在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
预测性维护并不是一个新概念。实施预测性维护的技术已经存在多年。其好处是众所周知的，特别是考虑到大多数行业的高停机成本。尽管有这些优势，但采用仍然滞后，尤其是在一些最终用户的应用中。
这不仅仅是资本支出的问题——数据捕获和记录/传输功能已经内置于许多组件中，例如具有电流和温度监控功能的驱动器或兼作数据记录器的HMI。抛开安全问题不谈，症结通常是缺乏将数据转换为可操作信息的技能，以及与内部引入或处理第三方服务相关的成本和时间。
人工智能（AI），尤其是机器学习 (ML)，可以为实施预测性维护和节省大笔资金并提供更有效的工具。事实上，据麦肯锡公司称，基于AI的预测性维护可以将可用性提高多达20%，同时将检查成本降低25%，并将年度维护费用降低多达10%。
预测性维护的主要挑战之一是梳理大量数据以仅提取有意义的、可操作的信息。特别是考虑到工业物联网 (IIoT) 的快速增长，企业可能会发现自己数据丰富，但信息匮乏。机器学习是一种提取洞察力的好方法，可用于在缺陷成为主要问题之前检测它们，确定即使有问题的资产的剩余使用寿命，允许在破坏性最小的窗口期间及时安排维修，并进行原因分析以防止将来发生类似故障。
ML模型的基本分类：有监督和无监督
某些类型的预测性维护建模可以通过相当简单的甚至手动计算轻松解决。ML 的真正价值在于它能够在复杂的机器动力学和现实世界操作的背景下考虑大量和不同类型的数据，以更好地了解资产操作和健康状况。
ML 是一类被称为狭义人工智能（Narrow AI）应用的一部分。一般是指为执行特定任务而编写和训练的函数。例如，您刚刚在网上银行会话期间与之交互的聊天机器人可能是一个狭义的 AI 应用程序，它设置为对一组指定的输入提供特定的响应，并在其他请求的情况下转换为人工服务。
同样，ML可以通过统计模型运行传感器数据，以检测定义为与发展中的缺陷相对应的条件。"机器学习并不是真正意义上的智能，" 世界领先的数据挖掘解决方案RapidMiner公司的数据科学家 Scott Genzer 认为，"这实际上只不过是我们几十年来一直在做的老式数学建模。"
ML 解决方案已经广泛部署用于欺诈警报和预测性维护等应用。相比之下，包含作为流行文化支柱的有知觉机器类型的通用人工智能则非常复杂，并且很可能在未来一段时间内仍然是实验室的重点关注领域。
在机器学习中，一个或多个算法对一组训练数据进行操作，这些数据旨在描述资产状况和性能、故障、维护过程、环境、故障或维护记录等因素。利用这些数据，算法创建一个数学模型，描述复杂的系统及其相互作用。数据被组织起来，以便有一个要预测的依赖性 "目标 "变量，在这种情况下，描述资产健康、剩余寿命等。目标是，当新的数据被放入模型时，模型将返回一个状态、预测等。
机器学习可以分为有监督学习和无监督学习。在有监督的机器学习中，一个函数（模型）被训练为使用大量手动分类的数据以定义的方式处理新输入。用于预测性维护的监督学习通常使用分类或回归来解决。
在分类中，离散输入映射到离散输出；例如，如果有足够的正确数据，模型可以将资产分类为健康或不健康，或者将产品分类为可接受或不可接受。输出并不总是二进制的；该模型可能会返回一系列可能的结果。回归采用准连续输入www.cechina.cn，如时间序列温度或振动数据，并以趋势的形式返回连续输出值控制工程网版权所有，可用于预测未来函数。
有监督学习通常用于两个任务：分类和回归。在分类问题中，算法获取输入数据以生成离散输出数据（例如，健康资产或不健康资产？）在回归问题中，模型获取输入数据并生成可用于例如预测的连续输出值（此资产多久会失效？）
