工廠和設(shè)備中部署了大量的傳感器用于記錄數(shù)據(jù)。如果分析得當(dāng)，這些數(shù)據(jù)會(huì)在改進(jìn)制造工藝及確保生產(chǎn)質(zhì)量等方面產(chǎn)生巨大的價(jià)值。為此，魏德米勒工業(yè)分析部門與客戶密切合作，開(kāi)發(fā)所需的數(shù)據(jù)分析模型。

 

　　我們從工廠和設(shè)備中提取各類數(shù)據(jù)集合，比如溫度、壓力、能耗和振動(dòng)，稱之為“特征”，并使用人工智能（AI）對(duì)其評(píng)估。之前的項(xiàng)目經(jīng)驗(yàn)表明，大多數(shù)工廠和設(shè)備已經(jīng)記錄了全部重要數(shù)據(jù)，不必新增傳感器。真正的挑戰(zhàn)來(lái)自于找出數(shù)據(jù)背后的隱藏信息和它們之間的相關(guān)關(guān)系，而這正是魏德米勒工業(yè)分析部門擅長(zhǎng)的。

 

 

 

　　異常分類的工作，是將已識(shí)別的數(shù)據(jù)偏差按重要程度進(jìn)行分類，重要異常往往是導(dǎo)致設(shè)備故障的原因。有了這些信息的輔助，設(shè)備操作者可以更快地處理問(wèn)題，甚至可以識(shí)別潛在故障。這樣的快速診斷方式可以減少停機(jī)時(shí)間、降低成本并優(yōu)化產(chǎn)能。

 

 

　　“特征”工程是開(kāi)發(fā)可靠人工智能模型的重要技術(shù)，該方法從測(cè)量數(shù)據(jù)中找出復(fù)雜的統(tǒng)計(jì)相關(guān)性。例如，為了找出這樣的統(tǒng)計(jì)相關(guān)，可以用相關(guān)系數(shù)表示在一段時(shí)間內(nèi)兩個(gè)或多個(gè)“特征”的關(guān)聯(lián)變化。數(shù)據(jù)科學(xué)家會(huì)根據(jù)設(shè)備的歷史數(shù)據(jù)來(lái)開(kāi)發(fā)新的“特征”。與僅使用原始數(shù)據(jù)相比，這樣做可以更可靠地識(shí)別異常情形。例如，通過(guò)振動(dòng)測(cè)量或頻率轉(zhuǎn)換獲得的高頻信號(hào)，可以基于數(shù)學(xué)模型分解到相應(yīng)的不同頻段上。人工智能模型從設(shè)備的正常行為中學(xué)習(xí)信號(hào)的頻段特性，相比于僅使用未分解的原始信號(hào)，可更好地預(yù)測(cè)故障可能性。

 

　　魏德米勒憑借“工業(yè)分析”的綜合方法，在“企業(yè)對(duì)企業(yè)商務(wù)卓越獎(jiǎng)”競(jìng)賽類別中贏得了2018年德國(guó)創(chuàng)新獎(jiǎng)。工業(yè)分析業(yè)務(wù)部門研發(fā)負(fù)責(zé)人MarkusKöster博士和工業(yè)分析業(yè)務(wù)部門負(fù)責(zé)人TobiasGaukstern在柏林接受了該獎(jiǎng)項(xiàng)。

 

　　圖左MarkusKöster博士，圖右TobiasGaukstern

 

 

　　數(shù)據(jù)集合必須根據(jù)具體的機(jī)器或工藝加以解釋和評(píng)估，因此“特征”工程需要全面的應(yīng)用知識(shí)。無(wú)論是數(shù)據(jù)科學(xué)家的專業(yè)知識(shí)，還是機(jī)械工程師或機(jī)器操作人員的應(yīng)用知識(shí)，對(duì)于找出實(shí)際解決方案至關(guān)重要。只有應(yīng)用專家才能評(píng)估一個(gè)數(shù)據(jù)異常是否代表了機(jī)器故障，在應(yīng)用專家的幫助下，數(shù)據(jù)科學(xué)家才能建立準(zhǔn)確識(shí)別正常運(yùn)行和異常的算法。

 

　　目前，人工智能模型已經(jīng)應(yīng)用于許多領(lǐng)域，例如包裝機(jī)、填充技術(shù)、材料處理以及機(jī)器人技術(shù)。魏德米勒基于這些數(shù)據(jù)模型向用戶提供適合的定制化軟件，幫助用戶持續(xù)監(jiān)測(cè)設(shè)備運(yùn)行情況、做出預(yù)測(cè)，并將數(shù)據(jù)和分析結(jié)果可視化呈現(xiàn)。UI專家設(shè)計(jì)定制的用戶界面，以便每個(gè)用戶都能獲得與其應(yīng)用領(lǐng)域相匹配的解決方案。

 

　　對(duì)于設(shè)備歷史數(shù)據(jù)中未包括的異常或故障，人工智能模型在運(yùn)行之初是無(wú)法描述和預(yù)測(cè)的。因此，用戶可以通過(guò)更新學(xué)習(xí)數(shù)據(jù)、擴(kuò)展軟件模塊來(lái)不斷完善工業(yè)分析模塊。當(dāng)然，魏德米勒數(shù)據(jù)科學(xué)家會(huì)按用戶所需提供支持幫助。

 

　　數(shù)據(jù)和分析結(jié)果的可視化使我們更容易掌握機(jī)器的當(dāng)前狀態(tài)。為此，我們可以查看并標(biāo)記各個(gè)時(shí)間范圍應(yīng)包含在未來(lái)數(shù)據(jù)評(píng)估中的信息。在此示例中，黃色區(qū)域顯示的是通過(guò)算法標(biāo)注出來(lái)的潛在異常。用戶還可以查看這些區(qū)域，辨明是否存在異常。通過(guò)這種方式，該模型能繼續(xù)學(xué)習(xí)并且可以更精確地對(duì)未來(lái)狀態(tài)進(jìn)行分類。

 

　　“特征”工程助力成功
 

 

　　“特征”工程是工業(yè)分析解決方案成功的關(guān)鍵，魏德米勒將應(yīng)用知識(shí)與數(shù)據(jù)科學(xué)相結(jié)合。由于人工智能模型的獨(dú)立性，機(jī)械工程師和設(shè)備操作者無(wú)須泄露其專業(yè)領(lǐng)域知識(shí)，即可顯著提高設(shè)備性能。