无需机器学习专业知识即可部署预测性维护
工程师中日益增长的一种认知是，预测性维护已几乎成为AI技术的专属领域，迫使他们必须掌握机器学习技能。但实际上，MathWorks的专家表明，无需深厚的ML知识也能构建稳健的预测性维护系统。
在最近接受EDN采访时，高级产品营销经理Aditya Baru概述了四步工作流，并强调了覆盖各阶段的专用工具。
图1. 基础预测性维护工作流包含四个步骤。来源：MathWorks
1. 数据处理
对于非数据科学家的工程师而言，从工业资产（风力发电机、发电机、水泵、电机）产生的海量原始传感器数据中筛选有用信息极具挑战。喷气发动机或勘探作业中的油泵每天轻松产生TB级数据，在这种数据量下进行故障检测似乎不可能。
Baru解释说，工程师可以从监控传入数据流的细微变化入手，识别退化的早期迹象，并确定异常行为的根本原因。例如，对持续运转水泵进行频谱分析，可揭示区分正常运行与即将发生故障的特征频率。
图2. 工程师可通过跟踪电机摩擦变化检测水泵泄漏和堵塞。来源：MathWorks
2. 状态指标
面对100个时序数据样本，目标是将其压缩为单个信息丰富的数值——状态指标。这一数据降维步骤将大数据集浓缩为可管理的特征集，同时保留所有相关动态信息。
在近期与戴姆勒梅赛德斯的合作中，MathWorks工具将制造生产线的海量时序数据提炼为紧凑特征集——模式、时延及其他统计量，数据量缩减了250倍。
图3. 工程师可从原始传感器数据提取特征，利用时域和频域技术创建状态指标。来源：MathWorks
3. 预测模型
获得忠实代表原始数据的精简数据集后，工程师可采用多种经典建模技术——时序、统计或概率模型，无需深厚的AI或ML专业知识。这些方法在工程界已确立，并由MATLAB预测性维护工具箱支持。
Baru引用了航天公司Safran的案例，该公司利用MATLAB中的信号调理技术预测部件故障，证明传统工程方法依然高效。
图4. 预测性维护工具箱助力工程师估算剩余使用寿命(RUL)及预测置信区间。来源：MathWorks
4. 算法部署
最后且至关重要的一步是将预测模型部署到生产环境。工程师有多种选择：将模型嵌入机器本地、在边缘计算机运行，或在连接允许时流式传输数据至云服务。
通过这一四步工作流实施预测性维护，工程师可提供维护服务，使机器90%的时间保持运行。一套专用工具可高效管理各步骤。
>> 本文最初发表于姊妹网站EDN。
物联网技术