1. 摘要
當今設(shè)備和工廠的優(yōu)化程度，已經(jīng)能夠保證相對較少的停機時間和高質(zhì)量的產(chǎn)出。隨之而來的是新市場需求，如定制化生產(chǎn)、或者越來越短的產(chǎn)品生命周期，制造型企業(yè)若想保持在國際競爭中的地位，必須進一步自我優(yōu)化。數(shù)字化技術(shù)催生了數(shù)據(jù)驅(qū)動型服務(wù)，幫助設(shè)備制造商和制造型企業(yè)提升生產(chǎn)水平，為他們創(chuàng)造了從競爭中脫穎而出的機會。
人工智能（AI）和數(shù)據(jù)分析方法為解決問題和產(chǎn)品開發(fā)開辟了一條新途徑，同時也構(gòu)成了以服務(wù)為導(dǎo)向的商業(yè)模式基礎(chǔ)。預(yù)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(yù)測創(chuàng)造可觀的商業(yè)價值。
2. 通過工業(yè)數(shù)據(jù)分析預(yù)測故障
我們在工廠和設(shè)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(yè)能夠評估所有相關(guān)信息，這些數(shù)據(jù)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(jù)以往的數(shù)據(jù)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(yù)示著未來故障的產(chǎn)生。經(jīng)過訓(xùn)練后的數(shù)據(jù)分析模型，可以按不同設(shè)備的復(fù)雜程度，完成精度 95%的質(zhì)量預(yù)測或 24 小時交貨期預(yù)測。本文后續(xù)部分將詳細解釋通過工業(yè)數(shù)據(jù)分析實現(xiàn)預(yù)測性維護的各個步驟，及其經(jīng)濟價值。
2.1. 項目流程
預(yù)測性維護分析項目需要一個組織良好的項目流程，從數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)應(yīng)在設(shè)備端直接獲取，因為現(xiàn)有基礎(chǔ)設(shè)施大多已經(jīng)可以記錄和傳輸所需數(shù)據(jù)。如有必要，可補充額外的測量點和接口。考慮到計算能力優(yōu)化和數(shù)據(jù)量，數(shù)據(jù)選取和處理應(yīng)盡可能在本地完成。
基于記錄數(shù)據(jù)的主動學習模型可以部署到設(shè)備端或云端，模型應(yīng)用和可視化也適用同樣的原則。關(guān)于預(yù)測性維護學習模型部的部署點，取決于現(xiàn)有基礎(chǔ)設(shè)施、數(shù)據(jù)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(yīng)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(fā)者和用戶要去定義預(yù)測的故障類型。在接下來的數(shù)據(jù)探索階段，主要考察現(xiàn)有數(shù)據(jù)的質(zhì)量，判斷其是否可以作為故障預(yù)測的支撐。概念論證（PoC）階段，開發(fā)者會設(shè)計一個自動監(jiān)測失效的統(tǒng)計模型，通過對已有數(shù)據(jù)的離線分析，在技術(shù)和經(jīng)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(yīng)的功能模塊進行實時監(jiān)測，并搜集新的發(fā)現(xiàn)和有價值的數(shù)據(jù)，這些最終都會在應(yīng)用部署階段使數(shù)據(jù)模型更加完善，之后該方案可應(yīng)用于同類型的其他設(shè)備。
圖 2：工業(yè)分析項目的典型階段
設(shè)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(huán)。通常，這樣的工業(yè)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(shù)據(jù)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(shè)備。
成本效益的經(jīng)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(jīng)濟價值，設(shè)備制造商可以借助預(yù)測性維護的方案，嘗試服務(wù)領(lǐng)域內(nèi)的新商業(yè)模式并因此而獲益。
3. 逐步實現(xiàn)預(yù)測性維護
為了預(yù)測設(shè)備的行為和最終產(chǎn)品的質(zhì)量，需要通過幾個步驟實施預(yù)測性維護。
3.1. 可視化
首先，相關(guān)數(shù)據(jù)需要被導(dǎo)入、評估和顯示，檢查樣本的可讀性和數(shù)據(jù)質(zhì)量。有必要的話會檢查調(diào)整記錄頻率。將檢查后的樣本數(shù)據(jù)按時間序列完成轉(zhuǎn)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(shù)據(jù)間的相關(guān)關(guān)系。
