汽車制造部門一直致力于在提高產(chǎn)品質量和最小化運營費用之間實現(xiàn)平衡?；?AI 的異常檢測是一種識別機器數(shù)據(jù)中的不規(guī)則模式以在潛在問題發(fā)生前預測這些問題的方法，它是對提高流程效率、減少停機時間和提高產(chǎn)品質量感興趣的所有汽車制造商都應考慮的新興策略。

許多工程師和技術人員僅依賴手動數(shù)據(jù)檢查或當傳感器值超出定義的閾值時自動發(fā)出的警報。工程師無法同時對數(shù)千個傳感器進行分析，這就不可避免地會遺漏表現(xiàn)為復雜模式的異常情況。利用基于 AI 的異常檢測，工程師能夠預測潛在故障并優(yōu)化維護間隔，從而提高可靠性、降低運營成本并延長機器的使用壽命。創(chuàng)建一個穩(wěn)健而準確的異常檢測系統(tǒng)需要經(jīng)過深思熟慮的設計工作流，包括數(shù)據(jù)采集、算法開發(fā)以及徹底的驗證和測試。

設計基于 AI 的異常檢測解決方案

設計基于 AI 的異常檢測解決方案是一個綜合過程，涵蓋規(guī)劃、數(shù)據(jù)采集一直到部署和集成。剛接觸 AI 的汽車工程師必須了解算法開發(fā)和運營環(huán)境，才能開發(fā)出有效識別潛在問題的解決方案。

01規(guī)劃和數(shù)據(jù)采集

要設計基于 AI 的異常檢測系統(tǒng)，應首先定義問題和評估可用的傳感器數(shù)據(jù)、組件、過程和可能的異常。工程師必須首先確定異常的構成以及將數(shù)據(jù)歸類為異常的條件。

在汽車制造中采集數(shù)據(jù)需要使用傳感器進行連續(xù)監(jiān)控并執(zhí)行手動準確度檢查。在線測量系統(tǒng)在車輛生產(chǎn)過程中收集大量數(shù)據(jù)，通常與車輛 VIN 關聯(lián)。工程師應使用這些運營數(shù)據(jù)來訓練異常檢測系統(tǒng)，以便進行預測性維護和質量控制。然而，處理大量數(shù)據(jù)可能成本高昂且耗時，并且異常數(shù)據(jù)可能難以采集。

工程師還可以考慮從機器及其運行環(huán)境的詳細仿真中生成合成數(shù)據(jù)。憑借對系統(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)很難或根本無法從真實硬件中獲得。當真實的運營或測試數(shù)據(jù)稀缺、難以獲得或受到隱私問題的影響時，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營系統(tǒng)并準確地對異常情況建模，工程專業(yè)知識對此過程至關重要。

設計異常檢測算法

設計異常檢測算法的第一步是組織和預處理數(shù)據(jù)，使其適用于分析。這包括重新格式化和重構數(shù)據(jù)，提取問題的相關部分，處理缺失值，以及去除離群值。

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

最好對 AI 模型嘗試不同訓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)的類型分為有監(jiān)督和無監(jiān)督學習方法。

有監(jiān)督學習

當歷史數(shù)據(jù)塊可以清楚地標注為正常或異常時(例如在測功機測試中)，使用有監(jiān)督學習進行異常檢測。標注通常由可根據(jù)維護日志或歷史觀測值調整數(shù)據(jù)的工程師手動完成。通過基于此標注數(shù)據(jù)集進行訓練，有監(jiān)督學習模型能夠學習數(shù)據(jù)中的模式及其對應標簽之間的關系。

日本汽車制造商大發(fā)公司以前使用熟練工人來評估發(fā)動機爆震聲，但后來使用 AI 實現(xiàn)了這一過程的自動化。通過利用 MATLAB 中的機器學習和特征提取功能，該公司開發(fā)了分類模型，支持快速自動檢查音頻信號。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確地識別異常的發(fā)動機爆震聲。

無監(jiān)督學習

許多組織可能不具備有監(jiān)督學習方法所需的已標注異常數(shù)據(jù)。這可能是因為異常數(shù)據(jù)并未存檔，或異常發(fā)生的次數(shù)不夠形成大規(guī)模訓練數(shù)據(jù)集。當大部分訓練數(shù)據(jù)為正常數(shù)據(jù)時，就需要無監(jiān)督學習。

在無監(jiān)督學習方法中，對模型進行訓練以理解正常數(shù)據(jù)的特征，任何超出定義的正常范圍的新數(shù)據(jù)都標記為異常。無監(jiān)督模型可以分析傳感器數(shù)據(jù)以識別可能指示問題的異常模式，即使該類型的故障以前沒有遇到過或標注過也是如此。

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)量的過程，這有助于 AI 模型更高效地從底層模式中學習。有經(jīng)驗的工程師可能已知道要從傳感器數(shù)據(jù)中提取的關鍵特征。

02驗證和測試

驗證和測試 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：訓練集、驗證集和測試集。訓練數(shù)據(jù)和驗證數(shù)據(jù)用于在訓練階段調節(jié)模型參數(shù)，測試數(shù)據(jù)用于在模型訓練后確定其對未知數(shù)據(jù)的性能。工程師還可以使用性能度量(如準確率和召回率)評估模型，并對其執(zhí)行微調以滿足特定異常檢測問題的需求。

03部署和集成

經(jīng)過訓練和測試的 AI 模型在部署到運營中并開始對新數(shù)據(jù)進行預測時會體現(xiàn)其價值。在選擇適當?shù)牟渴瓠h(huán)境時，工程師會考慮計算需求、延遲和可擴展性等因素。其中包括接近要進行實時異常檢測的制造過程的邊緣設備和具有幾乎無限計算能力但延遲更高的云平臺。

集成需要開發(fā)用于訪問模型預測的 API，并建立數(shù)據(jù)管道以確保模型接收經(jīng)過正確格式化和預處理的輸入。這可以確保模型與應用或系統(tǒng)的組件一起工作，并充分體現(xiàn)其價值。

結束語

隨著汽車行業(yè)的發(fā)展，基于 AI 的異常檢測正在推動更高效的制造運營。工程師可以使用 AI 模型處理邊緣設備上的傳感器數(shù)據(jù)，從數(shù)據(jù)中提取模式，從而簡化問題識別以避免出現(xiàn)重大故障。這種方法可以減少缺陷，延長機器壽命，降低運營成本。

關于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 產(chǎn)品經(jīng)理。她之前是一名應用工程師，為客戶提供關于使用 MATLAB 的預測性維護項目的支持。在加入 MathWorks 之前，Rachel 是美國海軍的空氣動力學和推進仿真工程師。Rachel 持有馬里蘭大學航空航天工程碩士學位、塔夫茨大學數(shù)學教育碩士學位和普林斯頓大學航空航天工程學士學位。