1. 摘要
當今設備和工廠的優化程度，已經能夠保證相對較少的停機時間和高質量的產出。隨之而來的是新市場需求，如定制化生產、或者越來越短的產品生命周期，制造型企業若想保持在國際競爭中的地位，必須進一步自我優化。數字化技術催生了數據驅動型服務，幫助設備制造商和制造型企業提升生產水平，為他們創造了從競爭中脫穎而出的機會。
人工智能（AI）和數據分析方法為解決問題和產品開發開辟了一條新途徑，同時也構成了以服務為導向的商業模式基礎。預測性維護，就是一種有效的解決方案，通過可靠地機器行為預測創造可觀的商業價值。
2. 通過工業數據分析預測故障
我們在工廠和設備中部署各類傳感器用于測量記錄，比如溫度、壓力、能耗和振動。只要企業能夠評估所有相關信息，這些數據可以使個別工藝段乃及整個過程更加清晰。AI 主動學習模塊可以根據以往的數據記錄自動生成參考模型用于實時操作。只要方法得當，就有可能檢測出與機器正常行為不一致的細微偏差，往往這些細微偏差預示著未來故障的產生。經過訓練后的數據分析模型，可以按不同設備的復雜程度，完成精度 95%的質量預測或 24 小時交貨期預測。本文后續部分將詳細解釋通過工業數據分析實現預測性維護的各個步驟，及其經濟價值。
2.1. 項目流程
預測性維護分析項目需要一個組織良好的項目流程，從數據采集到分析模塊再到可視化。 圖 1 解釋了流程各個步驟之間的相互作用。
圖 1：從數據采集到可視化的項目流程
首先需要確定實施范圍，可以在本地或云端完成不同流程，當然也可以采用混合解決方案。
AI 模型所需的數據應在設備端直接獲取，因為現有基礎設施大多已經可以記錄和傳輸所需數據。如有必要，可補充額外的測量點和接口?？紤]到計算能力優化和數據量，數據選取和處理應盡可能在本地完成。
基于記錄數據的主動學習模型可以部署到設備端或云端，模型應用和可視化也適用同樣的原則。關于預測性維護學習模型部的部署點，取決于現有基礎設施、數據集合、安全要求以及成本。通常而言，用戶傾向于混合解決方案，以便于在本地和云端靈活的部署應用。
典型的分析項目通過有序的工作流程展開，實踐中我們分為五個階段（見圖 2）。項目開始階段，以分析問題和定義目標為重點。此時，開發者和用戶要去定義預測的故障類型。在接下來的數據探索階段，主要考察現有數據的質量，判斷其是否可以作為故障預測的支撐。概念論證（PoC）階段，開發者會設計一個自動監測失效的統計模型，通過對已有數據的離線分析，在技術和經濟兩方面論證項目的可行性。項目試運行階段，會嘗試在 IoT 平臺上部署相應的功能模塊進行實時監測，并搜集新的發現和有價值的數據，這些最終都會在應用部署階段使數據模型更加完善，之后該方案可應用于同類型的其他設備。
圖 2：工業分析項目的典型階段
設置在各階段間的審核點可以保證最終實施方案與目標保持一致，是保證項目成功的重要一環。通常，這樣的工業分析項目從開始啟動到完成概念論證需要花兩到三個月時間。之后數據科學家需要花一定的精力與用戶密切交流，去更深入的理解目標設備。
成本效益的經濟性分析也是項目的一部分。可靠的分析過程本身并不直接意味著經濟價值，設備制造商可以借助預測性維護的方案，嘗試服務領域內的新商業模式并因此而獲益。
3. 逐步實現預測性維護
為了預測設備的行為和最終產品的質量，需要通過幾個步驟實施預測性維護。
3.1. 可視化
