1. 摘要

当今设备和工厂的优化程度，已经能够保证相对较少的停机时间和高质量的产出。随之而来的是新市场需求，如定制化生产、或者越来越短的产品生命周期，制造型企业若想保持在国际竞争中的地位，必须进一步自我优化。数字化技术催生了数据驱动型服务，帮助设备制造商和制造型企业提升生产水平，为他们创造了从竞争中脱颖而出的机会。

人工智能（AI）和数据分析方法为解决问题和产品开发开辟了一条新途径，同时也构成了以服务为导向的商业模式基础。预测性维护，就是一种有效的解决方案，通过可靠地机器行为预测创造可观的商业价值。

2. 通过工业数据分析预测故障

我们在工厂和设备中部署各类传感器用于测量记录，比如温度、压力、能耗和振动。只要企业能够评估所有相关信息，这些数据可以使个别工艺段乃及整个过程更加清晰。AI 主动学习模块可以根据以往的数据记录自动生成参考模型用于实时操作。只要方法得当，就有可能检测出与机器正常行为不一致的细微偏差，往往这些细微偏差预示着未来故障的产生。经过训练后的数据分析模型，可以按不同设备的复杂程度，完成精度 95%的质量预测或 24 小时交货期预测。本文后续部分将详细解释通过工业数据分析实现预测性维护的各个步骤，及其经济价值。

2.1. 项目流程

预测性维护分析项目需要一个组织良好的项目流程，从数据采集到分析模块再到可视化。 图 1 解释了流程各个步骤之间的相互作用。

图 1：从数据采集到可视化的项目流程

首先需要确定实施范围，可以在本地或云端完成不同流程，当然也可以采用混合解决方案。

AI 模型所需的数据应在设备端直接获取，因为现有基础设施大多已经可以记录和传输所需数据。如有必要，可补充额外的测量点和接口。考虑到计算能力优化和数据量，数据选取和处理应尽可能在本地完成。

基于记录数据的主动学习模型可以部署到设备端或云端，模型应用和可视化也适用同样的原则。关于预测性维护学习模型部的部署点，取决于现有基础设施、数据集合、安全要求以及成本。通常而言，用户倾向于混合解决方案，以便于在本地和云端灵活的部署应用。

典型的分析项目通过有序的工作流程展开，实践中我们分为五个阶段（见图 2）。项目开始阶段，以分析问题和定义目标为重点。此时，开发者和用户要去定义预测的故障类型。在接下来的数据探索阶段，主要考察现有数据的质量，判断其是否可以作为故障预测的支撑。概念论证（PoC）阶段，开发者会设计一个自动监测失效的统计模型，通过对已有数据的离线分析，在技术和经济两方面论证项目的可行性。项目试运行阶段，会尝试在 IoT 平台上部署相应的功能模块进行实时监测，并搜集新的发现和有价值的数据，这些最终都会在应用部署阶段使数据模型更加完善，之后该方案可应用于同类型的其他设备。

图 2：工业分析项目的典型阶段

设置在各阶段间的审核点可以保证最终实施方案与目标保持一致，是保证项目成功的重要一环。通常，这样的工业分析项目从开始启动到完成概念论证需要花两到三个月时间。之后数据科学家需要花一定的精力与用户密切交流，去更深入的理解目标设备。

成本效益的经济性分析也是项目的一部分。可靠的分析过程本身并不直接意味着经济价值，设备制造商可以借助预测性维护的方案，尝试服务领域内的新商业模式并因此而获益。

3. 逐步实现预测性维护

为了预测设备的行为和最终产品的质量，需要通过几个步骤实施预测性维护。

3.1. 可视化

首先，相关数据需要被导入、评估和显示，检查样本的可读性和数据质量。有必要的话会检查调整记录频率。将检查后的样本数据按时间序列完成转换，并显示到信息面板上（如图 3）。图形化方式展示，有助于在项目初期更快的找到数据间的相关关系。

图 3：设备数据可视化

3.2. 模式学习和异常检测

实际运行时，工业分析解决方案将设备的实时数据与主动学习的参考模型作对比。借助 AI 模块可以识别运行过程中有别于所学正常行为的微小偏差（如图 4）。由于同时兼顾到所有传感器数据，原先基于规则的系统不能确定的潜在失效或故障也能被识别出来，因此可以在较早期识别设备未来的问题。

图 4：异常指数（蓝）、监测阈值（紫）和被监测异常（垂直线）以及故障原因（通过垂直线颜色标识）

对异常评估时，我们将其与正常值的偏移程度定义为异常指数。通过设定阈值判断偏移的大小，当偏差严重时，系统会发出警示。连续出现的较小偏差累计到一定程度时，同样也会触发系统发出警示消息。这样的话，设备操作者和技术服务人员就可以在较早期发现设备故障，并采取干预措施为保证生产过程正常运行创造条件。

3.3. 异常分类

数据科学家与设备专家合作，将监测到的故障与已有的异常样本建立映射关系，并按重要程度分类。实际应用时，重要异常往往是导致设备故障的原因（如图 4）。此时，设备操作者可以很快的识别故障，借助这些辅助信息的快速诊断方式可以减少停机时间、降低成本并优化产能。进一步的，用户可以自行调整和补充分类信息，以帮助系统提高预测精度。

3.4. 预测性维护

我们根据时间或产量定期的进行设备维护，这样做会产生一些不必要的维护费用或设备故障。维护费用对工厂来说很重要，但又很难计算其与总运营费用之间的关系。在预测性维护解决方案的帮助下，我们能更好的了解未来故障产生的可能性，基于需求安排维护计划，减少维护费用（如图 5）。

图 5：预测性维护减少维护费用

预测性维护软件包是魏德米勒工业数据分析解决方案的一部分。按不同的需求和基础设施，预测的故障信息可以直接显示在目标设备上、设备制造商的服务中心或者操作控制室内。故障的警示信息，会随着故障原因及分类信息变化。由于通知及时，设备修理和维护的过程更有的放矢。

3.5. 可预测的质量

对传感器数据、周围条件和过程数据的持续监测，确保制造过程中每一站的产品良率，由此可以进一步提高生产质量。为此，我们可以基于历史数据开发出更详细的数据模型，这些数据模型也可以用于识别新的故障。在软件的帮助下，制造过程中就可以发现质量问题，如果制造参数调整及时，最终成品的良率可以得到保证。由于这样的过程需要干预目标设备，因此数据科学家与设备专家必须紧密合作。

4. 结论

现有的设备数据能为设备制造商和制造型企业创造极高的商业价值，而这价值创造的关键在于如何分析和使用数据，魏德米勒的工业数据分析解决方案为您提供了这样的范例。目前对用户而言，没有任何一个方案是普适的，每个项目都必须有针对性的与用户紧密协作共同完成开发。若要此类分析项目成功实施，以下关键是不可或缺的：

a 项目开始阶段需要基于成本收益分析完成应用领域的选择；

b 基于需求开发的解决方案必须结合分析专家和应用专家的专业知识；

c 必须分析和定义获取数据的基础设施及平台，必要情况下还须补充；

d 根据用户需求调整软件和用户界面；

e 分析专家、设备制造商和操作者须密切合作，共同参与项目计划和实施；

f 用户和开发者之间必须建立长期的伙伴关系；

预测性维护，作为一种工业数据分析的解决方案案例，为企业创造了新的商业模式，优化服务内容，并带来新的利润增长点。

新闻来源：魏德米勒官网