如何使用機器學習來執行預測性維護

在各個行業中，公司傳統上都依賴定期維護。 按設定的時間間隔檢查機器的內部確實能讓它們保持運轉。 但這真的是減少意外停機的最具成本效益的方法嗎？ 並不真地。 大量研究表明，只有 20% 的設備故障與老化有關，而 80% 的故障是隨機發生的。

隨著各行業的企業熱衷於人工智能 (AI) 驅動的所有事物，機器學習 (ML) 驅動的預測性維護已成為人們關注的焦點。

在設備問題發生之前預見到並在需要時準確地進行維護，可以節省成本並提高生產率。 事實上，CXP Group 進行的一項研究表明，90% 採用基於機器學習的預測性維護的製造商都成功地減少了維修時間和計劃外停機時間。

在這篇博文中，我們分享了人工智能軟件諮詢的經驗，深入探討了預測性維護系統的內部運作，分享了對您有所啟發的成功故事，並探討了採用人工智能驅動的預測性維護解決方案所面臨的挑戰。

什麼是預測性維護？

預測性維護是一種主動的設備維護方法，它使用機器學習來預測潛在的故障。 這反過來又有助於防止代價高昂的停機。 可以將其視為讓您的設備說話，在出現問題之前準確地告訴您何時需要關注。

預測性維護系統就像一個檢查員團隊 24/7 監視您的設備，實時收集和處理大量數據。 這些“檢查員”可以檢測到肉眼無法察覺的最小異常和模式，並在潛在故障變得嚴重之前向您發出警告。

讓我們看一個例子，看看這個概念在實踐中是如何運作的。 想像一下，一家製造工廠依靠一組工業機器人來維持運營。 傳統上，這些機器人的維護是按固定的時間間隔安排的，更糟糕​​的是，當實際發生故障時，會導致停機和財務損失。

通過機器學習預測性維護，借助戰略性地嵌入到機器中的傳感器來持續監控設備。 收集的數據可以涵蓋溫度、振動、功耗和其他指標。

然後，所有這些數據都會發送到由機器學習算法提供支持的中央處理單元（系統的“大腦”）。 該裝置利用實時收集的歷史破損數據、維修歷史、環境因素和性能指標，尋找可能預示即將發生故障的模式。

有了這些寶貴的見解，您的維護團隊就可以介入，執行任何所需的修復，並防止即將發生的故障發生。 所有這一切都將停機時間降至最低，並且不會造成代價高昂的中斷。

這正是機器學習預測維護的成本節約潛力的來源。 由於其主動性，您可以將精力和預算集中在真正需要關注的設備上，而不是將資源浪費在完美的設備上。 另一方面，憑藉遠見的力量，您可以在問題升級之前採取行動，確保您的設備在更長時間內以最佳性能運行。

跨部門的人工智能預測維護用例

人工智能驅動的預測性維護正在從根本上改變依賴設備的行業的運行方式。 以下示例展示了預測性維護對企業的影響。

製造業

在離散和流程製造中，人工智能預測維護對於各種設備（包括銑床、液壓機、輸送系統、機械臂和設備）具有無價的價值。 考慮將原材料成型為精密部件的銑床。 為這些機器配備振動傳感器並根據歷史故障數據分析傳感器讀數可以幫助檢測機器主軸的不對中和磨損跡象。 在跟踪溫度時，您可能會發現過熱的跡象，這表明可能正在醞釀故障。

基於機器學習的預測性維護的力量還不止於此。 可以監控液壓機的堵塞和洩漏情況。 此外，通過恆溫監控，預測性維護解決方案可以檢測過熱跡象，這是液壓系統內即將出現問題的危險信號。 憑藉計算週期的能力，機器學習預測維護可以準確預測何時需要關注特定組件，從而實現及時的維護干預並防止潛在的故障。

對於傳送帶，預測維護軟件可以測量傳送帶張力以防止過早磨損。 通過監控電機負載，它可以確保效率並發現任何可能導致意外停機的故障跡象。

Mercer Celgar 是使用預測性維護的製造商之一，它是最大的紙漿和實木生產商之一。 預測性維護已成為公司生產戰略的關鍵組成部分。 在探索了各種選項後，Mercer Celgar 實施了現成的預測性維護解決方案。 這種人工智能驅動的軟件與他們的新 CMMS 系統無縫集成，取代了以前的自動化機器健康診斷軟件。 通過三個試點，該部署產生了寶貴的見解和經驗。

