基于人工智能的异常检测提高了工业机械的性能

　　除了冗长而昂贵的运筹学研究之外，工厂生产还可以通过对整个系统的全面分析和监控来实现其最佳目标。此外，当机器以最高效率工作而没有错误间隔或异常时，生产工作流程是高效的。

　　传统的机器寿命评估方法通常侧重于诊断，缺乏预测故障或威胁的能力。因此，人工智能的集成通过引入机器级预测分析的概念提供了解决方案。

　　通常，系统会由于组件的劣化或任何干扰整个过程的外力而失效。因此，可以解释为系统崩溃必须存在一些正常行为异常。大多数情况下，这些异常是逐渐发生的，而不是突然发生的，这使得在异常对系统产生重大影响之前检测和预测异常成为可能。

　　用于传感器数据采集的研华边缘节点

　　数据收集在执行探索性机器级分析方面发挥着重要作用，然后将数据集与 AI 模型拟合以进行异常检测。需要使用一系列传感器来测量机器的物理特征，以评估状态和性能。

　　Reality AI 和Advantech合作开发了一个边缘节点，用于评估用于检测异常和预测运行组件的预期寿命的机器。它被命名为基于研华 EPC-S201 无风扇嵌入式 PC 的 RealityCheck AD 边缘节点。Intel的 Celeron N3350 双核 SoC 构成了嵌入式 PC 的核心，它具有 8GB RAM 和 64G SSD，显示出广泛的处理和存储容量。

　　它配备了广泛的传感器选项，用于从机器收集数据：

　　来自不同制造商的加速度计

　　用于性能和热量评估的电流和温度传感器

　　用于机械音频传感的接触式麦克风

　　Edge 节点具有壁挂式和导轨式安装选项，部署灵活，符合行业中的大多数部署可能性。此外，该设备支持广泛的连接，包括支持 Wi-Fi、以太网和蜂窝通信。

　　使用 Reality AI 软件工具进行异常检测

　　在应用任何 AI 算法之前，需要对传感器数据进行清理和预处理。Reality AI 软件在经过彻底的预处理和清洗后，有效地从数据中提取特征。它使用具有广泛特征空间的算法搜索来导出基于时间和频率的自定义变换。该软件在异常检测、信号分类和预期寿命预测的情况下提供最佳结果。

　　Reality AI还具有根据用例调整 AI 模型权重的功能。它还可以创建机器学习模型和数据可视化，以提高对应用程序的准确性和理解。此外，它还提供深入的硬件分析，有助于解决方案设计。

　　RealityCheck AD 带有用于优化异常检测的基线正常策略。该方法评估特征空间中的参考区域，并将观察结果与基线正常区域（实际上是参考区域）进行比较。Reality AI 软件通过对紧凑压缩区域进行分类来预测基线法线的正确特征空间。所有已知的异常都远离基线的边缘，因此，远处的点成为异常，从而完成检测过程。

　　异常检测流程从在初始检测模型中创建基线区域开始。实时数据收集在数据集中不断更新，同时部署的检测模型预测系统中的异常。对这个预测进行调查和验证，以确定预测是否完全准确。在真实预测的情况下，特定数据点被标记为异常并在数据集中进行更新。同样，在错误预测的情况下，数据会被相应地标记和更新。

　　尽管 AI 模型是准确的，但由于噪声或过度拟合，可能存在一些可能未被检测到的异常情况。但它们中的大多数在设备监控和生产线末端测试方面都是可以检测到的。由于设备监控是机器级分析的基础，因此对故障的洞察可以为整体生产节省大量成本。此外，生产线末端测试确保质量和性能，从安全角度来看也很重要。RealityCheck AD 边缘节点可增强生产机器以满足最佳目标。

　　审核编辑：郭婷