工廠和設備中部署了大量的傳感器用于記錄數據。如果分析得當,這些數據會在改進制造工藝及確保生產質量等方面產生巨大的價值。為此,魏德米勒工業分析部門與客戶密切合作,開發所需的數據分析模型。
我們從工廠和設備中提取各類數據集合,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。之前的項目經驗表明,大多數工廠和設備已經記錄了全部重要數據,不必新增傳感器。真正的挑戰來自于找出數據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分析部門擅長的。
魏德米勒工業分析:集數據科學與專業知識于一體
異常檢測和分類
異常分類的工作,是將已識別的數據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、降低成本并優化產能。
“特征”工程識別復雜模式
“特征”工程是開發可靠人工智能模型的重要技術,該方法從測量數據中找出復雜的統計相關性。例如,為了找出這樣的統計相關,可以用相關系數表示在一段時間內兩個或多個“特征”的關聯變化。數據科學家會根據設備的歷史數據來開發新的“特征”。與僅使用原始數據相比,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“工業分析”的綜合方法,在“企業對企業商務卓越獎”競賽類別中贏得了2018年德國創新獎。工業分析業務部門研發負責人Markus Koster博士和工業分析業務部門負責人Tobias Gaukstern在柏林接受了該獎項。
圖左Markus Koster博士,圖右Tobias Gaukstern
各領域知識的集合
數據集合必須根據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。無論是數據科學家的專業知識,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據異常是否代表了機器故障,在應用專家的幫助下,數據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據模型向用戶提供適合的定制化軟件,幫助用戶持續監測設備運行情況、做出預測,并將數據和分析結果可視化呈現。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。
對于設備歷史數據中未包括的異?;蚬收希斯ぶ悄苣P驮谶\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據、擴展軟件模塊來不斷完善工業分析模塊。當然,魏德米勒數據科學家會按用戶所需提供支持幫助。
數據和分析結果的可視化使我們更容易掌握機器的當前狀態。為此,我們可以查看并標記各個時間范圍應包含在未來數據評估中的信息。在此示例中,黃色區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域,辨明是否存在異常。通過這種方式,該模型能繼續學習并且可以更精確地對未來狀態進行分類。
“特征”工程助力成功
“特征”工程是工業分析解決方案成功的關鍵,魏德米勒將應用知識與數據科學相結合。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領域知識,即可顯著提高設備性能。
關于魏德米勒
作為有著多年豐富經驗的工業聯接專家,魏德米勒在電源,信號以及數據處理的工業環境中為全球的客戶和合作伙伴提供產品,解決方案和服務。魏德米勒扎根于這些行業和市場,對未來的技術挑戰胸有成竹。
魏德米勒堅持發展之路, 為滿足客戶的不同需求,提供創新、可持續發展和高效的解決方案。因此我們共同在工業聯接領域設立了標準。
目前,魏德米勒集團公司在全球80多個國家設有生產制造工廠、銷售公司及聯絡處。
本頁面信息涉及廣告內容