借助基於人工智能的預測維護平台，Mercer Celgar 能夠在單個平台內監控多條生產線並獲取每種機器類型的單獨報告。 這使他們能夠跟踪和比較性能，同時為維護團隊提供有關潛在故障的早期見解。 這一實施改變了 Mercer Celgar 的運營方式，創建了特定的工作角色，並將來自多個來源的機器性能數據整理到一個平台上。 因此，該公司擁有機器性能的單一事實來源，從而促進大規模的高效監控和數據處理。

汽車

汽車行業嚴重依賴基於機器學習的預測性維護來提高可靠性並降低保修成本。 例如，通過監控現場車輛的傳感器數據，汽車製造商可以在潛在問題變成嚴重故障之前發現它們。

讓我們考慮一下送貨卡車車隊。 通過持續監控發動機性能、輪胎狀況和燃油效率，預測性維護使公司能夠優化維護計劃、防止故障並延長車輛的使用壽命。

許多汽車公司已經轉向預測性維護來預測維護機會並留住客戶，鼓勵他們從汽車製造商的官方網絡尋求維護服務。 歐寶就是這樣的公司之一，該公司為其車輛配備了預測性維護工具，可以分析歷史數據以建議最佳檢查計劃。

由於實施該系統的主要目標是提高客戶保留率，因此系統會在維護到期時通知駕駛員，並安排與歐寶官方網絡的預約，從而阻止客戶轉向第三方維修商。

衛生保健

機器學習預測維護正在徹底改變醫療保健行業，確保關鍵醫療設備的順利運行。 想像一下醫院裡的 MRI 機器。 通過分析溫度、壓力和電磁場強度等傳感器數據，預測維護算法可以檢測異常、偏差和表明潛在問題的模式。 然後，醫院可以在需求低迷時期主動安排維護活動，最大限度地減少對患者護理的干擾。 這種方法可以提高運營效率、減少設備停機時間並改善患者治療效果。

柏健康檢查診所是採用這種方法的醫療機構之一。 他們與日立合作實施預測維護系統，以防止 MRI 機器故障。 該技術合作夥伴分析了來自 100 個 MRI 系統的三年傳感器數據，並創建了一種機制來調查導致設備故障的原因模式。 然後，機器學習幫助定義正常的操作狀態、預見異常並檢測可能導致故障的變化。 結果，該組織將 MRI 機器停機時間減少了 16.3%。

油和氣

石油和天然氣行業以其複雜且昂貴的設備而聞名，從基於機器學習的預測維護中受益匪淺。 想像一下帶有大量泵、壓縮機和渦輪機的海上鑽井平台。 通過持續監測壓力、溫度和流量等參數，預測維護算法可以檢測異常並預測即將發生的故障。 通過採取積極主動的方法，公司可以避免代價高昂的計劃外停機、優化設備性能並確保人員安全。

沙特阿美公司是該行業的領先企業，它利用預測性維護的力量來防止因來自油井以及石油和天然氣的過量水而造成的設備和管道腐蝕、結垢和其他損壞。 實施了人工智能驅動的流量計後，該公司實時了解了井中的水流量。 該儀表採用人工智能驅動的數字孿生模型來預測管道流量，然後將其與實際測量值進行比較。 這一過程使儀表能夠在各種操作條件下自動調整，從而大大減少了重新校準的要求。