圖 3：設(shè)備數(shù)據(jù)可視化
3.2. 模式學習和異常檢測
實際運行時，工業(yè)分析解決方案將設(shè)備的實時數(shù)據(jù)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(shù)據(jù)，原先基于規(guī)則的系統(tǒng)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(shè)備未來的問題。
圖 4：異常指數(shù)（藍）、監(jiān)測閾值（紫）和被監(jiān)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(shù)。通過設(shè)定閾值判斷偏移的大小，當偏差嚴重時，系統(tǒng)會發(fā)出警示。連續(xù)出現(xiàn)的較小偏差累計到一定程度時，同樣也會觸發(fā)系統(tǒng)發(fā)出警示消息。這樣的話，設(shè)備操作者和技術(shù)服務(wù)人員就可以在較早期發(fā)現(xiàn)設(shè)備故障，并采取干預(yù)措施為保證生產(chǎn)過程正常運行創(chuàng)造條件。
3.3. 異常分類
數(shù)據(jù)科學家與設(shè)備專家合作，將監(jiān)測到的故障與已有的異常樣本建立映射關(guān)系，并按重要程度分類。實際應(yīng)用時，重要異常往往是導(dǎo)致設(shè)備故障的原因（如圖 4）。此時，設(shè)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(yōu)化產(chǎn)能。進一步的，用戶可以自行調(diào)整和補充分類信息，以幫助系統(tǒng)提高預(yù)測精度。
3.4. 預(yù)測性維護
我們根據(jù)時間或產(chǎn)量定期的進行設(shè)備維護，這樣做會產(chǎn)生一些不必要的維護費用或設(shè)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(guān)系。在預(yù)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(chǎn)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(yù)測性維護減少維護費用
預(yù)測性維護軟件包是魏德米勒工業(yè)數(shù)據(jù)分析解決方案的一部分。按不同的需求和基礎(chǔ)設(shè)施，預(yù)測的故障信息可以直接顯示在目標設(shè)備上、設(shè)備制造商的服務(wù)中心或者操作控制室內(nèi)。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(shè)備修理和維護的過程更有的放矢。
3.5. 可預(yù)測的質(zhì)量
對傳感器數(shù)據(jù)、周圍條件和過程數(shù)據(jù)的持續(xù)監(jiān)測，確保制造過程中每一站的產(chǎn)品良率，由此可以進一步提高生產(chǎn)質(zhì)量。為此，我們可以基于歷史數(shù)據(jù)開發(fā)出更詳細的數(shù)據(jù)模型，這些數(shù)據(jù)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(fā)現(xiàn)質(zhì)量問題，如果制造參數(shù)調(diào)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(yù)目標設(shè)備，因此數(shù)據(jù)科學家與設(shè)備專家必須緊密合作。
4. 結(jié)論
現(xiàn)有的設(shè)備數(shù)據(jù)能為設(shè)備制造商和制造型企業(yè)創(chuàng)造極高的商業(yè)價值，而這價值創(chuàng)造的關(guān)鍵在于如何分析和使用數(shù)據(jù)，魏德米勒的工業(yè)數(shù)據(jù)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(xié)作共同完成開發(fā)。若要此類分析項目成功實施，以下關(guān)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(yīng)用領(lǐng)域的選擇；
b 基于需求開發(fā)的解決方案必須結(jié)合分析專家和應(yīng)用專家的專業(yè)知識；
c 必須分析和定義獲取數(shù)據(jù)的基礎(chǔ)設(shè)施及平臺，必要情況下還須補充；
d 根據(jù)用戶需求調(diào)整軟件和用戶界面；
e 分析專家、設(shè)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(fā)者之間必須建立長期的伙伴關(guān)系；
預(yù)測性維護，作為一種工業(yè)數(shù)據(jù)分析的解決方案案例，為企業(yè)創(chuàng)造了新的商業(yè)模式，優(yōu)化服務(wù)內(nèi)容，并帶來新的利潤增長點。
新聞來源：魏德米勒官網(wǎng)
