Implementering af AI-modeller og Data Platform til Predictive Maintenance
Codellent
Kategori
Oversigt
AI-modeller udviklet
Gen-trænings flow med MLOps implementeret
Sekunders responstid fra data-punkt til model-svar
Udfordring
Vedligeholdelse af skibe har altid været en kompleks balance. På den ene side skal de beskyttende overfalder serviceres for at undgå fejl og ineffektivitet. På den anden side kan det være unødvendigt og dyrt at tage et fartøj ud af drift for tidligt – både i direkte udgifter og i tabt omsætning.
At finde den rette balance for vedligehold og vedligeholds-tidspunkter er ekstra udfordrende i det maritime miljø, hvor forholdene ændrer sig løbende. Derfor er den reelle tilstand af overfalder og lignende ofte kompliceret - og delvist skjult under overfladen.
Det er her, Data & AI til forudsigelse af vedligehold kommer ind i billedet.
Løsning
I en branche med relativt lave marginer og fokus på oppetid, er vedligehold dyrt og kompliceret. Derfor er Med anvendelse af data og AI-modeller kan redictive maintenance vedligeholdelse fra en reaktiv omkostning til en strategisk fordel. For at forbedre vedligeholdelsesprocessen hjalp
I samarbejde med Hempel designede, udviklede og implementerede Codellent en Data & AI Platform arkitektur i Azure. I arkitekturen blev der udviklet data modeller for domæne-data og opsat automatiske opdaterings flows fra forskellige data kilder.
Codellent udviklede ligeledes forskellige AI-modeller i et neuralt netværk til at identificere og planlægge vedligehold. Til AI-modellerne blev der udviklet et MLOps flow til løbende gen-træning af AI-modellerne, samt integrationer til applikationer og forretnings-systemer.
Resultatet
Projektet har været banebrydende i udviklingen af innovative løsninger, der kan bringe ny værdi og forbedrede og mere distribuerede service-løsninger.
På denne måde har leverancen været et pioneer-projekt for optimering af processer, lettere og forbedret beslutningskvaliteten såvel som mere avancerede indsigter.