摘要

智能设备，大数据，预测性维护等词汇正在激励着许多自动化制造商。基于预测性维护来保证设备正常运行时间，未来会为新系统带来附加价值。同时，越来越多的公司意识到，基于数据的服务扩展将会为他们带来真正的业务优势，并且这种前瞻性的商业模式将会有利于长期保持客户忠诚度。工业分析采用的方法有助于实现这一目标。机器学习和人工智能技术可以让制造商更好地理解机器行为，从而总结出机器运行的结构和模式，并提供针对数据关系的新洞察。工业分析过程必须是一个组织良好的过程。在下面的文章里魏德米勒通过案例和模型，描述了项目团队通过执行数据捕捉，集成，准备，分析，实施以及最终评估经济效益的整个过程。

1. 简介

基于模型监测方法的优点

自动化系统面向数字化的技术发展带来了许多优势和机会，比如灵活小批量的生产，以及生产过程的优化。但除此之外，对于设备制造商而言，面临的挑战是如何提高设备可靠性和正常工作时间。另外一项挑战就是如何在实现更加高效维护的同时降低成本。

如今，基于规则的监测系统在机器设备中已经很好地建立，这主要是由于这种方法比较简单，各个信号的边界（如传感器值）由相应的工程师设定在系统中。例如，如果需要监测电机，就定义针对特定故障指标的限值（例如温度，电流消耗）。如果任何被监测的信号超出定义的边界就会生成报警。对于简单的应用，基于规则的方法非常适合。然而，对于现在的很多应用来说，许多信号的动态转换与故障检测具有相关性，则该任务对于基于规则的方法来说将会变得过于复杂。此外，这种方法无法检测基于规则的监测系统所定义的边界之间发生的信号行为的变化，如图 1 所示。

基于模型的方法可用于改善监测系统的性能。模型可以同时表示多个维度，因此可以很好地识别机器状态。开发适当的模型可能非常具有挑战性，需要具备高技能的专家。但是，通过使用工业分析方法（例如机器学习算法）和数据处理来提取机器模型，将可显著降低实施监测功能的复杂性【1】。因为可以检测到基于规则的方法无法识别的更复杂的故障，最终改善监测的质量。

2. 工业分析工作流程

从数据采集到可视化

工业分析功能通常由不同的任务组成，如图 2 所示。该图显示了工业分析应用的典型工作流程，其中来自设备不同方面的数据首先整合到单个数据源（数据存储）中。接下来的步骤就是对数据进行预处理，以便为学习过程进行准备（预处理）。在该步骤中将会从原始数据信号提取相关特征，其中涉及将统计方法与设备应用领域知识相结合，以便选择有意义的特征。

接下来的步骤就是选择，训练和调整机器学习算法，以便从选定特征中提取模型（模型学习）。在这期间，分析专业知识和设备应用领域知识相结合是开发高效模型的关键。开发完成后，模型可用于在运行中监测机器的工作状态（模型执行）。对于最终的应用，需要对结果进行适当的可视化（可视化）。可视化的设计应根据使用该信息的人员角色（如业主，设施或维护经理等）进行选择。在自动化系统中集成工业分析功能可以在不同区域完成，比如在机器端，或使用云平台。这些可能性将在下一节中探讨。

3. 实现工业分析的拓扑结构

从传感器到云

实现分析功能的基本操作（数据存储，预处理，模型学习，模型评分，以及可视化）可以在不同级别完成，例如使用传感器套件在组件（驱动器，桥箱，门）以及现场收集数据，例如使用远程 I/O 系统采集信号。由于数据源可能是采用不同的数据协议，因此需要将数据变换成统一格式，以便进行进一步的分析处理。根据客户应用条件和用户需求，数据可以存储在本地（比如通过主控制器或 I/O 网关控制器），或者使用适当的存储服务存储在云中，如图 3 所示。分析处理可在各种设备或平台上进行，或者在云平台上执行分析服务进行。虽然自动化系统主要用于过程控制，但如果有富余的运算资源的话，它们也可用于实施分析数据处理。

除了给定的硬件资源之外，根据执行的任务，处理和存储要求会有所不同。特别是，提取机器模型经常比执行模型需要显著更多的资源。有各种数据分析架构选项可用于储存和处理数据，选择那种架构需根据现有的控制系统架构，数据处理需求，数据类型，以及存储复杂性要求来综合考虑。灵活性对于数据分析功能在各种工业应用是非常重要的。以电梯应用为例，数据主要从控制器实时工作生成。采用的算法需要具有低延迟，并且数据量比较小，并且彼此高度相关。因此，使用边缘设备（例如物联网网关）实现工业分析功能可以带来许多优势，比如缩短反应时间和减少网络流量。