如何構建預測性維護解決方案

在採用基於機器學習的預測維護解決方案時，組織面臨一個決定：選擇現成的軟件還是投資定制的解決方案。 每種方法都有獨特的優點和考慮因素，選擇取決於幾個標準。

• 可用預算：現成的軟件（例如IBM Maximo、Microsoft Azure IoT Suite、GE Predix、PTC ThingWorx、Siemens MindSphere）通常具有較低的前期成本，而構建定制解決方案可能需要更高的初始投資。 預算有限的公司可能會發現現成的軟件更具吸引力，而擁有大量資源的公司可能會傾向於定制功能的定制解決方案。
• 實施時間：現成的軟件經過預先構建和測試，可以快速部署。 相反，開發定制解決方案可能需要更長的時間，具體取決於項目的複雜性和範圍。
• 行業特定要求：不同行業通常有獨特的需求和工作流程，這可能需要預測性維護解決方案具有特定的功能。 現成的軟件並不完全符合這些要求，需要定制。 因此，具有高度專業化需求的企業或通過定制解決方案尋求競爭優勢的企業可能更喜歡走定制路線。
• 現有基礎設施和集成：將預測維護軟件與現有系統和設備集成對於無縫運營至關重要。 現成的解決方案可以提供與有限數量的流行設備或技術的更好兼容性，而定制解決方案可以精確定制以適應組織已建立的基礎設施。
• 可擴展性：隨著業務的發展和擴展，其預測性維護需求可能會發生變化。 現成的軟件可以提供可擴展的選項，可以適應不斷變化的需求。 如果設計得當，定制解決方案還可以提供可擴展性和靈活性，但這可能需要額外的開發工作。
• 支持和更新：現成的軟件通常附帶供應商提供的支持和定期更新，以確保解決方案保持最新狀態。 定制解決方案可能需要持續的維護和支持工作，以確保持續的功能。

從頭開始構建基於人工智能的預測維護解決方案

從頭開始構建基於 ML 的定制預測維護解決方案可提供最大的靈活性，並允許您根據自己的獨特需求精確定制系統。 儘管如此，定制軟件很少是完全定制的。 有許多開源庫和框架（例如 Scikit-learn、TensorFlow、PyTorch、Keras、XGBoost）以及 SDK 和 API（例如 AWS SDK、Azure SDK、Google Cloud SDK、IBM Watson SDK、ThingWorx SDK），例如以及完全託管的機器學習服務，包括預先訓練的模型（例如Amazon SageMaker、Azure Stream Analytics），可加快並簡化開發自定義預測維護解決方案的過程。

下面，我們分享我們作為機器學習諮詢公司的運營經驗，並解釋如何展開基於人工智能的預測維護軟件的開發過程。

預測性維護是一項可以分為兩個子任務的任務：狀態監測和預測分析。 制定預測性維護解決方案本質上可以歸結為訓練檢測模型和預測模型並將它們集成到成熟的解決方案中。 要訓​​練此類模型，您需要執行以下步驟。

數據採集

在製定預測維護算法時，第一步是收集足夠的數據來訓練模型。 要收集的數據類型如下。

• 傳感器數據可實時洞察機器的健康狀況和性能。 它包括從連接到機器的所有類型的傳感器（例如溫度、壓力、振動、電壓、噪聲）收集的時間序列信息。
• 故障數據涵蓋有關過去設備故障的信息，包括故障的日期、時間和性質。
• 維護記錄、服務報告、工單以及與設備維護歷史相關的其他文件。
• 捕獲有關機器運行狀態的信息的運行數據，包括啟動和停止時間、生產率、吞吐量和使用模式。
• 環境數據涵蓋環境溫度、濕度水平和其他可能影響設備健康的外部條件等因素。
• 其他可以提供對故障模式的額外洞察的相關數據，例如能源消耗或維護成本數據。

數據處理

數據預處理是構建自定義人工智能驅動的預測維護解決方案的重要步驟。 它涉及一系列技術，從處理缺失值到刪除異常值等等。

選擇適當的處理技術取決於數據的特徵，而成功進行數據處理的關鍵是了解您的機器。 假設您有嘈雜的振動數據。 了解包含故障標記的頻率範圍可以指導您選擇最佳的預處理策略。

特徵工程

特徵工程意味著將原始數據轉換為有助於區分正常行為和錯誤行為的特徵。 目標是從數據中提取相關信息，使機器學習算法更容易識別模式和關係。

例如，您可以使用振動數據監控變速箱的狀況。 變速箱故障會導致振動頻率和幅度發生變化。 因此，峰值頻率和幅度可用於監測齒輪箱的健康狀況。

特徵工程中使用的一些常見技術包括以下內容。

• 聚合：組合多個原始數據點以創建聚合特徵可以提供設備行為的更高級別視圖。
• 基於時間的分析：時間序列數據通常包含有價值的時間模式。 創建基於時間的特徵（例如一天中的時間、一周中的一天或季節性模式）可以幫助模型捕獲重複的行為。
• 信號分析：應用信號處理技術可以幫助提取頻率分量或檢測時間序列數據中的模式。
• 相關性分析：評估哪些數據對預測準確性影響最大，並消除那些在數據集中進行模型訓練時重要性較低的數據點，有助於縮短訓練時間。
• 特定領域的特徵提取技術：在某些情況下，領域知識可以導致專門的特徵轉換。 例如，對於旋轉設備，基於振動階次分析的特徵可能很有用。

