AI-Based System for Predictive Maintenance of Band Saw Machines

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F25%3A00390955" target="_blank" >RIV/68407700:21730/25:00390955 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

AI-Based System for Predictive Maintenance of Band Saw Machines

Popis výsledku v původním jazyce

This result presents a functional sample of an AI-based system for predictive maintenance of band saw machines, focused on the estimation of the Remaining Useful Life (RUL) of band saw blades. The system processes time-series data acquired from industrial machines, including operational signals such as cutting force, power consumption, feed rate, and vibration characteristics. The proposed solution implements a data-driven approach based on recurrent neural networks (LSTM) and survival analysis methods to model the degradation process of the blade and to predict its remaining operational lifetime. The system integrates data acquisition, preprocessing, feature engineering, and inference into a unified pipeline, enabling continuous evaluation of machine condition during operation. A key feature of the functional sample is its capability for online deployment, where the model operates on streaming data and provides real-time estimates of RUL or failure probability within a defined time horizon. The output can be directly integrated into industrial control systems (e.g., SCADA/MES) and used for decision support, early warning, and maintenance planning. The solution has been validated on real operational data and is designed for deployment within an edge-to-cloud architecture, forming a core component of a broader industrial digitalization platform. The functional sample demonstrates the applicability of advanced machine learning methods for predictive maintenance in manufacturing environments and provides a basis for further industrial deployment and scaling.

Název v anglickém jazyce

AI-Based System for Predictive Maintenance of Band Saw Machines

Popis výsledku anglicky

This result presents a functional sample of an AI-based system for predictive maintenance of band saw machines, focused on the estimation of the Remaining Useful Life (RUL) of band saw blades. The system processes time-series data acquired from industrial machines, including operational signals such as cutting force, power consumption, feed rate, and vibration characteristics. The proposed solution implements a data-driven approach based on recurrent neural networks (LSTM) and survival analysis methods to model the degradation process of the blade and to predict its remaining operational lifetime. The system integrates data acquisition, preprocessing, feature engineering, and inference into a unified pipeline, enabling continuous evaluation of machine condition during operation. A key feature of the functional sample is its capability for online deployment, where the model operates on streaming data and provides real-time estimates of RUL or failure probability within a defined time horizon. The output can be directly integrated into industrial control systems (e.g., SCADA/MES) and used for decision support, early warning, and maintenance planning. The solution has been validated on real operational data and is designed for deployment within an edge-to-cloud architecture, forming a core component of a broader industrial digitalization platform. The functional sample demonstrates the applicability of advanced machine learning methods for predictive maintenance in manufacturing environments and provides a basis for further industrial deployment and scaling.

Druh

G_funk - Funkční vzorek

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2025

Kód důvěrnosti údajů

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Interní identifikační kód produktu

37294/2024/FS_Pegas

Číselná identifikace

37294

Technické parametry

Funkční vzorek představuje implementaci systému pro predikci zbývající životnosti (Remaining Useful Life, RUL) pilového pásu na základě časových dat ze strojního zařízení. Řešení využívá metody strojového učení, zejména rekurentní neuronové sítě typu LSTM a přístupy survival analýzy, pro modelování degradačního procesu nástroje a odhad pravděpodobnosti selhání v čase . Systém pracuje s vícerozměrnými časovými řadami zahrnujícími provozní veličiny, jako jsou výkon nebo proud hlavního motoru, posuv a tlak, rychlost pásu, vibrace, teplota a další technologické parametry řezu . Součástí je mechanismus pro zpracování událostí životního cyklu nástroje (instalace, výměna, porucha) a výpočet cílové veličiny RUL jako funkce času. Řešení zahrnuje kompletní datovou pipeline od sběru a předzpracování dat přes normalizaci a tvorbu příznaků až po trénování a inferenci modelu. Model pracuje nad sekvenčními daty v definovaných časových oknech a umožňuje kontinuální aktualizaci odhadu RUL v průběhu provozu. Funkční vzorek podporuje online nasazení, kdy inference probíhá nad streamovanými daty v pravidelných intervalech a poskytuje výstupy ve formě odhadu zbývající životnosti nebo pravděpodobnosti selhání v definovaném časovém horizontu . Výstupy jsou připraveny pro integraci do nadřazených systémů (např. SCADA/MES) a doplněny o interpretable indikátory (např. trend degradace nebo odchylky provozních veličin). Funkční vzorek je navržen s ohledem na robustnost vůči variabilitě provozních podmínek, včetně zohlednění materiálu, geometrie řezu a technologických parametrů. Systém podporuje práci s neúplnými (cenzorovanými) daty a umožňuje postupné zlepšování modelu s rostoucím objemem dat. Řešení je určeno pro nasazení v průmyslovém prostředí s požadavkem na kontinuální monitoring a prediktivní údržbu.

Ekonomické parametry

Funkční vzorek přispívá ke snížení provozních nákladů prostřednictvím optimalizace údržby a omezení neplánovaných odstávek zařízení. Predikce zbývající životnosti nástroje umožňuje efektivnější plánování výměn a servisních zásahů, což vede ke zvýšení produktivity a lepšímu využití strojního vybavení. Řešení podporuje datově řízené rozhodování, je škálovatelné napříč více zařízeními a lokalitami a vytváří předpoklady pro rozvoj pokročilých servisních služeb.

Kategorie aplik. výsledku dle nákladů

—

IČO vlastníka výsledku

68407700

Název vlastníka

České vysoké učení technické v Praze / Český institut informatiky, robotiky a kybernetiky

Stát vlastníka

CZ - Česká republika

Druh možnosti využití

V - Výsledek je využíván vlastníkem

Požadavek na licenční poplatek

Z - Poskytovatel licence na výsledek nepožaduje v některých případech licenční poplatek

Adresa www stránky s výsledkem

—