通过“测试机器的血液”实现零停机性能

在 2000 年代中期，位于肯塔基州乔治敦的丰田北美工厂的压缩空气系统平均每年崩溃一次以上。这让工厂里的一些人想知道，利用机器学习和人工智能是否可以通过提供异常检测、故障识别以及最重要的是在即将发生的故障发生之前进行预测来解决这个问题。

压缩空气系统的计划外停机当然意味着整个工厂都出现了问题。涂装车间使用压缩空气喷涂新车。该系统使气动工具栩栩如生，与用于吹走砂光和其他残留物的压缩空气相比，这无可比拟。

两班制每 25 秒就有一辆成品车从工厂的三条生产线中的一条上滚下来，如果压缩空气设施出现故障，后果会很严重。

“如果生产线出现故障，费用将是巨大的，”该工厂的项目经理兼电气主题专家 Mark Rucker 说。 “因此，拥有良好、可靠、稳定的效用是一个很好的动机。”

价值数百万美元的压缩空气系统由十几台 Ingersoll Rand 离心式空气压缩机组成，每台都有一辆小型半卡车那么大。每个压缩机的末级叶片以 20,000 rpm 的速度旋转，距其外壳不到一英寸。如果刀片的操作最不符合规格并接触到外壳，那么它就完蛋了。整台机器必须重建，成本约为 10 万美元。

不过，刀片的晃动并不是坠机的原因。结果就是这样。

崩溃——又名。喘振或逆流——当某些东西导致空气从压缩机正常流向管道时，试图自行逆转，管道中的空气被推回。

撞车的频率、成本和后果促使丰田致电智能维护系统的创始总监 Jay Lee 寻求帮助。

Jay Lee 领先于工业 4.0 曲线

在新千年伊始，在接到丰田电话之前，Lee 是辛辛那提大学的一名工程学教授，他设想工厂中的所有机器都联网并为智能维护提供数据。不过，在那个时候，让李的愿景成为现实所需的大部分技术还不存在。

“20 年前，很少有人相信这是可能的，”目前正在休假的李说，他是威斯康星州富士康科技集团的副董事长兼董事会成员。

在他的工业愿景中，机器就像病人，从监控机器的传感器收集的数据提供有关其健康状况的信息。专家通过解释他们收集和分析的数据得出预测。

“我说，‘为什么不测试机器的血液？’那么机器的血液是什么？”李说。 “数据。问题是，“你想获得什么数据？”这取决于你想分析什么。我们需要了解上下文和内容，进一步构建无形未知之间的关系模型。”

隐藏在数据中的是关于机器或过程的异常行为的含义。解锁该含义可以预测质量，确定机器或过程的稳定性并防止潜在的故障。 “这正是今天的工业 4.0，”Lee 说。

当然，“工业 4.0”一词直到 2013 年德国政府提出倡议时才普及。

自 2006 年以来没有崩溃

进入丰田后，Lee 和他的数据分析师团队与 Rucker 以及一群熟练的维修工人和工厂工程师一起解决压缩空气系统问题。

他们的问题的简单性掩盖了未来任务的复杂性。

“我们能在导致崩溃之前预测逆流问题吗？”拉克说。 “我们能及时看到一些事情的发展来做点什么吗？”

通过 2005 年数月的反复试验，该团队收集并分析了其中一台压缩机的高保真数据并寻找异常情况。有时团队会创建一个浪涌或接近浪涌的条件，以便他们可以迫使机器开始表现出异常行为并查看数据集中的情况。

最终，团队的工作得到了回报。其成员认为，初期喘振条件的最佳预测指标发生在第二阶段（压缩机从正常压力运行到每平方英寸 120 磅压力或 PSI 的四个阶段中）。

“这背后的物理原理是什么，为什么这是预测器？”拉克说。 “不知道，不在意。我们刚刚看到，这可靠地预测了未来的激增，并在几秒钟内发出警告。”

下一步是在每台压缩机上安装一个差分传感器，并为中央控制单元创建一个机器学习算法。测试证实，一旦第二阶段开始“摆动”，压缩机就会开始回退。

“每次我们测试它，它都能让我们摆脱麻烦，”他说。 “自 2006 年以来，我们没有发生过车祸。”

