요약

2016 회계 연도 이후, Enefarm (Type)은 IoT를 사용하여 장비에 대한 정보를 원격으로 수집하고 있으며 데이터 분석 기술을 사용하여 품질 관리가 수행되고 각 사이트의 고장을 줄입니다

차세대 품질 관리 활동 소개

차세대 품질 관리 활동은 "제로 실패로부터 품질 개선을 시작하는 것을 목표로합니다" "고객이 방문하지 않은 경우 시장 장비의 품질을 향상시키는 것", "AI 기술을 사용한 실패 부호 논리를 사용한 실패 방지"및 "다음 모델 개발 시점의 조기 분쇄 장애"

2016 년부터 Enefarm Market 항공기의 운영 데이터에 대한 정보를 실시간으로 수집하고 모니터링 할 수 있으며, 제조 변동 및 대책 고려로 인한 초기 고장의 조기 탐지가 수행되었으며, 장치 제어 및 품질 개선의 레벨링은 고객의 집을 방문하지 않고 원격으로 달성되었습니다

우리는 또한 빅 데이터 및 끊임없는 연결에서 얻을 수있는 AI 기술을 사용하여 인간에게는 보이지 않는 건강한 구동 데이터의 편차를 감지하는 실패 예측 논리를 개발했습니다 이를 통해 원인을 조사하고 실패가 분명해지기 전에 여러 실패의 식별이 가능합니다

현재이 논리는 다음 모델 개발 단계에서 사용되고 있으며 품질을 보장하고 개선합니다

IoT 연결 시스템이 있거나 없을 때 시장 측정 정보 (연속적으로 연결)

지속적인 연결이있는 경우, 실패의 증가 추세를 이해하고 원인을 조사하고 대책 준비를 시작할 수 있으며, 시장 장치에서 모든 데이터를 확인하여 대책이 해제 될 때까지 시간이 짧아집니다

또한, 순찰대가 고객의 집을 방문하는 데 필요한 경우에도 임시 조치를 원격으로 구현함으로써 임시 조치를 구현하여 순찰을 신속하게 시작할 수 있습니다

반면에, 끊임없는 연결이 없다면, 실패가 감지 되더라도, 원인에 대한 조사 및 대책 준비는 동일하더라도, 뒤 따르는 실패의 수를 인상하는 데 시간이 걸릴 것이며, 대책 준비가 지연되기 시작하면 시장은 많은 수의 실패로 여행을 시작할 것입니다

이러한 방식으로, 일정한 연결이있는 경우 빅 데이터를 사용한 고장 증가를 확인하고 원인을 신속하게 조사하고 대책을 해제 할 수 있습니다

결함 표시 논리 소개

특정 다중 실패를 가진 과거 모델의 경우, 실패는 두 가지 방식으로 작동합니다 감독 학습이라는 메커니즘은 특정 실패와의 상관 관계의 강점과 사운드 데이터의 오류 및 편차를 기반으로 판단되는 비 감독 학습을 기반으로 판단됩니다

감독 학습으로 인한 실패 징후의 경우, 운영 데이터가 지속적으로 모니터링되며, 실패 징후가 있으면 즉시 유지 보수가 수행되고 원격 개선이 이루어집니다

감독되지 않은 학습으로 인한 실패의 징후를 위해, 우리는 표지판을 감지하고 원인을 조사하며, 이상이 있는지 여부를 결정하고 응답 방법을 고려하며 품질 보증을 제공하는 데이터를 분석합니다

감독되지 않은 학습으로 인한 실패 징후의 경우 (유량계 잘못된 측정)

건강 진단 모델은 지속적인 연결로 얻을 수있는 건강한 시장 운영 데이터에서 만들어졌으며, 고유 한 데이터로 인해 오류가 발행되기 전에 측정 값의 편차가 감지되었으며, 부품이 수집되어 조사되었으며, 원인이 유량계에 대한 외래 물질 부착임을 발견했습니다

그 후, 우리는 시장이 많은 오류를 일으키기 전에 원격으로 스트리밍하여 외국 물질의 접착력을 줄임으로써 자주 고장을 방지 할 수있었습니다

활동 및 미래 이니셔티브의 영향

2016 년 모델은 지속적인 연결을 시작하여 원격 분포를 통한 고장 및 고장 예측에 따른 품질 관리 활동을 방지했으며 현재 모델의 결과로 일반 온수기와 비슷한 고장 속도를 달성했습니다

현재, 이러한 노력은 다음 모델의 개발 단계에서 수행되고 있으며, 실패 추세를 이해하고 원격 측정을 반복적으로 수행함으로써 릴리스 전 실패를 분쇄하여 실패 속도에서 매우 낮은 수준의 안정성을 달성하는 것을 목표로 할 것입니다

또한 우리는 현재 Enefarm과 협력하고 있지만 온수기와 관련하여 얻을 수있는 데이터를 기반으로 실패의 징후를 고려하고 있습니다

향후, 불편 함을 최소화하고 유지 보수 워크로드를 평평하게하기 위해 사전 유지 보수가 수행 될 것입니다