paint-brush
用于预测性维护的机器学习:如何重塑资产维护经过@itrex
682 讀數
682 讀數

用于预测性维护的机器学习:如何重塑资产维护

经过 ITRex14m2023/08/23
Read on Terminal Reader

太長; 讀書

在这篇博文中,我们分享了人工智能软件咨询方面的经验,深入研究了预测性维护系统的内部结构,分享了获得启发的成功案例,并探讨了采用人工智能预测性维护解决方案所面临的挑战。
featured image - 用于预测性维护的机器学习:如何重塑资产维护
ITRex HackerNoon profile picture

在各个行业中,公司传统上都依赖定期维护。按设定的时间间隔检查机器的内部确实能让它们保持运转。但这真的是减少意外停机的最具成本效益的方法吗?并不真地。


大量研究表明,只有 20% 的设备故障与老化有关,而 80% 的故障是随机发生的。


随着各行业企业对人工智能的热衷,机器学习预测维护已成为人们关注的焦点。


在设备问题发生之前预见到并在需要时准确地进行维护,可以节省成本并提高生产率。事实上,CXP Group 进行的一项研究表明,90% 采用基于机器学习的预测性维护的制造商都成功地减少了维修时间和计划外停机时间。


在这篇博文中,我们分享了人工智能软件咨询的经验,深入研究了预测性维护系统的内部结构,分享了获得启发的成功案例,并探讨了采用人工智能预测性维护解决方案所面临的挑战。

首先,什么是预测性维护?

预测性维护是一种主动的设备维护方法,它使用机器学习来预见潜在的故障。这反过来又有助于防止代价高昂的停机。


可以将其视为让您的设备说话,在出现问题之前准确地告诉您何时需要关注。


预测性维护系统就像一个检查员团队 24/7 监视您的设备,实时收集和处理大量数据。


这些“检查员”可以检测到肉眼无法察觉的最小异常和模式,并在潜在故障变得严重之前向您发出警告。


现在,让我们看一个例子,看看这个概念在实践中是如何运作的。想象一下,一家制造工厂依靠一组工业机器人来维持运营。


传统上,这些机器人的维护是按照固定的时间间隔进行的,或者更糟糕的是,当实际发生故障时,会导致停机和财务损失。


通过机器学习预测性维护,借助战略性地嵌入到机器中的传感器来持续监控设备。收集的数据可以涵盖温度、振动、功耗和其他指标。


然后,所有这些数据都会发送到由机器学习算法驱动的系统的大脑。利用实时收集的历史破损数据、维修历史、环境因素和性能指标,大脑会寻找可能预示即将发生故障的模式。

有了这些宝贵的见解,您的维护团队就可以介入,执行所需的修复,并防止即将发生的故障发生。所有这一切都将停机时间降至最低,并且不会造成代价高昂的中断。


这正是机器学习预测性维护的成本节约潜力的来源。


由于其主动性,您可以将精力和预算集中在真正需要关注的设备上,而不是将资源浪费在完美的设备上。


另一方面,凭借远见的力量,您可以在问题升级之前采取行动,确保您的设备在更长时间内以最佳性能运行。

跨部门的人工智能预测维护用例

人工智能驱动的预测性维护正在从根本上改变依赖设备的行业的运行方式。下面,我们通过示例展示预测性维护可以带来的影响。

制造业

在离散和流程制造中,人工智能预测维护对于各种设备(包括铣床、液压机、输送系统、机械臂等)具有无价的价值。考虑将原材料成型为精密部件的铣床。


为这些机器配备振动传感器并根据历史故障数据分析传感器读数可以帮助检测机器主轴的不对中和磨损迹象。通过跟踪温度,您可能会发现过热迹象,表明可能正在酝酿故障。


基于机器学习的预测性维护的力量还不止于此。可以监控液压机是否有堵塞和泄漏,从而发出故障信号。


此外,通过恒温监控,预测性维护解决方案可以检测过热迹象,这是液压系统内即将出现问题的危险信号。


凭借计算周期的能力,机器学习预测性维护可以准确预测何时需要关注特定组件,从而实现及时的维护干预并防止潜在的故障。


对于传送带,预测维护软件可以测量传送带张力以防止过早磨损。而且,通过监控电机负载,它可以确保效率并发现任何可能导致意外停机的故障迹象。


Mercer Celgar 是使用预测性维护的制造商之一,它是最大的纸浆和实木生产商之一。预测性维护已成为公司生产战略的关键组成部分。在探索了各种选项后,Mercer Celgar 实施了现成的预测性维护解决方案。


