通过预测性维护和机器学习解决挑战

插图：© IoT For All --> 预测性维护通过数据和模型来预测设备或资产何时会发生故障。这种方法帮助企业主动应对那些否则会导致昂贵停机或中断的情况。当预测性维护与机器学习结合时，将带来巨大的优势。另一种方法是“坏再修”的方式，这种方式在许多方面对公司来说是成本高昂的。一旦机器发生故障，恢复其运行所需的资源远多于事先知晓并避免问题时所需。**工业维护** 工厂操作人员通常采用三种维护方法： #1：**被动维护** 被动维护（坏再修）意味着只有在部件失效时才进行更换。这种方法可能导致严重的、昂贵的后果，而且根据所讨论的机器类型，甚至可能是危险的。例如，如果机器是一台喷气式发动机，故障可能危及数百人的生命，并可能永久性地损害公司的声誉。 #2：**计划维护** 计划维护是一个稍好一些的方法，因为它会定期进行检查和处理问题。然而，如果实际上并不需要维护，这种方式就浪费了公司的资源。你无法确切知道故障何时可能发生，所以必须采取保守策略以避免不必要的成本。例如，当您提前对机器进行维护时，实际上是在浪费机器的有效使用寿命，低效使用维护资源，并增加了运营成本。 #3：**预测性维护** 能够预测机器何时发生故障是理想的情况，但要想准确预测却并不容易。在理想情况下，你会知道机器何时会发生故障。你也会知道哪些部件将要失效，这样就可以减少问题诊断所需的时间，减少浪费和风险。当预测系统发出故障信号时，维护工作将尽可能接近故障发生的时间安排，以充分利用其剩余的使用寿命。 **预测性维护应对运营问题** 通过从工业物联网（IIoT）设备中收集的数据，工厂操作人员可以开始应对各种维护问题，最终目标是通过预测性维护和机器学习（ML）实现前瞻性维护。 - **故障点检测**：这个概念涉及预测部件何时发生故障，从而更好地预测该部件或机器在其生命周期中的哪个阶段会发生故障。 - **初期故障检测**：在这种情况下，我们可以利用传感器数据通过机器学习算法提前检测故障。 - **最大化剩余使用寿命**：通过预测部件在何时发生故障的间隔时间，我们可以在恰当时机进行维护或更换部件。相反，如果我们定期更换这些部件，即使它们仍然正常运行，这只会浪费宝贵的资源。 预测得越准确，就越容易在整个运营过程中实现最大生产力和效率。 **采用预测性维护带来的优势** 预测性维护通过以下方式改善运营： - 更有效地利用劳动力 - 更少的资源用于监控机器功能 - 可预测的生产水平 - 最大化机器和部件的使用寿命 - 生产性能达到顶峰 - 消除不必要的维护任务 - 降低风险 - 改善工作场所的安全性 **预测性维护的数据收集** 要实现预测性维护，以下三点最佳实践至关重要： 1. **数据质量** 首先，你需要高质量的数据。理想情况下，你希望获取包含过去已经发生故障事件的历史数据。这些故障数据需要与机器的静态特征相对比，包括其平均使用情况、一般属性以及运行环境。你很可能会收集到大量数据，因此关键是要关注正确的数据。纠缠于无关信息只会混淆重点，使我们忽视真正重要的信息。你可以问自己：哪些故障可能发生？哪些故障是你想要预测的？ 2. **聚焦关键数据** 最后，仔细检查其他相关系统和部件，以确保没有遗漏关键数据。是否有其他与故障相关的部件？它们的性能是否可测量？以及这些测量需要多频繁地进行？ 3. **长期数据采集** 为获得最佳结果，数据采集应在较长时间内进行。高质量的数据将产生更准确的预测模型。任何低于标准的数据只会缩小可能性的范围，而无法给你提供确凿的事实。 分析可用的数据，问问自己是否有可能基于这些洞察构建预测模型。在分析问题时，拥有适当的背景信息非常重要，因为只有这样，我们才能更准确地评估预测结果。 **数据建模方法** 一般来说，帮助创建和实施预测性维护计划的数据科学家通常采用两种预测建模方法： #1：**回归模型** 回归模型预测一个部件的剩余使用寿命。它告诉我们机器在失效前还剩多少时间。要使回归模型发挥作用，历史数据是必不可少的。每一次事件都会被跟踪，并且最好涵盖各种类型的故障。回归模型的基本假设是，基于系统的固有（静态）特性及其当前性能，其剩余生命周期是可以预测的。然而，如果系统有多种可能的故障方式，必须为每种可能性分别建立一个模型。 #2：**分类模型** 分类模型预测机器在某一时间段内是否会发生故障。在这种情况下，我们不需要知道机器多久之后会失效，只需要知道故障即将发生。分类模型和回归模型在很多方面相似，但在一些关键点上有所不同。首先，分类模型关注的是一个时间段，而不是具体的时间点。这意味着对退化过程的分级要求更为宽松，所需的数据精确度也较低。此外，分类模型支持多种故障类型，允许将事件归类到同一类别下。分类模型的成功取决于是否有足够的数据，以及有足够多的特定故障案例来训练机器学习模型。 **预测性维护与机器学习** 一旦建立模型，预测性维护将按以下方式运行： 机器学习模型收集传感器数据，并基于历史故障数据识别导致故障的事件。操作人员预先设定参数以触发潜在故障的警报。当传感器数据超出这些参数时，就会触发警报。机器学习随后可以检测出超出正常系统运行范围的异常模式。通过对高质量数据中这些异常的更好识别，预测故障的能力将大幅提高。 **支持性数据** 总之，机器学习可以在几乎不需要人工干预的情况下分析大量数据。在应用最佳实践的情况下，这是一种减少成本和降低风险的优秀方法。通过结合机器学习与从工业物联网设备中收集的数据，可以改善流程、降低成本、优化员工效率，并显著减少机器停机时间——这些都是成功制造运营的关键要素。 TweetShareShareEmail 工业物联网 机器学习 预测性维护 --> 工业物联网 机器学习 预测性维护