Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI a prediktív karbantartási kvízben

Learn how machine-learning methods use condition-monitoring data to detect anomalies and estimate equipment life in practice.

Kapcsolódó útmutató utakAI prediktív karbantartásban
kérdés 1 -ból 8

Milyen problémát old meg elsősorban a prediktív karbantartás a megelőző karbantartáshoz képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen problémát old meg elsősorban a prediktív karbantartás a megelőző karbantartáshoz képest?
    • Elkerüli az egészséges alkatrészek rögzített ütemezésű cseréjét, mivel csak szükség esetén javítja azokat
    • Nincs szükség érzékelőkre
    • Ez gyorsabbá teszi a gépeket
    • Teljesen megszünteti a technikusok szükségességét
  2. Mit becsül a „fennmaradó hasznos élettartam” (RUL)?
    • Egy gép teljes költsége
    • Mennyi idő van hátra egy alkatrésznek a meghibásodásig
    • Egy motor óránként fogyasztott energia
    • Az eszközön lévő érzékelők száma
  3. Which signal is collected in the Case Western bearing fault dataset for rotating-machine diagnostics?
    • Patient electrocardiograms
    • Satellite color channels
    • Vibration acceleration
    • Text sentiment scores
  4. Hogyan támogatja az autoencoder az anomáliák észlelését PdM-ben?
    • Minden hibatípust automatikusan név szerint címkéz fel
    • Új gépeket generál
    • A rezgésérzékelőket helyettesíti
    • Csak egészséges adatokra tanítja, és abnormálisként jelzi a magas rekonstrukciós hibát
  5. What edge-computing approach does the cited condition-monitoring paper study?
    • Federated autoencoder training using vibration data at devices near the monitored machines
    • Centralizing all raw data in a public image database
    • Training a language model on maintenance manuals only
    • Replacing sensors with a periodic questionnaire
  6. How does NIST define a digital twin?
    • A maintenance calendar with no model of equipment
    • A virtual representation of a physical or perceived real-world entity
    • A physical duplicate machine kept in storage
    • A guarantee that a machine will not fail
  7. What is the NASA C-MAPSS dataset used to evaluate?
    • Cancer grade classification from biopsy slides
    • Speech recognition in noisy rooms
    • Turbofan engine degradation and remaining-useful-life prediction
    • Global climate averages without time series
  8. How should an anomaly alert from a predictive-maintenance model be interpreted?
    • As a guaranteed failure date
    • As an automatic repair prescription
    • As evidence that no human review is needed
    • As a signal for inspection, not proof of a specific fault or failure time