虽然压缩机喘振项目取得了成功，但另一个专注于预测压缩空气庞然大物轴承寿命的项目却失败了。 Rucker 说，该团队无法找到足够可靠的维护数据并将其与机器运行数据配对以得出任何有用的相关性。

“这可能是关于研发的正确组合，”他说。 “你尝试了一些东西，但你不知道它是否会起作用。如果你有一半的时间能拿回你的钱，那就是一场胜利。每隔一段时间，您就会发现能够为其他所有东西买单——比如浪涌控制。”

灵活性是关键

Lee 随后发表了一篇关于丰田项目的论文，并于 2013 年与 Intelligent Maintenance Systems 的员工 Patrick Brown 以及他的两名大学生 David Siegel 和 Edzel Lapira 共同创立了 Predictronics。棕色的。 Lapira 和 Siegel 组成了 Predictronics C 套件。

就像丰田的 Rucker 向 Lee 寻求 AI 帮助一样，公司也向 Predictronics 寻求帮助，以实现他们的零停机愿望。

“不同的客户通常处于不同的成熟度，”首席执行官拉皮拉说。 “我们有一些客户已经有了数据收集结构：他们有一个数据湖，但他们不知道如何处理这些数据。我们也有一些客户必须从头开始。”

拥有 50 或 60 年资产的客户必须从更早的阶段开始。

使用旧机器的客户越来越多地使用 Predictronics。 Lapira 和他的同事让他们购买加速度计和传感器等组件。

“这些是我们获取数据所需的不同模数转换器，”他说。

自 2013 年成立以来，Predictronics 已帮助 70 多家工厂提供 AI 解决方案，其中不乏财富 500 强企业。

Predictronics 与一家客户（一家半导体制造商）合作，建立了一种虚拟计量预测解决方案，该解决方案能够了解传感器和测量变量之间的关系。

由于半导体设备抛出了数百个测量信号，该项目具有挑战性。

但是有一些众所周知的统计方法可以缩小可能性的数量，Siegel 说。

“除了这些方法之外，在过去的几年里，更多的是机器学习社区开发的方法结合了分类回归算法，该算法具有内置的变量选择部分，”他说。 “所以这将其缩小到前 10、20 或 30 个变量。然后您与客户合作或使用您自己的知识来确定最适合包含在软件和分析模型中的内容。”

Predictronics 是否将以前经验中获得的知识应用到其基于模板的方法中，这有助于降低成本，或者在公司的某个部分制定的解决方案，然后可以在内部进行扩展，“找到一个直接解决最关键问题的解决方案问题但也足够灵活以应用于其他问题是关键，”布朗说。

尽职调查人工智能

为解决压缩空气问题而四处寻找像丰田这样的 AI 解决方案提供商的工厂应该尽职尽责，以找到合适的解决方案。

Predictronics 的专家表示，这有助于了解要问的正确问题：

您的服务以前在哪里使用过？

您的解决方案是否在减少停机时间或提高质量方面显着改善了业务运营？

您的解决方案是否已用于我的行业？

您的团队是否具备行业领域知识？

您的解决方案是否适用于旧设备？

您的解决方案是否适用于各种传感器？

您的解决方案是否使用机器学习？

训练模型需要多少数据？

它是否只需要来自健康机器的数据或来自退化或故障机器的数据来学习？

机器人也需要人工智能

虽然商店里的机床在人工智能的影响下表现得更好，但机器人没有理由做不到。

Fanuc America 最近在其机器人控制器和机器人的视觉功能 iRVision 中添加了“AI Error Proofing”，该功能使用机器学习 (ML) 进行零件检测。

借助防错功能，操作员可以使用图像来训练机器学习来检查两种不同的情况（例如，是否存在焊接螺母）并接受或拒绝零件。

由于 iRVision 可以支持多达 27 个摄像头，因此防错功能可以在制造过程中的多个点发挥作用。

Fanuc 机器视觉团队的工程师 Josh Person 说：“您希望在继续为坏零件增加价值之前识别拒绝或错误。”

“通常，您可以在一个阶段看到错误，而下一阶段会掩盖它，”他补充道。

在设置过程中，操作员可以展示多个工件示例，并将它们分为两类——好的和坏的。如果示例不属于任一类，它将输出“未确定”。然后可以添加未确定的示例来改进学习模型。