在没有机器学习技能的情况下实施预测性维护

如今，工程师们越来越意识到，预测性维护现在几乎是人工智能 （AI） 技术的专有领域，他们首先需要学习机器学习 （ML） 和神经网络技能来实现此类应用程序。MathWorks 高级产品营销经理 Aditya Baru 表示，工程师仍然可以部署预测性维护，而无需学习新的 AI 和 ML 技能。

在最近与EDN的一次谈话中，Baru 概述了实施预测性维护的四个基本步骤，并补充说每个步骤都有专门的工具可用。

图 1. 基本的预测性维护工作流程包括四个基本步骤。

1.数据处理

对于不是数据科学家或没有机器学习背景的工程师来说，查看由传感器和工业设备（如风力涡轮机、发电机、泵和电机）生成的大量数据并不容易。工程师处理的数据主要是原始数据；它又脏又脏。

勘探作业中的喷气发动机或油泵每天可以轻松创建 1TB 的数据；现在想象一下在 TB 的数据中寻找故障条件。那么，工程师能做什么呢？“工程师可以查看大量传入的数据，找出原始数据中是否有任何变化，识别任何系统退化，并确定系统出现异常行为的原因，”Baru 说。

例如，在石油勘探泵中，工程师可以查看原始数据的一件事是对持续旋转的泵进行光谱分析。因此，他们可以识别故障出现的频率。“虽然工程师已经了解这台机器，但他们现在要做的是确定最有效的方法。”

图 2. 工程师可以通过跟踪电机摩擦的变化来检测泵中的泄漏和堵塞。

这将我们带到第二个基本步骤，条件指标，一种数据缩减方法。

2.状态指标

如果工程师有 100 个时间序列数据样本，他应该设法将其减少到一个数字，而这个数字必须捕获这 100 个样本中的所有相关信息。“我们的想法是你获取一个巨大的数据集并将其减少为更少的特征。”

Baru 提到了最近的一个项目，在该项目中，MathWorks 与戴姆勒梅赛德斯合作开发了一个异常检测应用程序，该应用程序分析大量时间序列数据并确定生产线是否存在异常情况。在这里，MathWorks 工具将大量数据减少为一组较小的特征（例如模式和时间延迟），从而将数据处理减少了 250 倍。

图 3. 工程师可以从原始传感器数据中提取特征，并使用基于时间和频率的技术创建条件指标。资料来源：数学工作

现在工程师正在研究较少数量的条件指标，他们可以根据这些条件指标构建预测模型。

3.预测模型

使用代表整个大型数据集并捕获独特信息的小得多的数据集，工程师可以使用合适的工具来创建预测学习模型，而无需学习 AI 和 ML 技能集。

各种模型（例如时间序列模型、统计模型和基于概率的模型）同样适用于构建预测模型。“有很多用于构建预测模型的传统工程技术，”Baru 说。

图 4. Predictive Maintenance Toolbox使工程师能够估计剩余使用寿命 （RUL） 并提供与预测相关的置信区间。资料来源：MathWorks

工程师还可以将工具重新用于稍微不同的应用程序。Baru 提到了 Safran，这是一家航空航天公司，它使用信号调理技术来预测系统何时可能出现故障。这项工作是在MATLAB中完成的，这是一个用于算法开发、数据分析、可视化和数值计算的编程环境。

4.算法部署

第四步可能是最重要的：在生产环境中为预测模型部署算法。工程师可以通过多种方式部署算法。这包括本地嵌入机器的预测模型、作为本地服务器在本地运行的小型计算机，或者在连接可行时将数据流式传输到云服务。

在这个四步工作流程中实施的预测性维护允许工程师部署维护服务，以保证机器在 90% 的时间内保持运行。并且可以使用工具来有效地管理所有这四个基本步骤。

审核编辑：郭婷