在无监督学习中，算法使用未标记的数据通过聚类（哪些信息属于一起？）和相关性（哪些事件一起发生？）来寻找模式。监督机器学习分类器可能会检测到电机温度升高，并根据模型，向维护人员发送警报，将其作为潜在的发展缺陷进行调查。
无监督的ML 模型可能会发现意想不到的模式，从而获得有价值的见解，例如，当机器在 8 月份包装更粘稠的液体时，该电机的温度总是升高，所以也许毕竟没有发展中的缺陷。或者，也许在 Joe 运行机器的日子里，温度不会升高那么多。现在，该公司不仅可以避免对健康资产进行不必要的更换，而且可以审查 Joe 的技术，以潜在地发现一种方法来改进跨班次、生产线甚至设施的机器操作。
这两种方法都可用于预测性维护。有时可以使用一个来通知另一个，例如当无监督学习模型发现的相关性用于更新监督学习模型时。
如何成功的实施ML？
在预测性维护中，ML最大的错误之一是直接进入数据收集和模型构建。为了成功，项目需要从业务理解开始。成本和业务影响方面的痛点是什么？今天是如何解决的，ML将如何改进？目标是什么，例如减少计划外停机时间、优化产品质量、提高吞吐量等。
明确阐述目标是实现目标的第一步。"人工智能是一种工具，而不是结果，"Augury公司首席执行官Saar Yoskovitz说，"先关注您想要解决的应用，然后决定您需要使用什么样的最佳技术堆栈来解决这些问题。"
一定要量化目标——重要的是不仅要定义成功，还要了解评估投资回报 (ROI) 的成本基础。最后，不要忘记人为因素。从可能提供快速收益的简单项目开始将简化审批流程。"计算机方面并不困难，"Genzer 说，"困难的部分是让工程师接受，让经理同意，然后在工厂车间实施。"
理解数据
一旦明确了目标和需求，下一步就是收集和调查可用数据。当前数据能否用于回答业务分析中确定的问题？是否有足够的细节和背景信息？在这里，OT 需要与 IT 和数据科学家合作CONTROL ENGINEERING China版权所有，以阐明数据如何映射到物理现象，并确保输入来自整个组织的范围。
例如，运动控制对于增材制造中的产品质量至关重要。因此，运行中出现的纹波和不连续性可以表明系统运动问题，这些问题可以追溯到组件问题，即使传感器没有直接揭示问题。
基于ML 算法和模型的数据处理能力，数据可以并且应该来自各种各样的来源，只要它们是相关的。"当你拥有大量数据时，机器学习效果会更好，"Genzer 说，"这绝对是黄金法则。可以从大数据湖开始，然后从那里剔除。"
"虽然数据不是免费的，但它的成本比停机带来的损失便宜得多。"GE Research机器学习技术经理 Paul Ardis 表示，"因此，如果我们考虑权衡和决策过程，则通常值得花费时间、麻烦和成本来建立一个能够轮询尽可能多数据的设计；即使我们不一定知道从故障模式的角度来看它会捕捉到什么。"
离散自动化中预测性维护的挑战之一是工业设备经久耐用。这意味着即使是较旧的机器也可能只有有限的故障历史，而新设计当然很少或没有。这对运营有好处，但当目标是捕获有关机器性能下降和故障的大量数据时可能会出现问题。仅仅为了收集数据而运行设备到故障是不切实际的。幸运的是，还有其他选择。
历史记录：对机器状况和维护的历史记录进行数字化和格式化可能需要大量时间和劳动力，但绝对必要。从头开始启动 ML 项目会浪费企业随着时间的推移而积累的所有专业知识和见解。从项目一开始，将遗留记录转移到数字领域就应该是一个重要的优先事项。
