摘要
智能設備，大數據，預測性維護等詞匯正在激勵著許多自動化制造商?；陬A測性維護來保證設備正常運行時間，未來會為新系統帶來附加價值。同時，越來越多的公司意識到，基于數據的服務擴展將會為他們帶來真正的業務優勢，并且這種前瞻性的商業模式將會有利于長期保持客戶忠誠度。工業分析采用的方法有助于實現這一目標。機器學習和人工智能技術可以讓制造商更好地理解機器行為，從而總結出機器運行的結構和模式，并提供針對數據關系的新洞察。工業分析過程必須是一個組織良好的過程。在下面的文章里魏德米勒通過案例和模型，描述了項目團隊通過執行數據捕捉，集成，準備，分析，實施以及最終評估經濟效益的整個過程。
1. 簡介
基于模型監測方法的優點
自動化系統面向數字化的技術發展帶來了許多優勢和機會，比如靈活小批量的生產，以及生產過程的優化。但除此之外，對于設備制造商而言，面臨的挑戰是如何提高設備可靠性和正常工作時間。另外一項挑戰就是如何在實現更加高效維護的同時降低成本。
如今，基于規則的監測系統在機器設備中已經很好地建立，這主要是由于這種方法比較簡單，各個信號的邊界（如傳感器值）由相應的工程師設定在系統中。例如，如果需要監測電機，就定義針對特定故障指標的限值（例如溫度，電流消耗）。如果任何被監測的信號超出定義的邊界就會生成報警。對于簡單的應用，基于規則的方法非常適合。然而，對于現在的很多應用來說，許多信號的動態轉換與故障檢測具有相關性，則該任務對于基于規則的方法來說將會變得過于復雜。此外，這種方法無法檢測基于規則的監測系統所定義的邊界之間發生的信號行為的變化，如圖 1 所示。
基于模型的方法可用于改善監測系統的性能。模型可以同時表示多個維度，因此可以很好地識別機器狀態。開發適當的模型可能非常具有挑戰性，需要具備高技能的專家。但是，通過使用工業分析方法（例如機器學習算法）和數據處理來提取機器模型，將可顯著降低實施監測功能的復雜性【1】。因為可以檢測到基于規則的方法無法識別的更復雜的故障，最終改善監測的質量。
2. 工業分析工作流程
從數據采集到可視化
工業分析功能通常由不同的任務組成，如圖 2 所示。該圖顯示了工業分析應用的典型工作流程，其中來自設備不同方面的數據首先整合到單個數據源（數據存儲）中。接下來的步驟就是對數據進行預處理，以便為學習過程進行準備（預處理）。在該步驟中將會從原始數據信號提取相關特征，其中涉及將統計方法與設備應用領域知識相結合，以便選擇有意義的特征。
接下來的步驟就是選擇，訓練和調整機器學習算法，以便從選定特征中提取模型（模型學習）。在這期間，分析專業知識和設備應用領域知識相結合是開發高效模型的關鍵。開發完成后，模型可用于在運行中監測機器的工作狀態（模型執行）。對于最終的應用，需要對結果進行適當的可視化（可視化）?？梢暬脑O計應根據使用該信息的人員角色（如業主，設施或維護經理等）進行選擇。在自動化系統中集成工業分析功能可以在不同區域完成，比如在機器端，或使用云平臺。這些可能性將在下一節中探討。
3. 實現工業分析的拓撲結構
從傳感器到云
實現分析功能的基本操作（數據存儲，預處理，模型學習，模型評分，以及可視化）可以在不同級別完成，例如使用傳感器套件在組件（驅動器，橋箱，門）以及現場收集數據，例如使用遠程 I/O 系統采集信號。由于數據源可能是采用不同的數據協議，因此需要將數據變換成統一格式，以便進行進一步的分析處理。根據客戶應用條件和用戶需求，數據可以存儲在本地（比如通過主控制器或 I/O 網關控制器），或者使用適當的存儲服務存儲在云中，如圖 3 所示。分析處理可在各種設備或平臺上進行，或者在云平臺上執行分析服務進行。雖然自動化系統主要用于過程控制，但如果有富余的運算資源的話，它們也可用于實施分析數據處理。
除了給定的硬件資源之外，根據執行的任務，處理和存儲要求會有所不同。特別是，提取機器模型經常比執行模型需要顯著更多的資源。有各種數據分析架構選項可用于儲存和處理數據，選擇那種架構需根據現有的控制系統架構，數據處理需求，數據類型，以及存儲復雜性要求來綜合考慮。靈活性對于數據分析功能在各種工業應用是非常重要的。以電梯應用為例，數據主要從控制器實時工作生成。采用的算法需要具有低延遲，并且數據量比較小，并且彼此高度相關。因此，使用邊緣設備（例如物聯網網關）實現工業分析功能可以帶來許多優勢，比如縮短反應時間和減少網絡流量。
