无需机器学习技能即可实施预测性维护

如今，工程师越来越多地认为，预测性维护现在几乎是人工智能 (AI) 技术的一个专属领域，他们首先需要学习机器学习 (ML) 和神经网络技能集来实施此类应用程序。 MathWorks 高级产品营销经理 Aditya Baru 表示，工程师仍然可以部署预测性维护，而无需学习新的人工智能和机器学习技能。

在最近与 EDN 的谈话中 , Baru 概述了实施预测性维护的四个基本步骤，并补充说每个步骤都有专门的工具。

图 1. 基本的预测性维护工作流程包括四个基本步骤。资料来源：MathWorks

1. 数据处理

对于不是数据科学家或没有 ML 背景的工程师来说，查看传感器和工业设备（如风力涡轮机、发电机、泵和电机）生成的大量数据并不容易。工程师处理的数据主要是原始数据；又脏又脏。

勘探作业中的喷气发动机或油泵每天可以轻松创建 TB 级的数据；现在想象一下在 TB 数据中寻找故障条件。那么，工程师能做什么呢？ “工程师可以查看大量数据，确定原始数据中是否有任何变化，识别任何系统退化，并确定系统行为异常的原因，”Baru 说。

例如，在石油勘探泵中，工程师可以查看原始数据的一件事是对持续旋转的泵进行光谱分析。因此，他们可以识别故障出现的频率。 “虽然工程师已经了解机器，但他们现在要做的是确定什么最有效。”

图 2. 工程师可以通过跟踪电机摩擦的变化来检测泵中的泄漏和堵塞。资料来源：MathWork

这就把我们带到了第二个基本步骤，条件指标，一种数据缩减方法。

2. 状况指标

如果工程师有 100 个时间序列数据样本，他应该设法将其减少到一个数字，并且这个数字必须捕获这 100 个样本中的所有相关信息。 “我们的想法是，您可以使用一个庞大的数据集，并将其减少为较少数量的特征。”

Baru 提到了最近的一个项目，其中 MathWorks 与戴姆勒梅赛德斯合作开发了一个异常检测应用程序，该应用程序分析大量时间序列数据并确定生产线是否存在异常。在这里，MathWorks 工具将大量数据缩减为更小的特征集（例如模式和时间延迟），从而将数据处理减少 250 倍。

图 3. 工程师可以从原始传感器数据中提取特征，并使用基于时间和频率的技术创建条件指标。资料来源：MathWork

现在工程师正在关注较少数量的状况指标，他们可以基于这些状况指标构建预测模型。

3. 预测模型

使用代表整个大型数据集并捕获独特信息的小得多的数据集，工程师可以使用合适的工具来创建预测学习模型，而无需学习 AI 和 ML 技能集。

各种模型（例如时间序列模型、统计模型和基于概率的模型）同样适用于构建预测模型。 “有很多传统的工程技术可用于构建预测模型，”Baru 说。

图 4. Predictive Maintenance Toolbox 使工程师能够估计剩余使用寿命 (RUL) 并提供与预测相关的置信区间。资料来源：MathWorks

工程师还可以将工具重新用于稍微不同的应用程序。 Baru 提到了 Safran，这是一家使用信号调节技术来预测系统何时可能出现故障的航空航天公司。工作在MATLAB中完成，MATLAB是一个用于算法开发、数据分析、可视化和数值计算的编程环境。

4. 算法部署

第四步可能是最重要的：在生产环境中部署预测模型的算法。工程师可以通过多种方式部署算法。这包括本地嵌入机器的预测模型、本地作为内部部署服务器运行的小型计算机，或在连接可行时流式传输到云服务的数据。

在此四步工作流程中实施的预测性维护允许工程师部署维护服务，以保证机器在 90% 的时间内保持运行。并且可以使用工具来有效地管理所有这四个基本步骤。

>> 本文最初发表于我们的姊妹网站 EDN。