Článek se zabývá možností využití metod umělé inteligence pro klasifikaci stavu (poruch) stroje na základě obrazových dat. Konkrétně se jedná o metodu Deep Learning, zpracovanou ve volně dostupném prostředí Python a knihoven Keras a TensorFlow. Výsledky jsou porovnány s dříve publikovanými metodami [1][2] na známém datasetu za účelem posouzení vhodnosti nasazení této metody pro řešení složitějších problémů.

Text je věnován praktickým problémům souvisejícím s konstrukcí nebo provedením rotačních strojů a jejich základů, které komplikují, prodlužují a tím prodražují jejich ustavování a také demotivují pracovníky údržby. Vyhnout se těmto problémům nebo je vyřešit lze často s minimálními náklady, stačí si jen tyto skutečnosti uvědomit.

Wikov je strojírenská skupina tvořená výrobními závody, které jsou aktivní na poli výroby a servisu převodovek a ozubených kol do široké škály průmyslových oborů, energetiky a kolejových vozidel. Na všechny tyto aplikace provádí naše firma vibrodiagnostiku, a to jak v rámci servisního oddělení v Hronově, tak i v Plzni. Od roku 2013 firma Wikov používá pro diagnostiku převodovek také on-line monitorování vibrací, teplot a dalších fyzikálních veličin. Pro usnadnění vyhodnocování naměřených veličin, zejména vibrací, jsou postupně zaváděny algoritmy umělé inteligence.

Z mnoha měřených objektů stejného typu vzniká mnoho termogramů stejného typu. Aby bylo možné po měření snímky různých míst, kde  měření probíhalo, jednoznačně přiřadit, musí uživatel přiložit náročně vypracované seznamy nebo připojit mluvený komentář ke každému jednotlivému termogramu. Nyní tyto problémy řeší inovace přihlášená jako patent firmy Testo; s technologií SiteRecognition se měřicí místa automaticky rozpoznávají a výsledné termogramy jsou správně archivovány. Periodické inspekční prohlídky tak mohou být efektivně zpracovávány.

Novinka od ABB, která umožňuje nastavení inteligentních teplotních monitorovacích relé pomocí displeje nebo aplikace na smartphonu.

Strana 1 z 4