4. 分析項目的典型階段
從目標定義到部署
分析項目需要一個組織良好的工作流程，它通常包括 5 個階段，如圖 4 所示。在流程開始階段是問題分析和目標定義，例如哪些特別故障應當可以預測。在數據探索階段將會驗證生成數據的質量，以確定是否可以檢測定義的故障，或者需要更高質量的數據。在概念驗證階段將在技術可實現性和經濟性兩方面進行驗證（離線分析）。在試運行階段，將會在試點應用中運行功能原型（在線分析）。在最后階段，經過試點驗證的分析解決方案將得到制定和部署。
4.1 離線分析
對機器數據實施數據分析通常從離線探索開始入手。從幾臺機器獲取針對選定時間區間的樣本數據，然后由數據專家進行離線分析。他們將會通過應用各種數據分析方法對數據進行探索，以便找出哪些方法可以提供最佳的可操作方法。市場上有很多提供數據分析服務的公司，但真正適用于工業設備分析工具很少。魏德米勒長期以來已經建立了廣泛的數據科學和機器學習工具箱，可在短時間內評估樣本數據。
4.2 用于預測性維護的在線分析
為了進行預測性維護，需要連續監測機器數據。從獲得的數據中評估機器狀態，檢測異常事件和故障指標，并用來確定所需的維護。然后向業主，設備或維護經理提供維護建議。根據導致機器故障的各種因素，一方面可能需要近乎實時地（亞秒級延遲）處理數據，另一方面可能需要每天或每周進行測試。在線分析系統應足夠靈活，以便處理各種時間要求。
目前我們考慮三種不同類別的分析，以用于生成用于機器監測和預測性維護系統的信息：直接計算，機器健康狀態和運行狀態識別，以及異常檢測。
直接計算將從機器獲取的傳感器數據作為輸入并進行分析計算，比如說檢測機器部件的磨損。
機器狀態識別算法將會使用機器傳感器數據或過程數據作為輸入來識別機器在給定時間點的機器狀態。我們使用機器學習技術，根據在此前指定訓練階段學習的模型對機器健康狀態和機器運行狀態進行分類【2】。進行進一步處理和推理后，所獲得的機器健康狀態和機器運行狀態對于預測性維護將很有用。
異常檢測【3】是另外一種非常有用的技術，用于發現故障跡象和評估維護需求。在正常運行時，傳感器信號通常位于特定數值范圍內，或表現出特定的正常模式。很明顯，我們對于捕捉偏離正常行為的偏差感興趣。檢測到的單個異?？赡芤呀洷砻鞔嬖诠收希⒂糜谟|發行動。但通常的情況是，一次異常實際上還不夠充分，只有隨時間不斷增加的異常數量才會提供充分的指示，以表明機器沒有最佳運行，或者發展出需要由人員加以解決的情況。此外，還有許多原因可以解釋為何在機器傳感器數據中檢測到異常，并且其中許多與任何問題都不相關，而是由其他影響因素所導致。例如，操作員交互或者參數設置的變化均可能對傳感器測量產生影響。預測性維護解決方案的一個重要特征就是理解測量背景，并評估哪些異常與預測維護需求相關。
5. 結論
在本文中，我們概述了工業分析功能的工作流程和拓撲結構，并描述了典型分析項目的五個階段，討論了如何通過離線和在線方法實現預測性維護，并展示了將數據科學與應用領域專業技術知識相結合的主要優勢。
工業分析將機器設備產生的機器數據與運維數據相結合，以產生有有效的結果。這些數據可以變成可操作的結果，比如預測性維護，用于在故障發生前預測性地識別，分析和解決可能產生的服務問題。這最終將會減少或消除停機時間，最終提高設備的使用效率，降低設備的使用成本。
魏德米勒可以與您合作，共同實現工業分析解決方案，涵蓋從概念到可擴展的智能服務，以及開發創新數據驅動業務模型的各個步驟。我們提供定制的分析解決方案，最大程度滿足客戶需求。我們的解決方案不受平臺限制，無論您采用哪種云平臺，都可實現內部部署，云部署或混合部署。我們的分析解決方案不受供應商限制，無論您采用怎樣的自動化系統或控制系統，均可使用。
新聞來源：魏德米勒官網
