Desidero iniziare una serie di articoli per offrirti un’esperienza pratica nella manutenzione predittiva e semplificarti l’accesso all’elaborazione dei segnali. In questo articolo ci concentreremo sull’acquisizione dei dati e sulla pulizia dei segnali. Se trovi alcune parti interessanti, penserò di entrare più nel dettaglio. Nella parte successiva di questo articolo, ho alcuni esercizi pratici per te. Puoi utilizzare il codice che ho preparato per eseguire i tuoi esperimenti e imparare facendo.
La manutenzione predittiva nella scienza dei dati è come avere un modo super intelligente di prendersi cura delle macchine. Invece di riparare le cose dopo che si sono rotte, utilizziamo programmi informatici fantasiosi e dati passati per prevedere quando qualcosa potrebbe andare storto. È un po’ come avere una sfera di cristallo per le macchine! In questo modo, le aziende possono risparmiare denaro e far funzionare più a lungo le loro macchine importanti. Questo metodo implica tenere d’occhio le macchine, raccogliere dati in tempo reale e utilizzare programmi informatici intelligenti per dirci quando è il momento di fare manutenzione. Quindi, invece di aspettare che qualcosa si rompa, possiamo ripararlo prima che causi un grosso problema. È come sottoporre le macchine a un controllo sanitario prima che si ammalino!
Tutto parte dai dati. Dobbiamo approfondire un po’ i principi della teoria della comunicazione, come il teorema di Shannon-Hartley e la velocità di Nyquist, per garantire una trasmissione accurata ed efficiente dei dati dei sensori.
Il teorema di Shannon-Hartley è come un libro di regole su quante informazioni possono essere inviate attraverso un canale di comunicazione senza confondersi. Ci dice che la larghezza del canale, o la quantità di dati che può gestire, è estremamente importante. Quindi, prima di scegliere dispositivi o strumenti per monitorare cose come macchine o sensori, dobbiamo assicurarci che il canale sia sufficientemente ampio da gestire tutti i dati che desideriamo senza perdere la qualità.
Fonte: towardsdatascience.com
