机器学习如何提高资产可用性

制造业中的机器学习应用已经存在多年。在早期（10 年前），它们是为拥有大量资源的大公司保留的。这些应用程序的购买和部署成本非常高。部署后，应用程序需要大量工程人员来维护资产模型并评估机器学习应用程序的结果。今天，有许多用于工业应用的机器学习应用程序可以在短时间内部署，在某些情况下，还可以试用。在本文中，我将概述如何利用机器学习应用程序来监控资产，讨论目前提供的一些不同的机器学习应用程序并详细介绍未来的应用程序。

提高制造设备可用性的机器学习

机器学习应用程序用于在最早发生时识别机器故障点。如果您熟悉 PF 曲线，就会知道越早发现潜在故障越好。在机器学习软件应用程序中，您首先要构建资产模型。该模型包含与该特定资产相关的所有工艺参数和制造设备参数。这些参数通常存储在从工厂 DCS、相关 PLC、电子日志等捕获数据的数据历史数据库中。 如果我们以泵为例，吸入压力、排出压力、控制阀位置、轴承温度和轴承振动将是包含在模型中的参数的几个很好的例子。大多数模型有 10-30 个参数，但我们有一些模型有接近 100 个参数。

创建模型后，将历史运营数据导入模型中。这通常称为训练数据集，包括一年的数据。一年的数据使模型能够解释运营中的季节性变化。然后，熟悉资产操作的人员将确定要在训练数据集中“包含”哪些数据（良好操作）以及要从训练数据集中“排除”哪些数据（不良操作）。然后，机器学习应用程序使用经过训练的数据集来开发资产的操作矩阵。矩阵基本上根据用于创建矩阵的训练数据确定机器在任何给定时间应该如何操作。

现在神奇的地方就在这里，机器矩阵被部署在软件应用程序中，以不断监控机器的运行，并根据它开发的矩阵预测机器参数应该在哪里运行。如果参数偏离模型预测的百分比很大，则系统会为该特定参数创建警报条件。然后对资产进行工程评估以评估条件的变化。评估后，可能会出现三种一般结果：1) 警报有效，向工厂发出警报，并与当地资源合作解决问题； 2) 警报需要额外的研究/操作数据，继续监控警报条件的参数和所有相关参数； 3) 警报是误报，使用额外的操作数据重新训练模型并重新部署模型。

在任何情况下，机器学习应用程序都需要专用资源来维护模型并与工厂设备所有者解决制造设备问题。全职资源通常会花费 40% 的时间来维护模型，40% 的时间与工厂资源一起解决问题，20% 的时间会评估程序产生的帮助。

机器学习结果

机器学习应用程序的结果非常强大。这些软件应用程序可识别人眼无法察觉的制造机器条件或过程参数的变化。图 1 显示了由于流向轴承的油流损失，主风扇上的轴承振动增加。风扇的外侧轴承出现警报情况。机器学习应用程序预测，在当前运行条件下，轴承振动应该在 3.5 密耳左右。轴承振动已经慢慢偏离预测值，警报状态出现在 4.7 密耳处。工厂收到警报情况通知，对风扇进行目视检查发现油管在与轴承盖的连接处出现泄漏。风扇的吸力来自轴承座附近的每一端。风扇实际上是将油吸入风扇外壳，因此地面上没有任何泄漏迹象。风扇叶片上的油会聚集灰尘和碎屑，导致风扇失去平衡，进而增加振动。工厂资源能够在轴承损坏之前采取纠正措施阻止泄漏。

图 1. 风扇轴承振动增加

图 2 是大型涡轮发电机组上氢气纯度的缓慢衰减。绿线是模型预测值。蓝线是实际值，红点是参数报警的地方。在这个长达一个月的趋势中，当地工作人员没有注意到氢气纯度的缓慢衰减。工厂提前收到本地警报或工厂停工通知，让他们有时间管理情况，而无需以危机模式运行。

