פיתוח אפליקציות מובייל לתחזוקה חזויה מבוססת חיישנים

ציוד מסתובב — משאבות, מדחסים, מנועים — נכשל לעיתים קרובות באופן בלתי צפוי עקב פגמים נסתרים במיסבים, חוסר איזון או התדרדרות בידוד. השבתה לא מתוכננת במתקן תעשייתי עולה עשרות אלפי דולרים לשעה, ותיקוני חירום דורשים לוגיסטיקה דחופה של חלקי חילוף והשבתת יחידות סמוכות. העלות הממוצעת של תיקון לא מתוכנן למשאבה צנטריפוגלית היא $1.5k–3k, וכל שעת השבתה של קו טכנולוגי עולה $14k–20k. באחד הפרויקטים שלנו, כיבוי חירום של מדחס הוביל להפסד של $38k–55k תוך 3 שעות. הפתרון שלנו בדרך כלל מפחית את עלויות ההשבתה הלא מתוכננת ב-30-50%, וחוסך ללקוחות בממוצע $200,000 בשנה לכל מתקן. עבור מפעל בינוני, זה מתורגם לחיסכון שנתי של מעל $500,000. מתקנים גדולים יותר יכולים לראות חיסכון העולה על $1,000,000 בשנה. המספרים הללו מעודדים אימוץ של אנליטיקה חזויה כבר בשלב תכנון המערכת.

אנו מפתחים פתרונות ניידים לתחזוקה חזויה של מכשירי IoT, המאפשרים ללקוחות לקצץ בעלויות השבתה אלו באמצעות גילוי מוקדם של פגמים. ה-AI שלנו לציוד תעשייתי מתוכנן לאמינות ודיוק. עם הניסיון שלנו (מעל 5 שנים באנליטיקת IoT, 30+ פרויקטים תעשייתיים) ואחריות איכות, אתה מקבל מערכת שבאמת עובדת באתרים תעשייתיים. תהליך פיתוח פתרונות ה-IoT הניידים שלנו מכסה הכל משילוב חיישנים ועד פריסת מודלים. הזמינו מחקר מקדים כדי להעריך את החיסכון הפוטנציאלי על הציוד שלכם.

אילו מודלי חיזוי משמשים?

הגישה הקלאסית לציוד מסתובב כוללת ניתוח של האותות הבאים:

• רעידות RMS ממד תאוצה — עלייה מעידה על חוסר איזון או שחיקת מיסב.
• ספקטרום FFT — תדרי פגם אופייניים במיסבים (BPFI, BPFO, BSF, FTF בהתבסס על גיאומטריית המיסב).
• טמפרטורת פיתול — מגמת עלייה במהלך התדרדרות בידוד.
• זרם מנוע (MCSA) — שינויים הרמוניים תחת פגמים מכניים.

לזיהוי חריגות רעידות, אנו משתמשים ב-Isolation Forest או LSTM Autoencoder על סדרות זמן; לסיווג סוג הפגם — XGBoost או LightGBM; להערכת חיים שימושיים שנותרו (RUL) — ניתוח הישרדות (רגרסיית Weibull). האימון מתבצע בצד השרת (Python, scikit-learn, PyTorch). המודל מיוצא לאפליקציה הניידת דרך REST API או בפורמט מהודר להסקה מקומית. לאבחון משאבות, מודלי AI מניבים את התוצאות הטובות ביותר בשילוב XGBoost עם מקודד LSTM. מנוע האנליטיקה החזויה של האפליקציה הניידת שלנו מעבד נתוני חיישנים על המכשיר.

כיצד להגדיר הסקה על המכשיר באנדרואיד ו-iOS?

עבור קישוריות לא אמינה (אתרים תעשייתיים), המודל רץ על המכשיר.

מדריך שלב-אחר-שלב לפריסת מודל TFLite

1. ייצאו את המודל מ-Python לפורמט TFLite עם קוונטיזציה של FP16.
2. הוסיפו את הקובץ .tflite לספריית assets של אפליקציית האנדרואיד.
3. אתחלו את ה-Interpreter עם delegate של NNAPI מופעל להאצת GPU.
4. השתמשו במתודת run() עם טנסור קלט המכיל תכונות מנורמלות.

להלן דוגמה באנדרואיד עם TFLite.

class RULPredictor(context: Context) {
    private val interpreter: Interpreter

    init {
        val model = loadModelFromAssets(context, "rul_model.tflite")
        val options = Interpreter.Options().apply {
            addDelegate(NnApiDelegate())
            setNumThreads(2)
        }
        interpreter = Interpreter(model, options)
    }

    fun predictRUL(sensorFeatures: FloatArray): PredictionResult {
        val inputBuffer = ByteBuffer.allocateDirect(4 * sensorFeatures.size)
            .order(ByteOrder.nativeOrder())
        sensorFeatures.forEach { inputBuffer.putFloat(it) }
        val outputBuffer = Array(1) { FloatArray(2) }
        interpreter.run(inputBuffer, outputBuffer)
        return PredictionResult(
            rulDays = outputBuffer[0][0].toInt(),
            confidence = outputBuffer[0][1]
        )
    }
}

הנדסת תכונות לפני הסקה: מסדרת זמן גולמית אנו מחשבים סטטיסטיקות (ממוצע, סטיית תקן, RMS, שיא, מקדם פסגה, קורטוזיס, הטיה) על חלון נע. ב-iOS, אנו משתמשים ב-Core ML עם class RULPredictor(context: Context) { private val interpreter: Interpreter init { val model = loadModelFromAssets(context, "rul_model.tflite") val options = Interpreter.Options().apply { addDelegate(NnApiDelegate()) setNumThreads(2) } interpreter = Interpreter(model, options) } fun predictRUL(sensorFeatures: FloatArray): PredictionResult { val inputBuffer = ByteBuffer.allocateDirect(4 * sensorFeatures.size) .order(ByteOrder.nativeOrder()) sensorFeatures.forEach { inputBuffer.putFloat(it) } val outputBuffer = Array(1) { FloatArray(2) } interpreter.run(inputBuffer, outputBuffer) return PredictionResult( rulDays = outputBuffer[0][0].toInt(), confidence = outputBuffer[0][1] ) } } , וממירים מ-scikit-learn דרך .mlpackage. השוואת מודלים לפי דיוק וביצועים: