汽車(chē)制造部門(mén)一直致力于在提高產(chǎn)品質(zhì)量和最小化運(yùn)營(yíng)費(fèi)用之間實(shí)現(xiàn)平衡。基于 AI 的異常檢測(cè)是一種識(shí)別機(jī)器數(shù)據(jù)中的不規(guī)則模式以在潛在問(wèn)題發(fā)生前預(yù)測(cè)這些問(wèn)題的方法，它是對(duì)提高流程效率、減少停機(jī)時(shí)間和提高產(chǎn)品質(zhì)量感興趣的所有汽車(chē)制造商都應(yīng)考慮的新興策略。

許多工程師和技術(shù)人員僅依賴(lài)手動(dòng)數(shù)據(jù)檢查或當(dāng)傳感器值超出定義的閾值時(shí)自動(dòng)發(fā)出的警報(bào)。工程師無(wú)法同時(shí)對(duì)數(shù)千個(gè)傳感器進(jìn)行分析，這就不可避免地會(huì)遺漏表現(xiàn)為復(fù)雜模式的異常情況。利用基于 AI 的異常檢測(cè)，工程師能夠預(yù)測(cè)潛在故障并優(yōu)化維護(hù)間隔，從而提高可靠性、降低運(yùn)營(yíng)成本并延長(zhǎng)機(jī)器的使用壽命。創(chuàng)建一個(gè)穩(wěn)健而準(zhǔn)確的異常檢測(cè)系統(tǒng)需要經(jīng)過(guò)深思熟慮的設(shè)計(jì)工作流，包括數(shù)據(jù)采集、算法開(kāi)發(fā)以及徹底的驗(yàn)證和測(cè)試。

設(shè)計(jì)基于 AI 的異常檢測(cè)解決方案

設(shè)計(jì)基于 AI 的異常檢測(cè)解決方案是一個(gè)綜合過(guò)程，涵蓋規(guī)劃、數(shù)據(jù)采集一直到部署和集成。剛接觸 AI 的汽車(chē)工程師必須了解算法開(kāi)發(fā)和運(yùn)營(yíng)環(huán)境，才能開(kāi)發(fā)出有效識(shí)別潛在問(wèn)題的解決方案。

01規(guī)劃和數(shù)據(jù)采集

要設(shè)計(jì)基于 AI 的異常檢測(cè)系統(tǒng)，應(yīng)首先定義問(wèn)題和評(píng)估可用的傳感器數(shù)據(jù)、組件、過(guò)程和可能的異常。工程師必須首先確定異常的構(gòu)成以及將數(shù)據(jù)歸類(lèi)為異常的條件。

在汽車(chē)制造中采集數(shù)據(jù)需要使用傳感器進(jìn)行連續(xù)監(jiān)控并執(zhí)行手動(dòng)準(zhǔn)確度檢查。在線(xiàn)測(cè)量系統(tǒng)在車(chē)輛生產(chǎn)過(guò)程中收集大量數(shù)據(jù)，通常與車(chē)輛 VIN 關(guān)聯(lián)。工程師應(yīng)使用這些運(yùn)營(yíng)數(shù)據(jù)來(lái)訓(xùn)練異常檢測(cè)系統(tǒng)，以便進(jìn)行預(yù)測(cè)性維護(hù)和質(zhì)量控制。然而，處理大量數(shù)據(jù)可能成本高昂且耗時(shí)，并且異常數(shù)據(jù)可能難以采集。

工程師還可以考慮從機(jī)器及其運(yùn)行環(huán)境的詳細(xì)仿真中生成合成數(shù)據(jù)。憑借對(duì)系統(tǒng)物理特性的深刻理解，工程師可以從仿真中生成異常數(shù)據(jù)，而這些數(shù)據(jù)很難或根本無(wú)法從真實(shí)硬件中獲得。當(dāng)真實(shí)的運(yùn)營(yíng)或測(cè)試數(shù)據(jù)稀缺、難以獲得或受到隱私問(wèn)題的影響時(shí)，合成數(shù)據(jù)尤其有用。然而，鑒于必須確保仿真能夠表示運(yùn)營(yíng)系統(tǒng)并準(zhǔn)確地對(duì)異常情況建模，工程專(zhuān)業(yè)知識(shí)對(duì)此過(guò)程至關(guān)重要。

設(shè)計(jì)異常檢測(cè)算法

設(shè)計(jì)異常檢測(cè)算法的第一步是組織和預(yù)處理數(shù)據(jù)，使其適用于分析。這包括重新格式化和重構(gòu)數(shù)據(jù)，提取問(wèn)題的相關(guān)部分，處理缺失值，以及去除離群值。

接下來(lái)，工程師必須選擇異常檢測(cè)方法，這需要評(píng)估數(shù)據(jù)的特征、異常的性質(zhì)以及可用的計(jì)算資源。

最好對(duì) AI 模型嘗試不同訓(xùn)練方法以找到最適合特定數(shù)據(jù)集的方法，這非常重要。從較高的層面講，AI 方法可以根據(jù)可用數(shù)據(jù)的類(lèi)型分為有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)方法。

有監(jiān)督學(xué)習(xí)

當(dāng)歷史數(shù)據(jù)塊可以清楚地標(biāo)注為正?；虍惓r(shí)(例如在測(cè)功機(jī)測(cè)試中)，使用有監(jiān)督學(xué)習(xí)進(jìn)行異常檢測(cè)。標(biāo)注通常由可根據(jù)維護(hù)日志或歷史觀測(cè)值調(diào)整數(shù)據(jù)的工程師手動(dòng)完成。通過(guò)基于此標(biāo)注數(shù)據(jù)集進(jìn)行訓(xùn)練，有監(jiān)督學(xué)習(xí)模型能夠?qū)W習(xí)數(shù)據(jù)中的模式及其對(duì)應(yīng)標(biāo)簽之間的關(guān)系。