4. 分析项目的典型阶段

从目标定义到部署

分析项目需要一个组织良好的工作流程，它通常包括 5 个阶段，如图 4 所示。在流程开始阶段是问题分析和目标定义，例如哪些特别故障应当可以预测。在数据探索阶段将会验证生成数据的质量，以确定是否可以检测定义的故障，或者需要更高质量的数据。在概念验证阶段将在技术可实现性和经济性两方面进行验证（离线分析）。在试运行阶段，将会在试点应用中运行功能原型（在线分析）。在最后阶段，经过试点验证的分析解决方案将得到制定和部署。

4.1 离线分析

对机器数据实施数据分析通常从离线探索开始入手。从几台机器获取针对选定时间区间的样本数据，然后由数据专家进行离线分析。他们将会通过应用各种数据分析方法对数据进行探索，以便找出哪些方法可以提供最佳的可操作方法。市场上有很多提供数据分析服务的公司，但真正适用于工业设备分析工具很少。魏德米勒长期以来已经建立了广泛的数据科学和机器学习工具箱，可在短时间内评估样本数据。

4.2 用于预测性维护的在线分析

为了进行预测性维护，需要连续监测机器数据。从获得的数据中评估机器状态，检测异常事件和故障指标，并用来确定所需的维护。然后向业主，设备或维护经理提供维护建议。根据导致机器故障的各种因素，一方面可能需要近乎实时地（亚秒级延迟）处理数据，另一方面可能需要每天或每周进行测试。在线分析系统应足够灵活，以便处理各种时间要求。

目前我们考虑三种不同类别的分析，以用于生成用于机器监测和预测性维护系统的信息：直接计算，机器健康状态和运行状态识别，以及异常检测。

直接计算将从机器获取的传感器数据作为输入并进行分析计算，比如说检测机器部件的磨损。

机器状态识别算法将会使用机器传感器数据或过程数据作为输入来识别机器在给定时间点的机器状态。我们使用机器学习技术，根据在此前指定训练阶段学习的模型对机器健康状态和机器运行状态进行分类【2】。进行进一步处理和推理后，所获得的机器健康状态和机器运行状态对于预测性维护将很有用。

异常检测【3】是另外一种非常有用的技术，用于发现故障迹象和评估维护需求。在正常运行时，传感器信号通常位于特定数值范围内，或表现出特定的正常模式。很明显，我们对于捕捉偏离正常行为的偏差感兴趣。检测到的单个异常可能已经表明存在故障，并用于触发行动。但通常的情况是，一次异常实际上还不够充分，只有随时间不断增加的异常数量才会提供充分的指示，以表明机器没有最佳运行，或者发展出需要由人员加以解决的情况。此外，还有许多原因可以解释为何在机器传感器数据中检测到异常，并且其中许多与任何问题都不相关，而是由其他影响因素所导致。例如，操作员交互或者参数设置的变化均可能对传感器测量产生影响。预测性维护解决方案的一个重要特征就是理解测量背景，并评估哪些异常与预测维护需求相关。

5. 结论

在本文中，我们概述了工业分析功能的工作流程和拓扑结构，并描述了典型分析项目的五个阶段，讨论了如何通过离线和在线方法实现预测性维护，并展示了将数据科学与应用领域专业技术知识相结合的主要优势。

工业分析将机器设备产生的机器数据与运维数据相结合，以产生有有效的结果。这些数据可以变成可操作的结果，比如预测性维护，用于在故障发生前预测性地识别，分析和解决可能产生的服务问题。这最终将会减少或消除停机时间，最终提高设备的使用效率，降低设备的使用成本。

魏德米勒可以与您合作，共同实现工业分析解决方案，涵盖从概念到可扩展的智能服务，以及开发创新数据驱动业务模型的各个步骤。我们提供定制的分析解决方案，最大程度满足客户需求。我们的解决方案不受平台限制，无论您采用哪种云平台，都可实现内部部署，云部署或混合部署。我们的分析解决方案不受供应商限制，无论您采用怎样的自动化系统或控制系统，均可使用。

新闻来源：魏德米勒官网