这种人工智能驱动的软件与他们的新 CMMS 系统无缝集成,取代了以前的自动化机器健康诊断软件。通过三个试点,该部署产生了宝贵的见解和经验。


借助基于人工智能的预测维护平台,Mercer Celgar 能够在单个平台内监控多条生产线并获取每种机器类型的单独报告。


这使他们能够跟踪和比较性能,同时向维护团队提供有关潜在故障和故障的早期见解。这一实施改变了 Mercer Celgar 的运营方式,创建了特定的工作角色,并将来自多个来源的机器性能数据集中到一个平台上。


因此,他们拥有机器性能的单一事实来源,从而促进大规模的高效监控和数据处理。

汽车

汽车行业严重依赖基于机器学习的预测性维护来提高可靠性并降低保修成本。例如,通过监控现场车辆的传感器数据,汽车制造商可以在潜在问题变成严重故障之前发现它们。


让我们考虑一下送货卡车车队。通过持续监控发动机性能、轮胎状况和燃油效率,预测性维护使公司能够优化维护计划、防止故障并延长车辆的使用寿命。


许多汽车公司已经转向预测性维护来预测维护机会并留住客户,鼓励他们从汽车制造商的官方网络寻求维护服务。


欧宝就是这样的公司之一,该公司为其车辆配备了预测性维护工具,可以分析历史数据以建议最佳检查计划。


由于实施该系统的主要目标是提高客户保留率,因此系统会在维护到期时通知驾驶员,并安排与欧宝官方网络的预约,从而阻止客户转向第三方维修商。

卫生保健

机器学习预测维护正在彻底改变医疗保健行业,确保关键医疗设备的平稳运行。想象一下医院里的 MRI 机器。


通过分析温度、压力和电磁场强度等传感器数据,预测维护算法可以检测异常、偏差和表明潜在问题的模式。


然后,医院可以在需求低迷时期主动安排维护活动,最大限度地减少对患者护理的干扰。这种方法可以提高运营效率、减少设备停机时间并改善患者治疗效果。


柏健康检查诊所是采用这种方法的医疗机构之一。他们与日立合作实施预测维护系统,以防止 MRI 机器故障。


该技术合作伙伴分析了来自 100 个 MRI 系统的三年传感器数据,并创建了一种机制来调查导致设备故障的原因模式。


然后,机器学习帮助定义正常运行状态、预见异常并检测

导致失败的变化。


结果,该组织将 MRI 机器停机时间减少了 16.3%。

石油和天然气

石油和天然气行业以其复杂且昂贵的设备而闻名,从基于机器学习的预测维护中受益匪浅。想象一下带有大量泵、压缩机和涡轮机的海上钻井平台。


通过持续监控压力、温度和流量等参数,预测维护算法可以检测异常并预测即将发生的故障。


通过采取积极主动的方法,公司可以避免代价高昂的计划外停机、优化设备性能并确保人员安全。


沙特阿美公司是制造业的领先企业,它利用预测性维护的力量来防止因来自油井和石油和天然气的过量水而对设备和管道造成的腐蚀、结垢和其他损坏。


实施了人工智能驱动的流量计后,该公司实时了解了井中的水流量。该仪表采用人工智能驱动的数字孪生模型来预测管道流量,然后将其与实际测量结果进行比较。


此过程使仪表能够在各种操作条件下自动调整,从而大大减少重新校准的要求。

如何构建预测性维护解决方案?

