通過使用機(jī)器學(xué)習(xí)，結(jié)合從工業(yè)物聯(lián)網(wǎng)（IIOT）設(shè)備收集的數(shù)據(jù)，可以改進(jìn)流程、降低成本并提高效率。

預(yù)測性維護(hù)應(yīng)用數(shù)據(jù)和模型來預(yù)測設(shè)備或資產(chǎn)何時(shí)發(fā)生故障。這種方法可以通過預(yù)測故障，來幫助公司主動(dòng)解決可能導(dǎo)致代價(jià)高昂的停機(jī)或中斷情況。

另一種方法是采用“停機(jī)修復(fù)”方法，這在很多方面對(duì)公司而言都是昂貴的。一旦機(jī)器發(fā)生故障，與事先知道并避免該問題的情況相比，要使機(jī)器恢復(fù)正常則需要大量資源。

維護(hù)類型

有三種維護(hù)方法：

1、被動(dòng)性

被動(dòng)性維護(hù)方法意味著我們僅在部件出現(xiàn)故障時(shí)才進(jìn)行更換。這種方法會(huì)導(dǎo)致嚴(yán)重且昂貴的后果，根據(jù)我們所談?wù)摰臋C(jī)器類型，它甚至可能是危險(xiǎn)的。例如，如果有問題的機(jī)器是一臺(tái)噴氣式發(fā)動(dòng)機(jī)，故障可能會(huì)危及數(shù)百人的生命，并可能會(huì)毀掉一家公司的聲譽(yù)。

2、預(yù)防性

預(yù)先計(jì)劃的維護(hù)是一種稍微好一點(diǎn)的方法，因?yàn)槭嵌ㄆ趯?duì)問題進(jìn)行分類和處理。但是，您可能會(huì)在實(shí)際需要執(zhí)行某項(xiàng)操作之前就已經(jīng)對(duì)其進(jìn)行了更改或維護(hù)，這會(huì)浪費(fèi)公司的資源。您不知道何時(shí)可能發(fā)生故障，因此需要采取保守的方法來避免不必要的成本。例如，當(dāng)您提前維護(hù)機(jī)器時(shí)，實(shí)際上是在浪費(fèi)機(jī)器的使用壽命，效率低下地使用維護(hù)資源，并且通常會(huì)增加您的業(yè)務(wù)成本。

3、預(yù)測性

能夠預(yù)測機(jī)器什么時(shí)候會(huì)出故障是最理想的情況，但是很難準(zhǔn)確預(yù)測。在最佳情況下，您將知道機(jī)器何時(shí)會(huì)出現(xiàn)故障。您還將知道哪些部件將出現(xiàn)故障，這樣您就可以減少診斷問題所花費(fèi)的時(shí)間，并減少流程中的浪費(fèi)和風(fēng)險(xiǎn)。當(dāng)機(jī)器故障由預(yù)測系統(tǒng)發(fā)出信號(hào)時(shí)，維護(hù)計(jì)劃應(yīng)盡可能接近事件，以充分利用其剩余使用壽命。

預(yù)測性維護(hù)可以解決的問題

利用從工業(yè)物聯(lián)網(wǎng)（IIOT）設(shè)備收集的數(shù)據(jù)，我們可以解決廣泛的維護(hù)問題，最終目標(biāo)是使用機(jī)器學(xué)習(xí)（ML）達(dá)到先發(fā)制人的態(tài)勢。

可以解決的問題包括：

▲檢測故障點(diǎn)。這一概念包括預(yù)測部件何時(shí)出現(xiàn)故障，并有助于更好地預(yù)測部件或機(jī)器在其生命周期中的哪個(gè)階段會(huì)出現(xiàn)故障。

▲早期故障檢測。在這種情況下，我們可以通過將傳感器數(shù)據(jù)應(yīng)用于機(jī)器學(xué)習(xí)算法，在故障發(fā)生之前檢測出故障。

▲最大限度地延長剩余使用壽命。能夠預(yù)測部件發(fā)生故障的時(shí)間間隔，我們就可以在正確的時(shí)間應(yīng)用維護(hù)或更換部件。

我們越能準(zhǔn)確地預(yù)測部件或機(jī)器何時(shí)會(huì)出現(xiàn)故障，就越容易在整個(gè)組織內(nèi)實(shí)現(xiàn)最高的生產(chǎn)力和效率。

