Methodologie voor profilering van activagebruik met oog op proactieve voorspelling van onderhoud

Bij de analyse van sensordata krijgt men veelal te maken met problemen op het vlak van de kwaliteit van de gegevens. Hier tonen we hoe die problemen kunnen worden aangepakt en hoe we enkele eerste inzichten afleiden uit opgeschoonde data via verkenningstechnieken als clustering.  

Met de opmars van het Internet der Dingen (IoT) worden massa’s sensordata verzameld. Kleine sensoren zijn makkelijk te installeren, bijvoorbeeld op industriële voertuigen, en kunnen tal van parameters meten. De verzamelde gegevens kunnen voor talrijke doelen worden gebruikt, zoals de voorspelling van het systeemonderhoud. Bij de analyse ervan krijgt men vaak echter te maken met problemen op het vlak van de kwaliteit van de gegevens: onrealistische of ontbrekende gegevens, uitschieters, correlaties en andere typische en atypische obstakels. Met dit artikel willen we tonen hoe deze problemen kunnen worden aangepakt en hoe we enkele eerste inzichten afleiden uit opgeschoonde data via verkenningstechnieken als clustering.  

In het kader van het MANTIS-project is Sirris een algemene methodologie aan het ontwikkelen die kan worden gehanteerd voor de verkenning van sensordata afkomstig van industriële activa. De methodologie strekt in de eerste plaats tot doel het activagebruik te profileren, met andere woorden, afzonderlijke gebruiksgroepen met gemeenschappelijke kenmerken bepalen. Hiermee kunnen experts mogelijke problemen opsporen die visueel niet kunnen worden waargenomen, door de resulterende profielen te vergelijken met het verwachte gedrag van de activa en wanneer anomalieën worden gedetecteerd.  

In dit artikel beschrijven we de methodologie voor de profilering van activagebruik met het oog op een proactieve voorspelling van het onderhoud. De data die in het artikel worden gebruikt, zijn vertrouwelijk en anoniem; we kunnen ze bijgevolg niet in detail beschrijven. Ze betreffen hoofdzakelijk de duur en het verbruik van resources, alsook een reeks parameters die via verschillende sensoren werden gemeten. Voor onze analyse maakten we gebruik van Jupyter Notebook met geschikte bibliotheken zoals pandas, scipy en scikit-learn. 

Wilt u het volledige (Engelstalige) artikel in uw mailbox ontvangen? Schrijf u hier in!

Subscribe to our mailing list

* indicates required
 

(picture above © iconimage - stock.adobe.com)