日本汽車(chē)制造商大發(fā)公司以前使用熟練工人來(lái)評(píng)估發(fā)動(dòng)機(jī)爆震聲，但后來(lái)使用 AI 實(shí)現(xiàn)了這一過(guò)程的自動(dòng)化。通過(guò)利用 MATLAB 中的機(jī)器學(xué)習(xí)和特征提取功能，該公司開(kāi)發(fā)了分類(lèi)模型，支持快速自動(dòng)檢查音頻信號(hào)。這種方法使大發(fā)公司創(chuàng)建了 AI 系統(tǒng)，能夠像熟練工人一樣準(zhǔn)確地識(shí)別異常的發(fā)動(dòng)機(jī)爆震聲。

無(wú)監(jiān)督學(xué)習(xí)

許多組織可能不具備有監(jiān)督學(xué)習(xí)方法所需的已標(biāo)注異常數(shù)據(jù)。這可能是因?yàn)楫惓?shù)據(jù)并未存檔，或異常發(fā)生的次數(shù)不夠形成大規(guī)模訓(xùn)練數(shù)據(jù)集。當(dāng)大部分訓(xùn)練數(shù)據(jù)為正常數(shù)據(jù)時(shí)，就需要無(wú)監(jiān)督學(xué)習(xí)。

在無(wú)監(jiān)督學(xué)習(xí)方法中，對(duì)模型進(jìn)行訓(xùn)練以理解正常數(shù)據(jù)的特征，任何超出定義的正常范圍的新數(shù)據(jù)都標(biāo)記為異常。無(wú)監(jiān)督模型可以分析傳感器數(shù)據(jù)以識(shí)別可能指示問(wèn)題的異常模式，即使該類(lèi)型的故障以前沒(méi)有遇到過(guò)或標(biāo)注過(guò)也是如此。

特征工程

盡管一些 AI 模型是基于原始傳感器數(shù)據(jù)訓(xùn)練的，但更高效的做法通常是從數(shù)據(jù)中提取有用的特征，然后訓(xùn)練模型。特征工程是從原始數(shù)據(jù)中提取有意義的數(shù)量的過(guò)程，這有助于 AI 模型更高效地從底層模式中學(xué)習(xí)。有經(jīng)驗(yàn)的工程師可能已知道要從傳感器數(shù)據(jù)中提取的關(guān)鍵特征。

02驗(yàn)證和測(cè)試

驗(yàn)證和測(cè)試 AI 模型可確保其可靠性和穩(wěn)健性。通常，工程師將數(shù)據(jù)分為三部分：訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)用于在訓(xùn)練階段調(diào)節(jié)模型參數(shù)，測(cè)試數(shù)據(jù)用于在模型訓(xùn)練后確定其對(duì)未知數(shù)據(jù)的性能。工程師還可以使用性能度量(如準(zhǔn)確率和召回率)評(píng)估模型，并對(duì)其執(zhí)行微調(diào)以滿(mǎn)足特定異常檢測(cè)問(wèn)題的需求。

03部署和集成

經(jīng)過(guò)訓(xùn)練和測(cè)試的 AI 模型在部署到運(yùn)營(yíng)中并開(kāi)始對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)會(huì)體現(xiàn)其價(jià)值。在選擇適當(dāng)?shù)牟渴瓠h(huán)境時(shí)，工程師會(huì)考慮計(jì)算需求、延遲和可擴(kuò)展性等因素。其中包括接近要進(jìn)行實(shí)時(shí)異常檢測(cè)的制造過(guò)程的邊緣設(shè)備和具有幾乎無(wú)限計(jì)算能力但延遲更高的云平臺(tái)。

集成需要開(kāi)發(fā)用于訪(fǎng)問(wèn)模型預(yù)測(cè)的 API，并建立數(shù)據(jù)管道以確保模型接收經(jīng)過(guò)正確格式化和預(yù)處理的輸入。這可以確保模型與應(yīng)用或系統(tǒng)的組件一起工作，并充分體現(xiàn)其價(jià)值。

結(jié)束語(yǔ)

隨著汽車(chē)行業(yè)的發(fā)展，基于 AI 的異常檢測(cè)正在推動(dòng)更高效的制造運(yùn)營(yíng)。工程師可以使用 AI 模型處理邊緣設(shè)備上的傳感器數(shù)據(jù)，從數(shù)據(jù)中提取模式，從而簡(jiǎn)化問(wèn)題識(shí)別以避免出現(xiàn)重大故障。這種方法可以減少缺陷，延長(zhǎng)機(jī)器壽命，降低運(yùn)營(yíng)成本。

關(guān)于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 產(chǎn)品經(jīng)理。她之前是一名應(yīng)用工程師，為客戶(hù)提供關(guān)于使用 MATLAB 的預(yù)測(cè)性維護(hù)項(xiàng)目的支持。在加入 MathWorks 之前，Rachel 是美國(guó)海軍的空氣動(dòng)力學(xué)和推進(jìn)仿真工程師。Rachel 持有馬里蘭大學(xué)航空航天工程碩士學(xué)位、塔夫茨大學(xué)數(shù)學(xué)教育碩士學(xué)位和普林斯頓大學(xué)航空航天工程學(xué)士學(xué)位。