利用机器学习进行高级状态监测

我们听到很多有关工业物联网 (IIoT) 和其他数字化转型策略的状态监测领域正在发生的事情。利用机器学习 (ML) 和人工智能 (AI) 作为状态监测的一种形式所带来的结果鼓励了各个行业的许多组织将数据科学运用到他们的工作中。

通过这种方式，他们希望提高维护工作的有效性并保证关键资产的持续健康。与人类一样，计算机可以从过去的经验中学习，从而对未来的潜在结果做出明智的预测。

但状态监测真的那么简单吗？

答案是否定的。

想象一下，告诉您的组织，如果他们让机器发生至少三次故障，您就可以识别特定的故障模式，从而允许您从数据中学习并识别该特定故障模式的模式。这可能会导致您被护送离开场所并且您的技术受到嘲笑。因此，机器学习存在问题。

一种人工智能数据技术，可增强数据软件程序预测未来结果的能力，例如即将发生的资产故障，在初始设置阶段之后几乎不需要人机交互。
来源：可靠工厂

有人可能会说，我们不想训练模型来识别单独的故障模式级别，并且我们只需要在特定资产提供的数据偏离既定标准时收到通知。机器学习可以在这方面做得非常出色。然而，趋势数据也可以，已经使用了几十年，不需要任何额外的资本投资。

机器学习在状态监测中的价值

那么，创建这些机器学习模型的真正价值是什么？

如果故事到这里就结束的话，也没什么了。但我们有大量的数据可以帮助和支持我们；通过这种方式，我们可以训练机器学习模型来了解可接受的条件与不可接受的条件相比是什么样子。

我们还可以将多种技术和处理数据应用于此策略，这样我们就可以准确地识别哪条数据或哪个特定传感器产生了异常值。这可以成为分析团队的目标重点。

但这样做的价值是什么？

历史数据表明，大多数设施大约 80% 的资产运行状况良好，这意味着大约 20% 的资产存在可识别的缺陷。通过利用这一流程，我们可以有效消除分析师近 80% 的数据审核时间。

这释放了他们的日程安排，使他们能够专注于更高级别的数据和更复杂的问题，这些问题需要结合设备、流程和领域知识来解决。通过这样做，他们可以提高健康设备的百分比并减少可识别缺陷的数量。

大多数工程师和分析师不喜欢翻阅数据集以期找到问题。在大多数情况下，他们真正的快乐来自于找出问题的原因。机器学习可用于最大限度地节省分析师的时间，从而实现更大的维护和可靠性响应工作，并允许通过添加额外的资产或技术来扩展程序。

“机器学习算法可以预测设备故障，准确率高达 92%，从而提高资产可靠性和产品质量。”
来源：ITConvergence

如前所述，可以生成算法来识别低至故障模式级别的异常，但它们必须伴有跨多个学科的强大领域知识，例如优先考虑机械、电气和固定设备的领域知识。主题专家应对设备和测量装置有基本的了解。

这个过程不适合胆小的人，虽然它确实需要软件工程师、数据科学家和状态监测领域专家的协作来构建这些精确的模型，但好处是深远的。

生成算法的好处包括：

例如，当我们考虑石油分析时，算法必须包含有关资产的各个组件、部件和元数据的信息和知识。

此外，必须将源材料映射到特定的测试板，并且了解正确的阈值对于创建用于润滑分析的正确的机器学习模型至关重要。

同样，在振动分析中，定义感兴趣区域并发现波形和快速傅里叶变换 (FFT) 中的模式只是您团队的起点。这种基础知识将包括理解元数据及其独特的计算，这些计算与特定的故障模式和故障原因相关。

您的团队还必须具备以下知识和基本理解：

如今，大多数（如果不是全部）现成产品中通常都缺少这些功能。当您抛开这些基础知识并仅依赖简单的线性回归时，不准确的读数（包括误报和漏报）的数量会急剧增加。这只会让机器学习技术名声不佳。

虽然状态监测分析师的角色会随着时间的推移而发展和演变，但这应该被视为一个积极的转变；他们参与创建和维护这些机器学习应用程序，以及他们不断更新模型的努力，对于组织来说将是无价的。

这些数据库创建和维护工作将成为每个状态监测程序的核心，每个机器学习和人工智能算法的准确性将取决于分析师的技能、坚韧和知识。

物联网技术