开发数据：对于希望部署基于 ML 的预测性维护解决方案的 OEM厂商，无论是作为客户的一项功能还是维护其设备"车队"的一种方式，都可以从初始设计中获得数据。原型测试可以作为有效的运行到失败，或者至少运行到退化的练习。
代理建模：开发数据可能有用但有限，特别是在将结论推广到其他资产的能力方面。解决方案是代理建模（Surrogate modeling)），这是一种用于简化计算机模拟的数据驱动过程。传统的计算机模拟既昂贵又耗时，因为它们需要大量培训才能接近真实世界的性能。
在代理建模中，该过程根据基线模型的模拟结果生成"代理"模型，然后通过仅针对有限的一组条件而不是全面地运行完整计算来训练该模型。目的是想出一个有效的模型，可以以合理的速度开发，以满足任何需要的处理。
迁移学习：迁移学习通过找到一种方法来修改或映射来自类似资产的数据，甚至是特定制造批次中的资产，从而为新资产构建训练集。它仍然需要少量数据来了解实际的传输机制，但用户不再需要从头开始训练新模型。
"我们不需要为一个特定的泵构建和训练模型，因为我们之前已经见过 20,000 多个泵。"Yoskovitz 说，"我们知道气蚀是什么样的，轴承磨损是什么样的。我们已经使用基于物理的通用方法构建了这些模型。" 当然，为定速旋转资产构建标准诊断模型与为具有复杂动力学的定制机器构建完全不同。在这里，从资产到资产的映射更为复杂。
"对于异常检测，我们为特定机器建立基线，因为不同的配方会改变行为，从一个站点到另一个站点的环境会改变行为。我们为基线机器行为构建了一个模型，并将其概念化为操作。然后，如果出现任何问题，我们就可以检测到异常情况。"Yoskovitz 说。
时间问题
确保数据采集和处理速度足够快，以跟上被监控的工业过程和资产。这需要评估数据及其与物理实体的关系。
定义预测窗口：这指的是指标和故障之间所经过的时间。换句话说，需要多少准备时间，不仅要防止灾难性的故障，而且要使维修的破坏性最小控制工程网版权所有，费用最低？一个现场更换的小型齿轮箱可能只需要几分钟的通知就可以进行维修。更换位于工厂屋顶的定制千瓦级电机可能需要几天甚至几周的准备时间，既要订购新的电机，又要租用起重机来移动它。什么样的数据和什么样的ML模型可以提供这些？
定义目标窗口：即使在出现故障之前，机器性能也会开始下降。模型应该考虑到这一点。目标不仅仅是继续制造产品或提供服务，目标是制造可销售的产品并满足服务水平协议。
定义特征窗口：例如，如果我们正在跟踪记录平均值或 FFT 的特定类型的数据，那么该数据集覆盖的窗口是什么？
如果一个预测性维护解决方案不能为用户及时采取行动提供足够快的结果，那么就很难得到推广和应用。"模型的好坏取决于它在任何时间点可用的数据。"Ardis 说。"更新模型以反映持续运营的最新感觉的能力（它是正常的还是趋势异常的？），受到数据更新率的高度限制。
因此，与其说是我们能够存储多少数据的问题，不如说是我们刷新数据流以确保我们能够采取行动的速度问题。相反，如果活动的时间框架很慢，基于ML的解决方案可能会对需求进行过度设计（并且过于昂贵）。
数据准备
与大多数类型的计算机建模一样，在将数据应用于机器学习之前需要准备好数据。这不仅仅是简单的清理和格式化。鉴于所涉及的数量庞大，需要将原始数据分解为满足特定业务问题的数据子集或进行处理以提供新见解。这是使用一组称为特征工程的技术来实现的，这对于任何 ML 项目的成功都是必不可少的。"它实际上比建模更重要，"Genzer 说。"你需要找出哪些传感器和哪些部件最有意义。"
特征工程包括特征选择和特征生成：
· 特征选择是通过找出数据库中哪些列最相关，哪些列与目标变量更相关来缩小领域的过程。一个装置可能会产生成千上万的数据列，但其中只有少数列是识别发展中的缺陷所必需的。
