如今,工程師們越來越意識到,預測性維護現(xiàn)在幾乎是人工智能 (AI) 技術(shù)的專有領(lǐng)域,他們首先需要學習機器學習 (ML) 和神經(jīng)網(wǎng)絡(luò)技能來實現(xiàn)此類應(yīng)用程序。MathWorks 高級產(chǎn)品營銷經(jīng)理 Aditya Baru 表示,工程師仍然可以部署預測性維護,而無需學習新的 AI 和 ML 技能。
在最近與EDN的一次談話中,Baru 概述了實施預測性維護的四個基本步驟,并補充說每個步驟都有專門的工具可用。
圖 1. 基本的預測性維護工作流程包括四個基本步驟。
1.數(shù)據(jù)處理
對于不是數(shù)據(jù)科學家或沒有機器學習背景的工程師來說,查看由傳感器和工業(yè)設(shè)備(如風力渦輪機、發(fā)電機、泵和電機)生成的大量數(shù)據(jù)并不容易。工程師處理的數(shù)據(jù)主要是原始數(shù)據(jù);它又臟又臟。
勘探作業(yè)中的噴氣發(fā)動機或油泵每天可以輕松創(chuàng)建 1TB 的數(shù)據(jù);現(xiàn)在想象一下在 TB 的數(shù)據(jù)中尋找故障條件。那么,工程師能做什么呢?“工程師可以查看大量傳入的數(shù)據(jù),找出原始數(shù)據(jù)中是否有任何變化,識別任何系統(tǒng)退化,并確定系統(tǒng)出現(xiàn)異常行為的原因,”Baru 說。
例如,在石油勘探泵中,工程師可以查看原始數(shù)據(jù)的一件事是對持續(xù)旋轉(zhuǎn)的泵進行光譜分析。因此,他們可以識別故障出現(xiàn)的頻率?!半m然工程師已經(jīng)了解這臺機器,但他們現(xiàn)在要做的是確定最有效的方法?!?/p>
圖 2. 工程師可以通過跟蹤電機摩擦的變化來檢測泵中的泄漏和堵塞。
這將我們帶到第二個基本步驟,條件指標,一種數(shù)據(jù)縮減方法。
2.狀態(tài)指標
如果工程師有 100 個時間序列數(shù)據(jù)樣本,他應(yīng)該設(shè)法將其減少到一個數(shù)字,而這個數(shù)字必須捕獲這 100 個樣本中的所有相關(guān)信息?!拔覀兊南敕ㄊ悄惬@取一個巨大的數(shù)據(jù)集并將其減少為更少的特征?!?/p>
Baru 提到了最近的一個項目,在該項目中,MathWorks 與戴姆勒梅賽德斯合作開發(fā)了一個異常檢測應(yīng)用程序,該應(yīng)用程序分析大量時間序列數(shù)據(jù)并確定生產(chǎn)線是否存在異常情況。在這里,MathWorks 工具將大量數(shù)據(jù)減少為一組較小的特征(例如模式和時間延遲),從而將數(shù)據(jù)處理減少了 250 倍。
圖 3. 工程師可以從原始傳感器數(shù)據(jù)中提取特征,并使用基于時間和頻率的技術(shù)創(chuàng)建條件指標。資料來源:數(shù)學工作
現(xiàn)在工程師正在研究較少數(shù)量的條件指標,他們可以根據(jù)這些條件指標構(gòu)建預測模型。
3.預測模型
使用代表整個大型數(shù)據(jù)集并捕獲獨特信息的小得多的數(shù)據(jù)集,工程師可以使用合適的工具來創(chuàng)建預測學習模型,而無需學習 AI 和 ML 技能集。
各種模型(例如時間序列模型、統(tǒng)計模型和基于概率的模型)同樣適用于構(gòu)建預測模型?!坝泻芏嘤糜跇?gòu)建預測模型的傳統(tǒng)工程技術(shù),”Baru 說。
圖 4. Predictive Maintenance Toolbox使工程師能夠估計剩余使用壽命 (RUL) 并提供與預測相關(guān)的置信區(qū)間。資料來源:MathWorks
工程師還可以將工具重新用于稍微不同的應(yīng)用程序。Baru 提到了 Safran,這是一家航空航天公司,它使用信號調(diào)理技術(shù)來預測系統(tǒng)何時可能出現(xiàn)故障。這項工作是在MATLAB中完成的,這是一個用于算法開發(fā)、數(shù)據(jù)分析、可視化和數(shù)值計算的編程環(huán)境。
4.算法部署
第四步可能是最重要的:在生產(chǎn)環(huán)境中為預測模型部署算法。工程師可以通過多種方式部署算法。這包括本地嵌入機器的預測模型、作為本地服務(wù)器在本地運行的小型計算機,或者在連接可行時將數(shù)據(jù)流式傳輸?shù)皆品?wù)。
在這個四步工作流程中實施的預測性維護允許工程師部署維護服務(wù),以保證機器在 90% 的時間內(nèi)保持運行。并且可以使用工具來有效地管理所有這四個基本步驟。
審核編輯:郭婷
-
發(fā)電機
+關(guān)注
關(guān)注
26文章
1686瀏覽量
69559 -
人工智能
+關(guān)注
關(guān)注
1807文章
49029瀏覽量
249568 -
機器學習
+關(guān)注
關(guān)注
66文章
8503瀏覽量
134630
發(fā)布評論請先 登錄
傳感器在工業(yè) 4.0 預測性維護中的應(yīng)用

[轉(zhuǎn)]物聯(lián)網(wǎng)和機器學習究竟有哪些真實應(yīng)用價值?
如何使用Amazon IoT和Amazon SageMaker進行設(shè)備實時預測性維護?
什么是機器學習? 機器學習基礎(chǔ)入門
在沒有網(wǎng)絡(luò)和WIFI的情況下用手機無線投屏到電視
如何成功實施和管理物聯(lián)網(wǎng)預測性維護計劃
如何實施物聯(lián)網(wǎng)預測性維護解決方案
什么是狀態(tài)監(jiān)測,“預測性維護”該如何實施
如何在邊緣使用機器學習提高生產(chǎn)線質(zhì)量
使用振動對旋轉(zhuǎn)機器進行預測性維護

評論