特徵工程可能是一個涉及多次迭代的過程。 在第一輪訓練和測試預測模型以獲得最佳性能後，通常會返回此步驟。

模型選擇和訓練

下一步，您選擇最佳的 ML 模型並根據收集的數據對其進行訓練。

選型

選擇正確的機器學習算法或預測模型對於您的特定預測維護用例至關重要。 不同的模型有不同的優點和缺點，選擇取決於數據的性質、問題的複雜性和所需的可解釋性水平等因素。

預測性維護常用的模型包括以下幾種。

• 邏輯回歸：適用於二元分類問題 - 例如，預測一台設備是否會發生故障。
• 決策樹：可有效處理分類數據和數值數據。 它可以捕獲特徵之間的非線性關係。
• 隨機森林：一種結合多個決策樹的集成方法，以提高準確性和魯棒性。
• 支持向量機 (SVM)：對於分類任務很有用，特別是在處理高維數據時。

模型訓練

模型訓練涉及使用歷史數據來教導 ML 預測維護模型識別特徵與目標變量（例如設備故障）之間的模式和關係。 數據集分為兩部分：訓練集和測試集。

該模型從訓練數據中學習，並能夠根據訓練過程中識別的模式進行預測。

訓練完成後，模型將在測試數據集上進行測試。 模型驗證是評估模型在未見數據上的表現並估計其預測能力的關鍵步驟。

集成部署

一旦您確定了正確的模型、對其進行了訓練並生成了準確的預測，就可以將其集成到您的系統中來付諸實踐了。 根據機器學習預測維護軟件的具體情況，您有多種部署選項。

• 雲實施：如果您要處理存儲在雲中的大量數據，請選擇基於雲的部署。 通過直接在雲中運行機器學習算法，您無需在本地計算機和雲之間來回傳輸數據以進行預測和運行狀況監控。 這簡化了維護流程並提高了效率。
• 邊緣實現：或者，您可以在距離設備較近的嵌入式設備上運行算法。 這種方法可以立即更新和通知有關設備運行狀況的信息，而不會出現任何延遲。
• 混合實施：您還可以選擇雲和邊緣的組合。 利用嵌入式設備進行預處理和特徵提取，並在雲端運行預測模型。 通過這種方式，您可以兩全其美 - 與邊緣部署相關的效率和基於雲的處理能力。 它特別適用於石油鑽探或飛機發動機等系統，這些系統的連續運行會產生大量數據，由於帶寬和成本限制，機載存儲或傳輸面臨挑戰。

一路上需要解決的挑戰

實施人工智能預測維護解決方案可能會面臨某些挑戰。 一些常見的障礙包括以下內容。

• 舊設備：連接舊設備或不兼容的設備並收集數據可能是一項挑戰。 可能需要改造傳感器或利用物聯網網關來收集所需的數據。
• 建立正確的參數：確定要監控每台設備的最相關參數至關重要。 這需要對機械及其故障模式有深入的了解，以確保准確的預測。
• 數據質量和可用性：確保數據質量和可用性對於準確預測至關重要。 不完整或不可靠的數據可能會導致錯誤的維護決策。 建立數據治理實踐和投資數據基礎設施是克服這一挑戰的重要步驟。

最後的話

人工智能驅動的預測性維護為設備密集型或設備依賴型行業的公司提供了改變遊戲規則的機會。 通過採用主動維護方法，組織可以顯著減少停機時間、優化維護成本並提高運營效率。

無論是通過定制現成的軟件還是從頭開始構建定制解決方案，機器學習預測維護都可以幫助您釋放設備的全部潛力。

聯繫我們的團隊，探索機器學習預測維護的可能性，並做出明智的決策，將您的公司推向新的高度。

本文最初發表於 itrex 網站。