在采用基于机器学习的预测维护解决方案时,组织面临一个决定:选择现成的软件还是投资定制的解决方案。


每种方法都有独特的优点和考虑因素,选择取决于几个标准:


  • 可用预算:现成软件(例如 IBM Maximo、Microsoft Azure IoT Suite、GE Predix、PTC ThingWorx、Siemens MindSphere 等)通常具有较低的前期成本,而构建定制解决方案可能需要更高的初始投资。预算有限的公司可能会发现现成的软件更具吸引力,而拥有大量资源的公司可能会倾向于定制功能的定制解决方案。


  • 实施时间:现成的软件经过预先构建和测试,可以快速部署。相反,开发定制解决方案可能需要更长的时间,具体取决于项目的复杂性和范围。


  • 行业特定要求:不同行业通常有独特的需求和工作流程,需要预测性维护解决方案具有特定的功能。现成的软件并不完全符合这些要求,需要定制。


    因此,具有高度专业化需求的企业或通过定制解决方案寻求竞争优势的企业可能更愿意走定制路线。


  • 现有基础设施和集成:将预测维护软件与现有系统和设备集成对于无缝运营至关重要。


    现成的解决方案可以提供与有限数量的流行设备或技术的更好兼容性,而定制解决方案可以精确定制以适应组织已建立的基础设施。


  • 可扩展性:随着业务的发展和扩展,其预测性维护需求可能会发生变化。现成的软件可以提供可扩展的选项,可以适应不断变化的需求。如果设计得当,定制解决方案还可以提供可扩展性和灵活性,但这可能需要额外的开发工作。


  • 支持和更新:现成的软件通常附带供应商提供的支持和定期更新,以确保解决方案保持最新状态。定制解决方案可能需要持续的维护和支持工作,以确保持续的功能。

从头开始构建基于人工智能的预测维护解决方案

从头开始构建基于机器学习的定制预测维护解决方案可提供最大的灵活性,并允许您根据自己的独特需求精确定制系统。尽管如此,定制软件很少是完全定制的。


有许多开源库和框架(例如,Scikit-learn、TensorFlow、PyTorch、Keras、XGBoost 等)、SDK 和 API(例如,AWS SDK、Azure SDK、Google Cloud SDK、IBM Watson SDK、 ThingWorx SDK 等),以及完全托管的机器学习服务,包括预先训练的模型(例如 Amazon SageMaker、Azure Stream Analytics),可加速并简化开发自定义预测维护解决方案的过程。


下面,我们分享了作为机器学习咨询公司的运营经验,并解释了如何展开基于人工智能的预测维护软件的开发过程。

预测性维护是一项可以分为两个子任务的任务:状态监测和预测分析。因此,制定预测性维护解决方案本质上可以归结为训练检测模型和预测模型并将它们集成到成熟的解决方案中。要训练此类模型,您需要执行以下步骤:


  • 数据采集

    在制定预测维护算法时,第一步是收集足够的数据来训练模型。要收集的数据类型跨度:


    • 传感器数据可实时洞察机器的健康状况和性能。它包括从连接到机器的所有类型的传感器(例如温度、压力、振动、电压、噪声等)收集的时间序列信息。


    • 故障数据涵盖有关过去设备故障的信息,包括故障的日期、时间和性质。


    • 维护记录、服务报告、工单以及与设备维护历史相关的其他文档。


    • 捕获有关机器运行状态的信息的运行数据,包括启动和停止时间、生产率、吞吐量和使用模式。


    • 环境数据涵盖环境温度、湿度水平和其他可能影响设备健康的外部条件等因素。


    • 其他相关数据可以提供对故障模式的额外洞察,例如能源消耗或维护成本数据。


  • 数据处理

    数据预处理是构建自定义人工智能驱动的预测维护解决方案的重要步骤。它涉及一系列技术,从处理缺失值到删除异常值等等。


    选择适当的处理技术取决于数据的特征,而成功执行该技术的关键是了解您的机器。假设您有嘈杂的振动数据。了解包含故障标记的频率范围可以指导您选择最佳的预处理策略。


  • 特征工程

    特征工程意味着将原始数据转换为有助于区分正常行为和错误行为的特征。目标是从数据中提取相关信息,使机器学习算法更容易识别模式和关系。


    例如,您可以使用振动数据监控变速箱的状况。变速箱故障会导致振动频率和幅度发生变化。因此,峰值频率和幅度可用于监测齿轮箱的健康状况。


    特征工程中使用的一些常见技术包括:

