména v případech, kdy pracovníci managementu a údržby nemají dostatečné zkušenosti s dato vou analytikou nebo se s ní necítí příliš obeznámeni. Získání důvěry v před povědi prediktivní údržby může být podpořeno prostřednictvím dočasného paralelního provozu vedle stávajících postupů údržby, aniž by se na základě těchto předpovědí okamžitě prováděly akce údržby. Tento přístup umož ňuje porovnání výsledků predikcí s reálným stavem za běžných provozních podmínek a získání potřebných důkazů o přesnosti a spolehlivosti predikcí. V dalších částech kapitoly se zaměříme právě na problematiku predikce hod not v oblasti prediktivní údržby. 7. Předepisování preventivních úloh : Na nejvyšší úrovni PdM 4.0 algorit mus nejen předpovídá, kdy pravděpodobně dojde k poruše, ale také čerpá z knihovny standardních úloh údržby, aby předepsal nejlepší akci, jak se ta kové poruše vyhnout. Tento algoritmus může dokonce provádět takové úkoly, například automatickým vydáním odpovídajícího pracovního příkazu. Tento implementační koncept PdM 4.0 je znázorněn na obrázku 8.15, který za hrnuje propojení senzorických dat s cloudovými systémy a analytickými nástroji, ale i vazbu na využítí moderních technologií, jako jsou internet věcí (IoT), umělá inteligen ce a strojové učení.

185