AI驱动预测性维护实现零停机：丰田压缩空气系统案例

2000年代中期，丰田北美肯塔基州乔治敦工厂的压缩空气系统年均故障超一次。这促使工厂思考：能否利用机器学习和AI，通过异常检测、故障识别，更重要的是在故障发生前预测迫在眉睫的失效？

压缩空气系统非计划停机意味着整个工厂瘫痪。喷漆车间用压缩空气喷涂新车，气动工具依赖它运转，吹扫打磨残留物更离不开它。三条生产线每25秒下线一辆成品车，压缩空气公用设施一旦失效，后果严重。

项目经理兼电气主题专家Mark Rucker说：“生产线停机代价高昂，所以有强烈动力保障公用设施可靠稳定。”

这套价值数百万美元的系统由12台英格索兰离心式空气压缩机组成，每台堪比小型半挂车。终级叶片以20,000转/分高速旋转，与壳体间隙仅千分之一英寸。叶片若稍微偏离规格碰到壳体，整机就得大修，成本约10万美元。叶片摆动不是崩溃的原因，而是结果。

崩溃——即喘振或逆流——发生在某因素导致压缩机正常气流试图反向、管道内空气反向推回时。

高频、高成本、严重后果促使丰田求助于智能维护系统创始主任Jay Lee。

Jay Lee：超前于工业4.0时代的先行者

新千年伊始，丰田来电前，Lee是辛辛那提大学工程教授，愿景是工厂所有机器互联并提供数据支撑智能维护。当时支撑该愿景的技术大多尚不存在。

Lee现任富士康科技集团威斯康星分部副董事长兼董事，他说：“二十年前极少有人相信这可行。”在他的工业愿景中，机器如患者，监测机器的传感器数据提供健康信息，专家通过解读分析数据给出预后。“我说‘为什么不检测机器的血液？’机器的血液是什么？数据。问题是‘你想获取什么数据？’取决于你要分析什么。我们需要理解情境与内容，进一步建立不可见未知量之间的关系模型。”

数据中隐藏着机器或工艺偏离行为的含义。解锁含义可预测质量、判定机器或工艺稳定性、预防潜在失效。“这正是当今工业4.0的核心。”Lee说。术语“工业4.0”直到2013年德国政府倡议才普及。

自2006年起零崩溃

Lee团队与Rucker及熟练维修工、工厂工程师合作攻克压缩空气系统难题。问题简单却直指复杂核心：“能否在逆流导致崩溃前预测？能否及早发现征兆并采取行动？”

2005年数月反复试错中，团队从一台压缩机采集高保真数据寻找异常。有时人为制造喘振或接近喘振工况，强迫机器展现偏离行为并记录数据表现。最终发现：四阶段压缩过程（从常压进至120 PSI）中，第二阶段出现的征兆是迫近喘振的最佳预测指标。

Rucker说：“背后物理机理是什么，为什么这是预测指标？不知道，也不在乎。我们只看到它可靠预测未来喘振，且有秒级预警。”

下一步：在每台压缩机装差压传感器，为中央控制单元创建机器学习算法。测试证实：二阶段一“摆动”，压缩机即自动退让。“每次测试都让我们避开麻烦，自2006年起零崩溃。”

另一尝试预测轴承寿命的项目失败：无法获取足够可靠维护数据并与运行数据配对建立有用关联。Rucker说：“这大概是研发的正常成功率：一半收回成本就是赢，偶尔找到像喘振控制这样能覆盖所有成本的项目。”

灵活性是关键

Lee随后发表论文，2013年与Patrick Brown等共同创立Predictronics。如丰田找Lee求助，企业找Predictronics助力零停机愿景。

CEO Edzel Lapira说：“客户成熟度各异。有的已有数据收集结构（数据湖）却不知如何用数；有的需从零开始。面对50-60年老旧资产的客户，起步更早。”Predictronics指导他们采购加速度计、传感器等模数转换组件获取数据。成立以来，Predictronics已助70多家工厂（多为财富500强）实施AI方案。

案例：为半导体制造商建立虚拟计量预测方案，学习传感器与测量变量关系。面对设备抛出的数百信号，通过统计方法和内置变量选择的机器学习分类回归算法筛选至前10-30个变量，再结合领域知识确定纳入模型。Predictronics采用模板法复用经验降本，或将一处解决方案在公司内部推广，“找到直接解决最关键问题且足够灵活可应用于其他问题的方案是关键。”联合创始人Patrick Brown说。

选型AI方案商的尽职调查

工厂选型AI方案商应做尽职调查，Predictronics专家建议提问：

• 服务过哪些案例？
• 方案是否在减少停机、提升质量等业务指标上显著改善？
• 是否有同行业案例？
• 团队是否具备工业领域知识？
• 方案能否适配老旧设备？
• 能否兼容多种传感器？
• 是否使用机器学习？
• 模型训练需要多少数据？
• 是否仅需健康机器数据，还是也需退化/故障数据训练？

机器人也渴望AI

机床在AI加持下表现更好，机器人同样如此。Fanuc America近期为机器人控制器和iRVision视觉功能新增“AI防错”，利用机器学习（ML）进行零件检测。

操作员用图像训练ML判断两种截然情况（如焊接螺母存在与否），接受或拒收零件。iRVision支持多达27个摄像头，防错功能可在制造流程多个节点生效。“要在继续为坏件增值前识别废品/错误。”Fanuc机器视觉组工程师Josh Person说，“常在某阶段可见的错误，下一阶段会被覆盖。”

设置时操作员呈现多个工件样本分类为良/不良两类。不属于任何一类则输出“未确定”，可补充改进模型。