图2. 发生器氢气纯度

图 3 与控制阀门位置、涡轮速度和安全阀跳闸的电液控制 (EHC) 系统相关。在这种情况下，EHC 泵“A”过滤器的压差开始增加。过滤器的检查通常会在操作员的圆单上进行，以便每个班次进行一次或两次局部检查。联系了该工厂，他们能够将 EHC 泵“A”更换为 EHC 泵“B”。这防止了涡轮机跳闸和可能发生的任何相关损坏。

图 3. EHC 泵过滤器

图 4 与大型粉碎机（也称为碗磨机）上的润滑系统相关联。润滑系统为集成齿轮箱和所有相关轴承供油。资产模型预测温度为 90 华氏度，但实际上趋势高达 110 华氏度。联系了当地工厂资源，他们发现润滑油热交换器的冷却水控制阀出现故障。更换控制阀，系统恢复正常。

图 4. 粉碎机油温

剩余的一组示例来自第二个机器学习软件应用程序。尽管用户界面可能有很大不同，但软件应用程序的操作原理和输出非常相似。机器学习应用程序的真正价值在于，一旦应用程序识别出与历史操作条件的变化，就会发生通信和后续活动。

在下图中，蓝线是实际值，红线是预测值，浅绿色阴影区域表示警报状态，品红色垂直线是参数因偏差而达到警报状态的位置。灰色区域是机器离线的地方。请注意，机器离线时不会发生任何预测或警报。

在下面的图 5 中，我们正在监控联合循环发电厂中由热回收蒸汽发生器 (HRSG) 提供的蒸汽轮机。工艺参数是蒸汽轮机的高压喷射流。红线和蓝线的趋势很好，直到每小时 1,000 磅的蒸汽流量。实际和预测开始偏离每小时 1,000 磅，并且应用程序内出现绿色警报情况。

这两个值继续偏离，直到出现警报条件，如品红色垂直线所示。联系工厂资源，讨论蒸汽发生器运行和模型预测。

图 5. 高压喷雾流

图 6 说明了燃气轮机在启动过程中的振动变化。该图显示了五个独立的启动场景，由垂直条纹区域表示。在所有情况下，当设备最初恢复使用时，由蓝线表示的振动要高得多。在第三次启动时，振动实际上升高了足够长的时间，从而为参数创建了报警条件。通知工厂，发现振动传感器因正常运行而松动。

图 6. 燃烧涡轮振动

图 7 说明了多个启动场景，第四次启动导致警报情况。软件应用程序预测 HRSG 中的中间汽包压力为 278 psi，但实际读数为 240 psi。该情况已报告给当地的工厂资源，并让机组下线对控制阀进行维修。次日返航后，模型预测值和实际值恢复正常。

图 7. HRSG 鼓压力

机器学习未来应用

在不久的将来，这些类型的软件应用程序将成为我们今天所知的 DCS 的标准配置。 DCS 系统将基于与过程中其他参数的相关性来构建每个参数的预测。当预测与实际存在偏差时，将向操作员发送警报，并提供有关哪些工艺参数导致偏差的指导。随着机器学习采取何种纠正措施，操作员需要越来越少的参与，直到您达到机器可以自行操作的程度。这似乎遥不可及，但我们今天有这样的例子。特斯拉的自动驾驶仪可能是当今机器学习能力的最好例子。 2016 年 12 月，特斯拉发布了一段视频，展示了从您家到工作场所的完全自动驾驶以及自动泊车和取回功能。这是一段令人印象深刻的视频，向我们展示了未来的发展。

当应用于制造过程时，机器学习软件应用程序可以在资产可用性、过程改进和产量增加方面提供强大的改进。部署和维护软件应用程序需要专业技能，但近年来进入门槛要低得多。随着这些软件应用程序变得更加主流，应用程序的成本将进一步降低。在某个时候，为大众构建的应用程序将进入工业环境。