利用机器学习提高可靠性并改善维护结果
AspenTech 的 Mike Brooks
非常需要使用数据驱动的事实而不是猜测来预防故障。 麦肯锡全球研究所的一份 2012 年报告显示，机械和过程引起的故障相结合，在全球 1.4 万亿美元的制造业市场中的成本高达 10% .
虽然公司已花费数百万美元试图解决这个问题并最终避免计划外停机，但到目前为止，他们只能解决磨损和基于年龄的故障。当前的技术无法及早发现问题，并且无法深入了解导致 80% 以上的计划外停机的看似随机故障背后的原因。这就是使用机器学习软件在机器周围撒下“更广泛的网络”可以捕获过程引起的故障的地方。
为避免计划外停机，公司必须识别即将发生故障的早期指标并做出有效响应。 AspenTech 高级业务顾问 Mike Brooks 表示，传统的维护实践无法预测由流程偏移引起的故障 和前 Mtell 总裁兼首席运营官。
这将需要一种结合机器和流程的独特技术方法；尤其是制造业和交通运输等资产密集型行业。有了合适的技术，组织就可以感知迫在眉睫的退化模式，并提供足够的警告来防止失败和改变结果。
使用机器学习软件预测停机时间
先进的机器学习软件已经在早期识别设备故障方面取得了令人难以置信的成功。这种软件几乎是自主的，可以从机器和流程上和周围的传感器产生的数字数据流中学习行为模式。
当操作条件发生变化时，这种先进的技术自动地并且需要最少的资源，不断学习和适应新的信号模式。在一台机器上学习到的故障签名“接种”了那台机器，这样相同的情况就不会再次发生。此外，学习到的签名被转移到类似的机器上，以防止它们受到相同的退化条件的影响。
例如，一家北美能源公司的维修费用高达 100 万美元，并且由于潜水电泵的反复故障而损失了收入。高级机器学习应用程序学习了 18 个泵的行为。该软件检测到一台泵的早期套管泄漏导致了环境事故。将故障特征应用于其余泵提供了早期警告，允许及早采取行动避免重复事件，从而防止出现重大问题。
在另一个案例中，一家在美国 23 个州运营的领先铁路货运公司使用机器学习来解决长期存在的机车发动机故障，造成数百万美元的维修、罚款和收入损失。机器学习应用程序实时在线运行，并部署在一个非常大的机车车队上，用于检查润滑油数据以获取发动机故障的极早期指标。
该应用程序甚至在发动机通过低压测试时检测到退化特征。将机车改道立即提供服务“为公司节省了数百万美元的代价高昂的停机时间和罚款。”
现在是实施机器学习软件的时候了
公司不能再仅仅依赖传统的维护实践，还必须在部署数据驱动的解决方案时纳入运营行为。今天的当务之急意味着从现有资产中提取额外价值并实施先进的机器学习计划以实现快速改进。
借助正确的软件解决方案，预测技术将检测限制资产有效性的条件，同时提供规范性指导以确保公司保持盈利并提高利润率。
此博客的作者是 AspenTech 高级业务顾问、前 Mtell 总裁兼首席运营官 Mike Brooks
物联网技术