工业设备操作员肩负预防灾难性系统故障的使命,而他们对预测性维护的需求正日益增长。能够预测潜在设备故障并作出响应,便能抢先安排维修计划,将故障对工厂运营的整体干扰降至最低,最终对公司盈利产生积极影响。◆ ◆ ◆ ◆
然而,对于预测性维护能否带来切实收益,人们有时仍持怀疑态度。持有这种怀疑态度的公司大多面临以下问题:他们难以确定针对预测性维护的投资可以带来何种回报,而且无法确定是否有足够的设备故障数据、甚至无法确定是否有合适的数据来实现可用的算法。人们常有一种误解,认为预测性维护属于“黑箱”解决方案:它从设备接收运行数据,然后使用某种算法,经过某些计算就预测出机器的剩余使用寿命。但这种表述并不准确,因为它忽略了一点:在故障检测和预测算法的开发过程中,领域知识起着重要的作用。传统做法中,具有数学背景的数据科学家是预测性维护工作的主要参与者。公司大可由此切入,在数据科学和工程师团队之间建立沟通,生成必要的设备故障数据,从而更好地训练预测性维护算法。软件仿真工具简化了这一过程,因为它们可以增强预测性维护算法的功能,同时还能确保以较少的数据实现充分的训练。即便是不太熟悉预测性维护的人员,也可以借助这些工具,采用不同方法来收集和训练数据。扫码获取电子书 ↑↑↑
◆ ◆ ◆ ◆
要训练算法,公司必须掌握故障数据。然而,鉴于设备并不经常发生故障,这类数据通常无从获取;但如果为了收集故障数据而有意制造设备故障,则未免代价高昂。为了解决这一难题,可使用仿真模型等软件工具呈现物理设备在不同测试场景下的实际运行情况,从中生成故障数据。油田服务公司 Baker Hughes [1] 使用软件工具开发泵运行状况监测软件,通过数据分析开展预测性维护。最终,该公司将设备停机成本降低了 40% 之多,同时减少了现场所需的备用油田车。
包装和纸制品制造商 Mondi [2] 使用软件工具开发运行状况监测和预测性维护应用,用来识别潜在的设备问题。尽管不具备精通机器学习的数据科学家,但借助这些工具,该公司在几个月内便将此系统搭建完成。
高科技工业集团 Safran(西班牙)[3] 使用仿真模型训练神经网络,用于主动监测和预测液压机异常。他们使用仿真模型生成机器故障数据,解决了缺乏机器真实故障数据的难题。
以上案例清楚地表明,公司可以借此机会将数据科学与工程师团队对接起来,借助工程仿真工具生成必要的设备故障数据,然后利用这些数据更好地训练预测性维护算法。软件仿真工具简化了这一过程,因为它们可以增强预测性维护算法的功能,同时还能确保以较少的数据实现充分的训练。即便是不太熟悉数据科学的人员,也可以借助这些工具,采用不同方法来预处理数据,继而基于这些数据训练预测模型。◆ ◆ ◆ ◆
目前,大多数预测性维护算法都部署在现场并且靠近设备,例如位于生产设施或风力发电场、用来收集本地数据的边缘服务器。未来几年,工业控制器和边缘计算设备的计算能力可望快速提升,而云系统也将得到进一步采用,从而有助于将生产系统上的软件功能提升到一个全新水平。预测性维护将不断进步,其数据考察不再局限于一台机器或一处场地,而是综合多处厂址以及来自不同供应商的多台设备。根据具体需求,这些基于 AI 的算法可部署到非实时平台,也可部署到可编程逻辑控制器 (PLC) 等实时系统。最后要指出的是,预测性维护最强大的用途是从全球各地的设备获取数据并馈送到云平台。在云技术的支持下,制造商既可以从多个位置收集数据,又可以更有效地训练预测性维护算法,相比基于本地数据有着更多优势。尽管有关数据安全性和所有权的怀疑声音依然存在,但公司仍有必要为基于云的预测性维护的现实应用做好准备。将预测性维护应用于生产线可使制造商赢得诸多切实优势。相应地,如果一家制造商不知如何将预测性维护技术变现,也不知如何将其结合到自身的业务模型,则可能在竞争中落于下风。幸运的是,借助相关资源,公司将有机会实现领域知识与机器学习的有机结合,从而掌握预测性维护技术并享受其红利。◆ ◆ ◆ ◆
参考阅读
1. 油田服务公司 Baker Hughes 案例
https://ww2.mathworks.cn/company/user_stories/baker-hughes-develops-predictive-maintenance-software-for-gas-and-oil-extraction-equipment-using-data-analytics-and-machine-learning.html
2. 包装和纸制品制造商 Mondi 案例
https://ww2.mathworks.cn/company/user_stories/mondi-implements-statistics-based-health-monitoring-and-predictive-maintenance-for-manufacturing-processes-with-machine-learning.html
3. 高科技工业集团 Safran(西班牙)案例
https://www.matlabexpo.com/content/dam/mathworks/mathworks-dot-com/images/events/matlabexpo/es/2019/madrid-predictive-maintenance-hydraulic-stamping-safran.pdf
◆ ◆ ◆ ◆
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。