KPI Extraction from Maintenance Work Orders — A Comparison of Expert Labeling, Text Classification and AI-Assisted Tagging for Computing Failure Rates of Wind Turbines

要約

メンテナンス作業指示書は、風力タービンの運用とメンテナンスに関する情報を文書化するために一般的に使用されます。
これには、予防および事後メンテナンスなど、予防的および事後的な風力タービンのダウンタイムに関する詳細が含まれます。
ただし、メンテナンス作業指示書に含まれる情報は構造化されていないことが多く、分析が難しいため、運用とメンテナンスの最適化に情報を使用したい意思決定者にとっては課題となっています。
この問題に対処するために、この研究では、保守作業指示書からのパフォーマンス指標によって信頼性を計算する 3 つの異なるアプローチを比較しました。
1 つ目のアプローチでは、業界のガイドラインで定義されたスキーマを使用して、それに応じてラベルを割り当てる、ドメインの専門家による保守作業指示の手動ラベル付けが含まれます。
2 番目のアプローチには、テキスト分類方法を使用して保守作業指示書に自動的にラベルを付けるモデルの開発が含まれます。
この方法により、マクロ平均と加重平均の F1 スコアとしてそれぞれ 0.75 と 0.85 を達成できます。
3 番目の手法では、AI 支援タグ付けツールを使用して生のメンテナンス情報にタグ付けして構造化するとともに、故障率の計算に関連するメンテナンス作業指示を抽出するための新しいルールベースのアプローチを使用します。
私たちの実験では、AI 支援ツールにより、他の 2 つのアプローチと比較してタグ付け時間が 88% 短縮され、KPI 抽出では専門家のラベル付けとテキスト分類がより正確になりました。
全体として、私たちの発見により、保守作業指示書から保守情報をより効率的に抽出できるようになり、信頼性の主要業績評価指標の評価が可能になり、その結果、風力タービンの運用と保守の最適化がサポートされます。

要約(オリジナル)

Maintenance work orders are commonly used to document information about wind turbine operation and maintenance. This includes details about proactive and reactive wind turbine downtimes, such as preventative and corrective maintenance. However, the information contained in maintenance work orders is often unstructured and difficult to analyze, presenting challenges for decision-makers wishing to use it for optimizing operation and maintenance. To address this issue, this work compares three different approaches to calculate reliability by performance indicators from maintenance work orders. The first approach involves manual labeling of the maintenance work orders by domain experts, using the schema defined in an industrial guideline to assign the label accordingly. The second approach involves the development of a model that automatically labels the maintenance work orders using text classification methods. Through this method, we are able to achieve macro average and weighted average F1-Scores of 0.75 and 0.85 respectively. The third technique uses an AI-assisted tagging tool to tag and structure the raw maintenance information, together with a novel rule-based approach for extracting relevant maintenance work orders for failure rate calculation. In our experiments the AI-assisted tool leads to a 88% drop in tagging time in comparison to the other two approaches, while expert labeling and text classification are more accurate in KPI extraction. Overall, our findings make extracting maintenance information from maintenance work orders more efficient, enable the assessment of reliability key performance indicators and therefore support the optimization of wind turbine operation and maintenance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google