· 特征生成是组合列以创建更有用的属性的过程，例如通过添加一对列、将它们相乘等。
在特征选择和特征生成之间，可以创建一组优化的数据列，这些列具有寻找有意义模型的最佳能力。
特征工程是必不可少的步骤，但应谨慎处理。"工程师几乎本能地陷入的危险是，他们认为自己知道哪些列会驱动预测类，"Genzer说，"这会使模型出现偏差。你真的想让计算机找到它认为的列，并有一个开放的心态。你需要运用一点判断力，因为你不希望它找到那些荒谬的东西，但我们也不想限制计算机找到你可能不知道的信号的能力。"
构建模型
ML 的真正意义在于使用数据和算法来开发一个模型，该模型描述运行中的物理系统，并可用于新数据，以持续的方式提供可操作的见解。用户最常见的错误之一，即在处理一个项目时，在捕获数据之前先入为主地考虑使用哪个模型，这往往会拖后项目的进程。关键是从数据出发控制工程网版权所有，从业务问题出发，然后找出最能满足标准的算法。
另一点要记住的是，建立一个模型并不是一蹴而就的事情。通常情况下，项目会产生多个模型，然后需要对这些模型进行评估，以确定哪一个或哪几个模型最有效地描述了系统的特征。
"我们在 AI 机器学习方面所做的很多工作是同时探索大量潜在模型，"Ardis 说。"这里并没有一个简单的答案。此外，我们还着眼于一起处理它们的能力的动态性。"训练5个模型不一定有效，例如，确定一些相对有效的权重，然后将其设置为将在可预见的未来使用的恒定模型。更动态的方法可能会提供更好的解决方案。
另一部分挑战在于机器会随着时间不断变化。今天的"正常"操作将与明年有所不同。训练数据需要足够广泛以显示其中的一些进展。模型验证还需要测试模型是否具有足够的弹性，或者是否对初始数据集过度拟合。Ardis 说："挑战在于让人们明白，有时最好让模型的训练性能降低 10%，以便能更有效地理解更广泛的一般空间。"
特别是对于工程师和数据科学家来说，他们很容易陷入困境，试图优化模型以将品质因数提高百分之几。这种类型的改进可能在概念上令人满意，但在业务环境中，更相关的问题是这种变化是通过更高的吞吐量或产品质量来节省资金还是增加盈利能力。"我认为根据召回率或精度优化模型是错误的。"Genzer 说。"最好根据盈亏进行优化。构建模型以优化成本或最大化利润。"
模型部署
可以通过多种方式部署基于 ML 的预测性维护应用程序。它们最常部署在通过 Web 服务器访问的基于云的应用程序中，或者作为车间的专用设备运行。
然而，部署并不意味着工作结束。最佳实践要求部署选定的模型，然后根据新的训练集不断构建所谓的挑战者模型。挑战者模型应该模仿部署中的模型。如果他们不这样做，则可能意味着部署的模型存在需要重建的问题。这可能意味着初始条件可能已经改变，无论是随着机器的变化、环境条件的变化还是操作要求的变化。
这种情况需要重新进行价值判断：模型是否存在需要纠正的实际问题，或者模型是否不同，但资产仍能以预期的吞吐量生产出高质量的零件？
ML 是在车间实施预测性维护计划的强大工具。从业务案例开始并花时间深入了解数据将有助于确保高质量的结果。一般而言，当今用于预测性维护的 ML 工具旨在简化从数据中提取洞察力以改进业务运营的过程。
"您无需成为数据科学家，即可使用ML 预测性维护工具为工厂实现成本节省。"Genzer 说。"这不是火箭科学。这是数学，任何人都可以学习。"
MVTalks机器视觉技术研讨会昆山站
测量系统构建完整指南 NI DAQ从入门到精通
2024阿自倍尔新产品说明会深圳站
爱德克工业安全产品八大“金刚”有奖试用
FOTRIC(飞础科)红外热像仪试用体验活动
