0.5Γβ Perlahan Β· Cepat β
0%Peringkat 0 / 7 Β· Melahu
π¬Tekan Main Demo untuk lihat Predictive Penyelenggaraan Ejen.
Demo Selesai Semua Peringkat Dijana
01 WhatsApp Arahan
02 Analisis Keperluan
Menunggu Sedang aktif Selesai
03 Penjanaan Skrip Python
1
π₯
Ambil data mesinFetch machine telemetry
2
π¬
Analisis kesihatanAnalisis component health
3
π
Jadual maintenanceJadual preventive work
4
π
Laporan & ramalanGenerate prediction report
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
def predict_failure(machine_id):
telemetry = pd.read_sql("SELECT * FROM machine_telemetry WHERE machine_id = ?", machine_id)
features = telemetry[['vibration','temperature','runtime_hours','cycle_count']]
model = RandomForestClassifier()
model.fit(features, telemetry['failure_within_30d'])
risk = model.predict_proba(features.iloc[-1:])[0][1]
return 'High' if risk > 0.7 else 'Medium' if risk > 0.4 else 'Low'
04 Rajah Blok
Menunggu Sedang aktif Selesai
05 Skema Sistem
Menunggu Sedang aktif Selesai
Always verify predictive alerts dengan physical pemeriksaan before taking equipment offline.
06 Simulasi Penyelenggaraan Ramalan
Mula Ramalan
07 Penyelenggaraan Ramalan Report
Log Terminal
[SISTEM] Predictive Penyelenggaraan Ejen sedia
Seni Bina Sistem
π€ Lapisan Ejen
Telemetry parser
Kesihatan analyzer
Failure predictor
π Pembuatan Lapisan
Machine DB
Telemetry storage
SCADA sistem
Laporan
Nota Keselamatan
- Always verify predictive alerts dengan physical pemeriksaan before taking equipment offline.
- Configure role-based access untuk maintenance data.
- Audit all maintenance actions untuk compliance.
- Demo pelayar menggunakan data simulasi sahaja.