首先，相關數據需要被導入、評估和顯示，檢查樣本的可讀性和數據質量。有必要的話會檢查調整記錄頻率。將檢查后的樣本數據按時間序列完成轉換，并顯示到信息面板上（如圖 3）。圖形化方式展示，有助于在項目初期更快的找到數據間的相關關系。
圖 3：設備數據可視化
3.2. 模式學習和異常檢測
實際運行時，工業分析解決方案將設備的實時數據與主動學習的參考模型作對比。借助 AI 模塊可以識別運行過程中有別于所學正常行為的微小偏差（如圖 4）。由于同時兼顧到所有傳感器數據，原先基于規則的系統不能確定的潛在失效或故障也能被識別出來，因此可以在較早期識別設備未來的問題。
圖 4：異常指數（藍）、監測閾值（紫）和被監測異常（垂直線）以及故障原因（通過垂直線顏色標識）
對異常評估時，我們將其與正常值的偏移程度定義為異常指數。通過設定閾值判斷偏移的大小，當偏差嚴重時，系統會發出警示。連續出現的較小偏差累計到一定程度時，同樣也會觸發系統發出警示消息。這樣的話，設備操作者和技術服務人員就可以在較早期發現設備故障，并采取干預措施為保證生產過程正常運行創造條件。
3.3. 異常分類
數據科學家與設備專家合作，將監測到的故障與已有的異常樣本建立映射關系，并按重要程度分類。實際應用時，重要異常往往是導致設備故障的原因（如圖 4）。此時，設備操作者可以很快的識別故障，借助這些輔助信息的快速診斷方式可以減少停機時間、降低成本并優化產能。進一步的，用戶可以自行調整和補充分類信息，以幫助系統提高預測精度。
3.4. 預測性維護
我們根據時間或產量定期的進行設備維護，這樣做會產生一些不必要的維護費用或設備故障。維護費用對工廠來說很重要，但又很難計算其與總運營費用之間的關系。在預測性維護解決方案的幫助下，我們能更好的了解未來故障產生的可能性，基于需求安排維護計劃，減少維護費用（如圖 5）。
圖 5：預測性維護減少維護費用
預測性維護軟件包是魏德米勒工業數據分析解決方案的一部分。按不同的需求和基礎設施，預測的故障信息可以直接顯示在目標設備上、設備制造商的服務中心或者操作控制室內。故障的警示信息，會隨著故障原因及分類信息變化。由于通知及時，設備修理和維護的過程更有的放矢。
3.5. 可預測的質量
對傳感器數據、周圍條件和過程數據的持續監測，確保制造過程中每一站的產品良率，由此可以進一步提高生產質量。為此，我們可以基于歷史數據開發出更詳細的數據模型，這些數據模型也可以用于識別新的故障。在軟件的幫助下，制造過程中就可以發現質量問題，如果制造參數調整及時，最終成品的良率可以得到保證。由于這樣的過程需要干預目標設備，因此數據科學家與設備專家必須緊密合作。
4. 結論
現有的設備數據能為設備制造商和制造型企業創造極高的商業價值，而這價值創造的關鍵在于如何分析和使用數據，魏德米勒的工業數據分析解決方案為您提供了這樣的范例。目前對用戶而言，沒有任何一個方案是普適的，每個項目都必須有針對性的與用戶緊密協作共同完成開發。若要此類分析項目成功實施，以下關鍵是不可或缺的：
a 項目開始階段需要基于成本收益分析完成應用領域的選擇；
b 基于需求開發的解決方案必須結合分析專家和應用專家的專業知識；
c 必須分析和定義獲取數據的基礎設施及平臺，必要情況下還須補充；
d 根據用戶需求調整軟件和用戶界面；
e 分析專家、設備制造商和操作者須密切合作，共同參與項目計劃和實施；
f 用戶和開發者之間必須建立長期的伙伴關系；
預測性維護，作為一種工業數據分析的解決方案案例，為企業創造了新的商業模式，優化服務內容，并帶來新的利潤增長點。
新聞來源：魏德米勒官網
