近期，物聯(lián)網(wǎng)(IoT)傳感器、先進(jìn)的分析技術(shù)和人工智能(AI)的發(fā)展，讓預(yù)測(cè)設(shè)備故障變得更加容易。
預(yù)測(cè)性維護(hù)
預(yù)測(cè)性維護(hù)也叫預(yù)測(cè)性維修（Predictive Maintenance, 簡(jiǎn)稱 PdM），是指通過(guò)對(duì)設(shè)備進(jìn)行數(shù)據(jù)收集和狀態(tài)監(jiān)測(cè)，在故障發(fā)生之前，就預(yù)測(cè)可能出現(xiàn)的故障隱患。并在故障損害發(fā)生之前，提出防范措施，更換相關(guān)零部件。在上世紀(jì)90年代早期，德國(guó)弗勞恩霍夫生產(chǎn)技術(shù)研究所就已經(jīng)開(kāi)始研究預(yù)測(cè)性維修。研究所生產(chǎn)機(jī)械與系統(tǒng)管理部副部長(zhǎng)Claudio Geisert介紹說(shuō)，預(yù)測(cè)性維修的研究一直在不斷突破技術(shù)限制。
如今，受益于消費(fèi)級(jí)電子元器件的迅速發(fā)展，更小、更便宜的物聯(lián)網(wǎng)傳感器變得唾手可得。同時(shí)，Python等現(xiàn)代編程語(yǔ)言中的機(jī)器學(xué)習(xí)算法庫(kù)使預(yù)測(cè)算法的開(kāi)發(fā)更方便快捷。
最明顯好處是：生產(chǎn)系統(tǒng)的可用性更高，讓我們能夠真正幫助預(yù)測(cè)預(yù)防意外停機(jī)。
當(dāng)設(shè)備制造商得到更多關(guān)于機(jī)器使用的信息，大量的數(shù)據(jù)和更深入的了解可以應(yīng)用于未來(lái)產(chǎn)品設(shè)計(jì)，并提供改進(jìn)功能和提高堅(jiān)固性等建議。
01、預(yù)測(cè)性維修，聚光燈下的焦點(diǎn)
蒂森克虜伯電梯數(shù)字業(yè)務(wù)主管Hyun Shin Cho介紹說(shuō)，目前使用該方案的電梯數(shù)量已占所有客戶工作電梯的10%。在將物聯(lián)網(wǎng)設(shè)備集成到新系統(tǒng)的同時(shí)，該公司還將舊有系統(tǒng)進(jìn)行改造更新，并開(kāi)發(fā)了基于云技術(shù)的自主機(jī)器學(xué)習(xí)系統(tǒng)來(lái)分析數(shù)據(jù)。然而，要將投資效果最大化，僅僅收集數(shù)據(jù)是不夠的。Cho介紹說(shuō)，企業(yè)應(yīng)該分析預(yù)測(cè)性維護(hù)方案，并將其集成到業(yè)務(wù)流程中：
預(yù)測(cè)性維修只是我們工作的一部分。該系統(tǒng)的另一個(gè)主要優(yōu)點(diǎn)是故障排除。當(dāng)使用該系統(tǒng)的電梯工作中斷時(shí)，我們能看到實(shí)時(shí)信號(hào)。我們可以事先分析技術(shù)人員在現(xiàn)場(chǎng)所能掌握的信息。過(guò)去，他們必須進(jìn)行（現(xiàn)場(chǎng)）故障維修。現(xiàn)在，我們的云技術(shù)確保工程師提前得到故障診斷信息。
02、人工智能給預(yù)測(cè)性維護(hù)帶來(lái)了什么？
盡管預(yù)測(cè)性維護(hù)的優(yōu)勢(shì)明顯，實(shí)際應(yīng)用面臨的挑戰(zhàn)依然嚴(yán)峻。預(yù)測(cè)性故障模型需要大量的性能和環(huán)境歷史數(shù)據(jù)，才能對(duì)設(shè)備精度進(jìn)行預(yù)測(cè)。分析現(xiàn)場(chǎng)數(shù)據(jù)以建立正常的性能基線，也需要大量時(shí)間。為了讓預(yù)測(cè)性維護(hù)工具發(fā)揮作用，不但要?dú)v時(shí)數(shù)月的分析工作，還需要對(duì)數(shù)據(jù)科學(xué)家進(jìn)行人力資源投資。為了應(yīng)對(duì)這些挑戰(zhàn)，DataRPM公司選擇了人工智能技術(shù)。
這家認(rèn)知技術(shù)公司的客戶涵蓋石油、天然氣、汽車和半導(dǎo)體行業(yè)。該公司采用Hadoop和Apache Spark等大數(shù)據(jù)工具建設(shè)平臺(tái)，通過(guò)機(jī)器學(xué)習(xí)來(lái)確定數(shù)據(jù)模型中最有效的數(shù)據(jù)步驟，提高了數(shù)據(jù)科學(xué)自動(dòng)化水平。這種元學(xué)習(xí)的方法與其他數(shù)據(jù)模型開(kāi)發(fā)方法相比，將預(yù)測(cè)質(zhì)量和準(zhǔn)確度提高了大約300%，并且僅占用3%的啟動(dòng)運(yùn)行時(shí)間和資源。DataRPM聯(lián)合創(chuàng)始人兼首席產(chǎn)品官Ruban Phukan解釋說(shuō)：
我們使用元學(xué)習(xí)將數(shù)據(jù)科學(xué)中的一些需要專業(yè)人士從既有經(jīng)驗(yàn)中學(xué)習(xí)的任務(wù)自動(dòng)化。然后，我們將這些知識(shí)傳遞給具有相似需求的領(lǐng)域。
自20世紀(jì)90年代以來(lái)，預(yù)測(cè)性維護(hù)已走過(guò)了漫長(zhǎng)的發(fā)展道路。隨著物聯(lián)網(wǎng)傳感器和人工智能變得越來(lái)越普遍，我們已經(jīng)可以預(yù)測(cè)：更多的企業(yè)將在未來(lái)倚重預(yù)測(cè)性維護(hù)。
