结合数据分析和过程知识提前预测机器故障。
奥拉夫Enge-Rosenblatt和史蒂文·布兰德
明天的生产工厂必须效率和适应性,这是在现代生存的关键,竞争激烈的市场所带来的数字化和自动化。面向未来的企业正越来越多地关注自动化和计算机技术的紧密结合行业4.0承诺的范例。越来越多的全球分布的技术系统方便的数据交换和远程分析,如在云等上级的IT基础架构。本地和云端数据分析可以用来实现全面预测维修解决方案以优化维修间隔,提高机器寿命,减少昂贵的机器停机时间。
智能工厂,大量的数据收集完整的生产周期来控制生产过程和监控产品质量。额外的数据通常用于状态监测系统的见解行为模式技术设备的磨损和操作期间的异常。所有这些数据可能是有用的为企业通过有意义的分析方法预测维护的目的。由于不断增长的数据量,可能需要结合大数据方面在一定阶段的复杂性。
准备充分,成功预测维护解决方案不仅需要了解数理统计和分类方法,还对完整的生产过程。只有正确的组合的这些不同类型的专业知识可以提前准确预测机器故障,防止其发生通过计划保养之前预测的事件。
多种方法预测维护目的是已知的,例如,分析振动和声音数据,油粒子,温度和更多。但原则上,任何一种物理量显示磨损过程或某种关系异常等可能合适的候选人进行监控和分析。通常,收集到的数据是分析复杂的机器学习算法,学习数据模式,然后可以预测未来事件相关磨损在生产过程和异常。选择合适的技术,将专家知识的机器和过程的细节上下文信息是获得可用的见解的关键系统和未来的事件做出可靠的预测分析。因此,制造商和数据分析专家的合作在发展中合理预见性维护高效的解决方案。
原始传感器数据进行分析之前,通常需要预处理。常用的方法包括纠错和降噪信号的转换到另一个领域,例如频域。一旦准备好信号,数据科学家们从中提取相关问题的特性。在这个阶段,与过程专家一起工作,将他们的特殊专业领域是找到合适的关键特性。这些特性可以用于分类和回归机器学习算法为了学习和预测未来机器的行为。
成功地训练模型被应用于各种各样的方式,从小型独立设备接近传感器的观测技术复杂的组合,局部预处理和基于云的分析整个生产过程的先进的人工智能。
可持续使用的人工智能产品开发需要新的思维方式,基本的集成现代信息技术在产品的经验和领先的首席技术官等先进技术的深入理解传统的软件公司。仍有很长的路要走今天的产业,但这些天的研究提供了工具和技术向高度数字化铺平了道路,连接世界和智能生产。
更多信息,查看https://www.eas.iis.fraunhofer.de/en/research_topics/industrial_data_analysis.html。
史蒂文·勃兰特计算分析组的成员,在弗劳恩霍夫东亚峰会。
|
|
|
|
|
|
|
|
|
|
留下一个回复