שלח את בקשתך ואנו נשלח לך את תעריפי Fayrix בפועל תוך יום עסקים אחד

חיזוי תקלות

פתרון למידת המכונה של Fayrix מנתח את תנאי העבודה של הציוד וחוזה תקלות והשבתות פוטנציאליות

מדוע חשוב
לחזות תקלות בציוד?
חיזוי כשלים ותקלות בציוד במועד מסייע בהפחתת עלויות התחזוקה והתיקונים, וכן במניעת כשלים מוחלטים ועלויות תיקון והחלפה לא רצויות. ההפסדים הכספיים הנובעים מכך יכולים להיות לא רק ישירים, אלא גם עקיפים - אובדן אמון הלקוח והידרדרות התדמית עלולים לגרום לירידה ברווחים ובזרימת הלקוחות בטווח הארוך. שימוש בניתוח לחיזוי תקלות מונע בעיות כאלה.

מודל החיזוי עונה על שתי שאלות: מה יתקלקל ומתי יתקלקל. חיזוי תקלות בציוד מתבצע הן על בסיס נתונים שנצברו והן על נתונים המתקבלים בזמן אמת.
מפת דרכים לבניית
מודל חיזוי תקלות

1
איסוף נתונים
2
ביטול רעשים
(PCA, מקודד אוטומטי)
3
יצירת תכונות
4
איזון מודלים
(דגימה מוגברת, SMOTE)
5
הכשרת מודלים
6
אימות מודלים
7
בניית תחזיות
נתוני מקור
לחיזוי
פרטים על משימת
חיזוי תקלות

·חוסר איזון בין מקרים חיוביים ושליליים

מחסור בנתונים רלוונטיים מחיישני הציוד (ללא ערכים או אותם הערכים)

·הנתונים בעלי ממדיות גבוהה, אך הם מפוזרים

מה ואיך לחזות?
תוך כמה זמן עומדת להתרחש תקלה?
רגרסיה לינארית

  • הגדלה מדורגת בעצי ההחלטה - רגרסיה
  • רשתות עצביות, למידה עמוקה
סיווג (יתקלקל/לא יתקלקל) בתקופת זמן מסוימת
רגרסיה לוגיסטית

  • הגדלה מדורגת בעצי ההחלטה - סיווג
  • רשתות עצביות, למידה עמוקה

    יתרונות מודלים המבוססים על למידה עמוקה

    עובדים עם רצפי זמן
    יכולים לשמור בזיכרון ולהכליל מספר רב של תבניות
    ניתנים להרחבה בקלות
    גמישים בבחירת תכונות
    האם ברצונך לחזות במדויק תקלות והשבתה אפשרית בחברתך? צור איתנו קשר עוד היום!