Spesifisering av et maskinlærings operasjonaliseringsrammeverk, forbedring og generalisering av maskinlæringsmodeller for eksenterskruepumper på Den Magiske Fabrikken

En av prosessdelene på Den Magiske Fabrikken bruker eksenterskruepumper, disse blir må ofte bli byttet ut og er kostbart. For å redusere antall erstatninger og heller øke mengde reperasjoner med slitedeler er det ønskelig med et system som kan si ifra når pumpene begynner å bli dårlige. Prosjektet bruker maskinlæring i form av long short-term memory (LSTM), gated recurrent unit (GRU) og support vector machine (SVM) for å lage modeller som skal kunne forutsi når pumpene trenger vedlikehold. modellene skal prøve å si ifra når pumpen er normal, en uke til generell feil eller en dag før generell feil. Modellene skal gjøre det basert på vanlige pumpemålinger som styresignal, strømforbruk, momentmåling og utløpstrykk som er målt hvert 30. sekund. A model som, ut i fra test datasettet, aldri gir falske alarmer når det ikke er noe galt, har 50% sannsynlighet for å oppdage når det er under 1 uke igjen og 31.2% sannsynlighet for å si ifra at det er en dag til pumpen feiler has blitt utviklet. Oppgaven diskuterer også hvordan operasjonalisere en slik maskinlæringsmodell på en fabrikk i prosessindustrien