    • 聚合:组合多个原始数据点以创建聚合特征可以提供设备行为的更高级别视图。


    • 基于时间的分析:时间序列数据通常包含有价值的时间模式。创建基于时间的特征(例如一天中的时间、一周中的某一天或季节模式)可以帮助模型捕获重复出现的行为。


    • 信号分析:应用信号处理技术可以帮助提取频率分量或检测时间序列数据中的模式。


    • 相关性分析:评估哪些数据对预测准确性影响最大,并消除数据集中模型训练时重要性较低的数据点,有助于缩短训练时间。


    • 特定领域的特征提取技术:在某些情况下,领域知识可以导致专门的特征转换。例如,对于旋转设备,基于振动阶次分析的特征可能很有用。


特征工程可能是一个涉及多次迭代的过程。在第一轮训练和测试预测模型以获得最佳性能后,通常会返回此步骤。


  • 模型选择与训练

    下一步,您选择最佳的机器学习模型并根据收集的数据对其进行训练。


    选型

    选择正确的机器学习算法或预测模型对于您的特定预测维护用例至关重要。不同的模型有不同的优点和缺点,选择取决于数据的性质、问题的复杂性和所需的可解释性水平等因素。


    预测性维护常用的模型包括:

    • 逻辑回归:适用于二元分类问题,例如预测一台设备是否会发生故障。


    • 决策树:可有效处理分类数据和数值数据;可以捕捉特征之间的非线性关系。


    • 随机森林:一种结合多个决策树的集成方法,以提高准确性和鲁棒性。


    • 支持向量机 (SVM):对于分类任务很有用,特别是在处理高维数据时。


模型训练

模型训练涉及使用历史数据来教导机器学习预测维护模型,以识别特征与目标变量(例如设备故障)之间的模式和关系。数据集分为两部分:训练集和测试集。


该模型从训练数据中学习,并能够根据训练过程中识别的模式进行预测。


训练完成后,模型将在测试数据集上进行测试。模型验证是评估模型在未见数据上的表现并估计其预测能力的关键步骤。


  • 集成部署

    一旦您确定了正确的模型、对其进行了训练并生成了准确的预测,就可以将其集成到您的系统中来付诸实践了。根据机器学习预测维护软件的具体情况,您有多种部署选项:


    • 云实施:如果您要处理存储在云中的大量数据,请选择基于云的部署。通过直接在云中运行机器学习算法,您无需在本地计算机和云之间来回传输数据以进行预测和运行状况监控。这简化了维护流程并提高了效率。


    • 边缘实现:或者,您可以在距离设备较近的嵌入式设备上运行算法。这种方法可以立即更新和通知有关设备运行状况的信息,而不会出现任何延迟。


    • 混合实施:您还可以选择云和边缘的组合。利用嵌入式设备进行预处理和特征提取,并在云端运行预测模型。通过这种方式,您可以两全其美 - 与边缘部署相关的效率和基于云的处理能力。


      它特别适用于石油钻探或飞机发动机等系统,这些系统的连续运行会产生大量数据,由于带宽和成本限制,机载存储或传输面临挑战。

一路上需要解决的挑战

实施人工智能预测维护解决方案可能会面临某些挑战。一些常见的障碍包括:


  • 旧设备:连接旧设备或不兼容的设备并收集数据可能是一项挑战。可能需要改造传感器或利用物联网网关来收集所需的数据。


  • 建立正确的参数:确定要监控每台设备的最相关参数至关重要。这需要对机械及其故障模式有深入的了解,以确保准确的预测。


  • 数据质量和可用性:确保数据质量和可用性对于准确预测至关重要。不完整或不可靠的数据可能会导致错误的维护决策。建立数据治理实践和投资数据基础设施是克服这一挑战的重要步骤。

把它们加起来

人工智能驱动的预测性维护为设备密集型或设备依赖型行业的公司提供了改变游戏规则的机会。


通过采用主动维护方法,组织可以显着减少停机时间、优化维护成本并提高运营效率。


无论是通过定制现成的软件还是从头开始构建定制解决方案,机器学习预测维护都可以帮助您释放设备的全部潜力。


联系我们的团队,探索机器学习预测维护的可能性,并做出明智的决策,将您的公司推向新的高度。