工廠和設備中部署了大量的傳感器用于記錄數(shù)據(jù)。如果分析得當，這些數(shù)據(jù)會在改進制造工藝及確保生產(chǎn)質量等方面產(chǎn)生巨大的價值。為此，魏德米勒工業(yè)分析部門與客戶密切合作，開發(fā)所需的數(shù)據(jù)分析模型。

我們從工廠和設備中提取各類數(shù)據(jù)集合，比如溫度、壓力、能耗和振動，稱之為“特征”，并使用人工智能(AI)對其評估。之前的項目經(jīng)驗表明，大多數(shù)工廠和設備已經(jīng)記錄了全部重要數(shù)據(jù)，不必新增傳感器。真正的挑戰(zhàn)來自于找出數(shù)據(jù)背后的隱藏信息和它們之間的相關關系，而這正是魏德米勒工業(yè)分析部門擅長的。

魏德米勒工業(yè)分析：集數(shù)據(jù)科學與專業(yè)知識于一體

異常檢測和分類

異常分類的工作，是將已識別的數(shù)據(jù)偏差按重要程度進行分類，重要異常往往是導致設備故障的原因。有了這些信息的輔助，設備操作者可以更快地處理問題，甚至可以識別潛在故障。這樣的快速診斷方式可以減少停機時間、降低成本并優(yōu)化產(chǎn)能。

“特征”工程識別復雜模式

“特征”工程是開發(fā)可靠人工智能模型的重要技術，該方法從測量數(shù)據(jù)中找出復雜的統(tǒng)計相關性。例如，為了找出這樣的統(tǒng)計相關，可以用相關系數(shù)表示在一段時間內兩個或多個“特征”的關聯(lián)變化。數(shù)據(jù)科學家會根據(jù)設備的歷史數(shù)據(jù)來開發(fā)新的“特征”。與僅使用原始數(shù)據(jù)相比，這樣做可以更可靠地識別異常情形。例如，通過振動測量或頻率轉換獲得的高頻信號，可以基于數(shù)學模型分解到相應的不同頻段上。人工智能模型從設備的正常行為中學習信號的頻段特性，相比于僅使用未分解的原始信號，可更好地預測故障可能性。

魏德米勒憑借“工業(yè)分析”的綜合方法，在“企業(yè)對企業(yè)商務卓越獎”競賽類別中贏得了2018年德國創(chuàng)新獎。工業(yè)分析業(yè)務部門研發(fā)負責人MarkusK?ster博士和工業(yè)分析業(yè)務部門負責人TobiasGaukstern在柏林接受了該獎項。

圖左MarkusK?ster博士，圖右TobiasGaukstern

各領域知識的集合

數(shù)據(jù)集合必須根據(jù)具體的機器或工藝加以解釋和評估，因此“特征”工程需要全面的應用知識。無論是數(shù)據(jù)科學家的專業(yè)知識，還是機械工程師或機器操作人員的應用知識，對于找出實際解決方案至關重要。只有應用專家才能評估一個數(shù)據(jù)異常是否代表了機器故障，在應用專家的幫助下，數(shù)據(jù)科學家才能建立準確識別正常運行和異常的算法。

目前，人工智能模型已經(jīng)應用于許多領域，例如包裝機、填充技術、材料處理以及機器人技術。魏德米勒基于這些數(shù)據(jù)模型向用戶提供適合的定制化軟件，幫助用戶持續(xù)監(jiān)測設備運行情況、做出預測，并將數(shù)據(jù)和分析結果可視化呈現(xiàn)。UI專家設計定制的用戶界面，以便每個用戶都能獲得與其應用領域相匹配的解決方案。

對于設備歷史數(shù)據(jù)中未包括的異?；蚬收?，人工智能模型在運行之初是無法描述和預測的。因此，用戶可以通過更新學習數(shù)據(jù)、擴展軟件模塊來不斷完善工業(yè)分析模塊。當然，魏德米勒數(shù)據(jù)科學家會按用戶所需提供支持幫助。

數(shù)據(jù)和分析結果的可視化使我們更容易掌握機器的當前狀態(tài)。為此，我們可以查看并標記各個時間范圍應包含在未來數(shù)據(jù)評估中的信息。在此示例中，黃色區(qū)域顯示的是通過算法標注出來的潛在異常。用戶還可以查看這些區(qū)域，辨明是否存在異常。通過這種方式，該模型能繼續(xù)學習并且可以更精確地對未來狀態(tài)進行分類。

“特征”工程助力成功

“特征”工程是工業(yè)分析解決方案成功的關鍵，魏德米勒將應用知識與數(shù)據(jù)科學相結合。由于人工智能模型的獨立性，機械工程師和設備操作者無須泄露其專業(yè)領域知識，即可顯著提高設備性能。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯(lián)系我們刪除（QQ:2737591964），不便之處，敬請諒解！