如何设计基于AI的异常检测解决方案

汽车制造部门一直致力于在提高产品质量和最小化运营费用之间实现平衡。基于 AI 的异常检测是一种识别机器数据中的不规则模式以在潜在问题发生前预测这些问题的方法，它是对提高流程效率、减少停机时间和提高产品质量感兴趣的所有汽车制造商都应考虑的新兴策略。

许多工程师和技术人员仅依赖手动数据检查或当传感器值超出定义的阈值时自动发出的警报。工程师无法同时对数千个传感器进行分析，这就不可避免地会遗漏表现为复杂模式的异常情况。利用基于 AI 的异常检测，工程师能够预测潜在故障并优化维护间隔，从而提高可靠性、降低运营成本并延长机器的使用寿命。创建一个稳健而准确的异常检测系统需要经过深思熟虑的设计工作流，包括数据采集、算法开发以及彻底的验证和测试。

设计基于 AI 的异常检测解决方案

设计基于 AI 的异常检测解决方案是一个综合过程，涵盖规划、数据采集一直到部署和集成。刚接触 AI 的汽车工程师必须了解算法开发和运营环境，才能开发出有效识别潜在问题的解决方案。

01规划和数据采集

要设计基于 AI 的异常检测系统，应首先定义问题和评估可用的传感器数据、组件、过程和可能的异常。工程师必须首先确定异常的构成以及将数据归类为异常的条件。

在汽车制造中采集数据需要使用传感器进行连续监控并执行手动准确度检查。在线测量系统在车辆生产过程中收集大量数据，通常与车辆 VIN 关联。工程师应使用这些运营数据来训练异常检测系统，以便进行预测性维护和质量控制。然而，处理大量数据可能成本高昂且耗时，并且异常数据可能难以采集。

工程师还可以考虑从机器及其运行环境的详细仿真中生成合成数据。凭借对系统物理特性的深刻理解，工程师可以从仿真中生成异常数据，而这些数据很难或根本无法从真实硬件中获得。当真实的运营或测试数据稀缺、难以获得或受到隐私问题的影响时，合成数据尤其有用。然而，鉴于必须确保仿真能够表示运营系统并准确地对异常情况建模，工程专业知识对此过程至关重要。

设计异常检测算法

设计异常检测算法的第一步是组织和预处理数据，使其适用于分析。这包括重新格式化和重构数据，提取问题的相关部分，处理缺失值，以及去除离群值。

接下来，工程师必须选择异常检测方法，这需要评估数据的特征、异常的性质以及可用的计算资源。

最好对 AI 模型尝试不同训练方法以找到最适合特定数据集的方法，这非常重要。从较高的层面讲，AI 方法可以根据可用数据的类型分为有监督和无监督学习方法。

有监督学习

当历史数据块可以清楚地标注为正常或异常时(例如在测功机测试中)，使用有监督学习进行异常检测。标注通常由可根据维护日志或历史观测值调整数据的工程师手动完成。通过基于此标注数据集进行训练，有监督学习模型能够学习数据中的模式及其对应标签之间的关系。

日本汽车制造商大发公司以前使用熟练工人来评估发动机爆震声，但后来使用 AI 实现了这一过程的自动化。通过利用 MATLAB 中的机器学习和特征提取功能，该公司开发了分类模型，支持快速自动检查音频信号。这种方法使大发公司创建了 AI 系统，能够像熟练工人一样准确地识别异常的发动机爆震声。

无监督学习

许多组织可能不具备有监督学习方法所需的已标注异常数据。这可能是因为异常数据并未存档，或异常发生的次数不够形成大规模训练数据集。当大部分训练数据为正常数据时，就需要无监督学习。

在无监督学习方法中，对模型进行训练以理解正常数据的特征，任何超出定义的正常范围的新数据都标记为异常。无监督模型可以分析传感器数据以识别可能指示问题的异常模式，即使该类型的故障以前没有遇到过或标注过也是如此。

特征工程

尽管一些 AI 模型是基于原始传感器数据训练的，但更高效的做法通常是从数据中提取有用的特征，然后训练模型。特征工程是从原始数据中提取有意义的数量的过程，这有助于 AI 模型更高效地从底层模式中学习。有经验的工程师可能已知道要从传感器数据中提取的关键特征。

02验证和测试

验证和测试 AI 模型可确保其可靠性和稳健性。通常，工程师将数据分为三部分：训练集、验证集和测试集。训练数据和验证数据用于在训练阶段调节模型参数，测试数据用于在模型训练后确定其对未知数据的性能。工程师还可以使用性能度量(如准确率和召回率)评估模型，并对其执行微调以满足特定异常检测问题的需求。

03部署和集成

经过训练和测试的 AI 模型在部署到运营中并开始对新数据进行预测时会体现其价值。在选择适当的部署环境时，工程师会考虑计算需求、延迟和可扩展性等因素。其中包括接近要进行实时异常检测的制造过程的边缘设备和具有几乎无限计算能力但延迟更高的云平台。

集成需要开发用于访问模型预测的 API，并建立数据管道以确保模型接收经过正确格式化和预处理的输入。这可以确保模型与应用或系统的组件一起工作，并充分体现其价值。

结束语

随着汽车行业的发展，基于 AI 的异常检测正在推动更高效的制造运营。工程师可以使用 AI 模型处理边缘设备上的传感器数据，从数据中提取模式，从而简化问题识别以避免出现重大故障。这种方法可以减少缺陷，延长机器寿命，降低运营成本。

关于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 产品经理。她之前是一名应用工程师，为客户提供关于使用 MATLAB 的预测性维护项目的支持。在加入 MathWorks 之前，Rachel 是美国海军的空气动力学和推进仿真工程师。Rachel 持有马里兰大学航空航天工程硕士学位、塔夫茨大学数学教育硕士学位和普林斯顿大学航空航天工程学士学位。