您將看到改進(jìn)的領(lǐng)域包括：

▲更有效地利用勞動(dòng)力

▲監(jiān)控機(jī)器性能所需的資源更少

▲可預(yù)測的生產(chǎn)力水平

▲最大限度延長機(jī)器和部件壽命

▲最高水平的生產(chǎn)收益

▲消除不必要的維護(hù)任務(wù)

▲降低風(fēng)險(xiǎn)

▲改善工作場所安全

預(yù)測性維護(hù)方法

要使預(yù)測性維護(hù)成功，必須具備三個(gè)主要方面。

首先，可能也是最重要的，您需要高質(zhì)量的數(shù)據(jù)。理想情況下，希望歷史數(shù)據(jù)考慮到過去的故障事件。需要將故障數(shù)據(jù)與機(jī)器本身的靜態(tài)特征（包括其平均使用情況，一般屬性以及其運(yùn)行條件）并列。

毫無疑問，您將得到大量數(shù)據(jù)，因此，專注于正確數(shù)據(jù)至關(guān)重要。關(guān)注無關(guān)數(shù)據(jù)只會(huì)把事情弄得一團(tuán)糟，并使注意力從最重要的地方移開。您應(yīng)該捫心自問，什么樣的故障很可能發(fā)生？您想預(yù)測哪些？當(dāng)一個(gè)進(jìn)程出現(xiàn)故障時(shí)會(huì)發(fā)生什么？它會(huì)很快發(fā)生嗎，還是隨著時(shí)間推移而慢慢損壞？

最后，仔細(xì)看看其他相關(guān)的系統(tǒng)和部件。是否還有其他與故障相關(guān)的部件？可以測量它們的性能嗎？最后，這些測量需要多久進(jìn)行一次？

為了獲得最佳結(jié)果，需要長時(shí)間進(jìn)行數(shù)據(jù)收集。高質(zhì)量數(shù)據(jù)可得出更準(zhǔn)確的預(yù)測模型。任何不足只會(huì)縮小可能性范圍，而不會(huì)給您確鑿的事實(shí)。分析可用數(shù)據(jù)，并問自己是否有可能基于這些見解建立預(yù)測模型。

通常，我們使用兩種預(yù)測建模方法：

回歸模型可預(yù)測部件的剩余使用壽命。它告訴我們機(jī)器還有多少時(shí)間會(huì)出現(xiàn)故障。為了使回歸模型起作用，必須提供歷史數(shù)據(jù)。每個(gè)事件都會(huì)被跟蹤，理想情況下，各種類型的故障都會(huì)被表示出來。

回歸模型提供的假設(shè)是，基于系統(tǒng)的固有（靜態(tài)）方面及其當(dāng)前性能，可以預(yù)測其剩余生命周期。但是，如果系統(tǒng)發(fā)生故障的方式有多種，則必須為每種可能性創(chuàng)建一個(gè)單獨(dú)的模型。

分類模型可預(yù)測特定時(shí)間內(nèi)的機(jī)器故障。我們不需要提前太久知道機(jī)器要發(fā)生故障，而是只需要知道故障即將發(fā)生。

分類和回歸模型在許多方面是相似的，但是在某些方面確實(shí)有所不同。首先，分類著眼于一個(gè)時(shí)間窗口，而不是一個(gè)確切的時(shí)間。這意味著需要的數(shù)據(jù)不那么嚴(yán)格。

工作原理

一旦建模，就可以通過以下方式進(jìn)行預(yù)測性維護(hù)：

機(jī)器學(xué)習(xí)模型收集傳感器數(shù)據(jù)，并基于歷史故障數(shù)據(jù)，識(shí)別故障之前的事件。

我們預(yù)先設(shè)置了所需的參數(shù)，以觸發(fā)潛在故障的警報(bào)。當(dāng)傳感器數(shù)據(jù)超出這些參數(shù)閾值時(shí)，將啟動(dòng)警報(bào)。

機(jī)器學(xué)習(xí)的作用在于檢測正常系統(tǒng)操作之外的異常模式。借助高質(zhì)量數(shù)據(jù)對(duì)這些異常有了更好的認(rèn)識(shí)，我們預(yù)測故障的能力將大大提高。

總之，機(jī)器學(xué)習(xí)支持以最少的人為干預(yù)分析大量數(shù)據(jù)。

通過應(yīng)用機(jī)器學(xué)習(xí)，結(jié)合從工業(yè)物聯(lián)網(wǎng)設(shè)備收集的數(shù)據(jù)，可以改進(jìn)流程、降低成本、優(yōu)化員工效率，并顯著減少機(jī)器停機(jī)時(shí)間——這是組織成功的關(guān)鍵。
責(zé)任編輯:pj