Weet waar je moet kijken.
En wanneer je moet ingrijpen.
Een dashboard met uitlegbare machine learning vertaalt glasvezelmetingen naar onderhoudsprioriteiten, zodat netwerkteams kunnen beoordelen welke verbindingen aandacht nodig hebben en hoe snel.
Glasvezelnetwerken ter ondersteuning van hoogspanningsinfrastructuur
De uitdaging
Glasvezelverbindingen ondersteunen de communicatie en monitoring in hoogspanningsnetwerken. Wanneer een verbinding achteruitgaat, moeten onderhoudsteams weten waar dat gebeurt en of ingrijpen kan wachten.
De metingen zijn beschikbaar. Ze vertalen naar een duidelijke onderhoudsbeslissing is moeilijker.
Teams moeten veranderingen doorheen de tijd interpreteren, mogelijke problemen onderzoeken en beslissen welke verbindingen het eerst aandacht verdienen.
Welke verbinding heeft als volgende onderhoud nodig, en welke gegevens onderbouwen die beslissing?
De oplossing
Common Sense AI ontwikkelt een dashboard dat historische en actuele metingen combineert om tekenen van achteruitgang te herkennen en in te schatten wanneer onderhoud nodig kan zijn.
Uitlegbare machinelearningmodellen helpen teams drie zaken te begrijpen:
- Waar kijken: welke trajecten, kabels of lasverbindingen tekenen van achteruitgang vertonen.
- Wanneer ingrijpen: het geschatte aantal dagen voordat een interventie nodig kan zijn.
- Wat controleren: de metingen achter de voorspelling en de onzekerheid errond.
Teams kunnen van een overzicht van het volledige netwerk doorklikken naar een individuele verbinding. De onderliggende data blijven beschikbaar, zodat technische experts de voorspelling kunnen controleren voordat ze beslissen wat er moet gebeuren.
Wat het mogelijk maakt
Het dashboard is ontworpen om onderhoudsteams een duidelijkere basis te geven voor hun werkplanning.
Het brengt mogelijke problemen, onderhoudsprioriteiten en onderbouwende gegevens samen in één overzicht. Teams kunnen hun onderzoek gerichter uitvoeren en hun technische expertise gebruiken om te beslissen wanneer een interventie aangewezen is.