21ic訊 工廠和設(shè)備中部署了大量的傳感器用于記錄數(shù)據(jù)。如果分析得當(dāng)，這些數(shù)據(jù)會在改進(jìn)制造工藝及確保生產(chǎn)質(zhì)量等方面產(chǎn)生巨大的價值。為此，魏德米勒工業(yè)分析部門與客戶密切合作，開發(fā)所需的數(shù)據(jù)分析模型。

我們從工廠和設(shè)備中提取各類數(shù)據(jù)集合，比如溫度、壓力、能耗和振動，稱之為“特征”，并使用人工智能(AI)對其評估。之前的項目經(jīng)驗表明，大多數(shù)工廠和設(shè)備已經(jīng)記錄了全部重要數(shù)據(jù)，不必新增傳感器。真正的挑戰(zhàn)來自于找出數(shù)據(jù)背后的隱藏信息和它們之間的相關(guān)關(guān)系，而這正是魏德米勒工業(yè)分析部門擅長的。

魏德米勒工業(yè)分析：集數(shù)據(jù)科學(xué)與專業(yè)知識于一體

異常檢測和分類

異常分類的工作，是將已識別的數(shù)據(jù)偏差按重要程度進(jìn)行分類，重要異常往往是導(dǎo)致設(shè)備故障的原因。有了這些信息的輔助，設(shè)備操作者可以更快地處理問題，甚至可以識別潛在故障。這樣的快速診斷方式可以減少停機(jī)時間、降低成本并優(yōu)化產(chǎn)能。

“特征”工程識別復(fù)雜模式

“特征”工程是開發(fā)可靠人工智能模型的重要技術(shù)，該方法從測量數(shù)據(jù)中找出復(fù)雜的統(tǒng)計相關(guān)性。例如，為了找出這樣的統(tǒng)計相關(guān)，可以用相關(guān)系數(shù)表示在一段時間內(nèi)兩個或多個“特征”的關(guān)聯(lián)變化。數(shù)據(jù)科學(xué)家會根據(jù)設(shè)備的歷史數(shù)據(jù)來開發(fā)新的“特征”。與僅使用原始數(shù)據(jù)相比，這樣做可以更可靠地識別異常情形。例如，通過振動測量或頻率轉(zhuǎn)換獲得的高頻信號，可以基于數(shù)學(xué)模型分解到相應(yīng)的不同頻段上。人工智能模型從設(shè)備的正常行為中學(xué)習(xí)信號的頻段特性，相比于僅使用未分解的原始信號，可更好地預(yù)測故障可能性。

魏德米勒憑借“工業(yè)分析”的綜合方法，在“企業(yè)對企業(yè)商務(wù)卓越獎”競賽類別中贏得了2018年德國創(chuàng)新獎。工業(yè)分析業(yè)務(wù)部門研發(fā)負(fù)責(zé)人Markus Köster博士和工業(yè)分析業(yè)務(wù)部門負(fù)責(zé)人Tobias Gaukstern在柏林接受了該獎項。

圖左Markus Köster博士，圖右Tobias Gaukstern

各領(lǐng)域知識的集合

數(shù)據(jù)集合必須根據(jù)具體的機(jī)器或工藝加以解釋和評估，因此“特征”工程需要全面的應(yīng)用知識。無論是數(shù)據(jù)科學(xué)家的專業(yè)知識，還是機(jī)械工程師或機(jī)器操作人員的應(yīng)用知識，對于找出實際解決方案至關(guān)重要。只有應(yīng)用專家才能評估一個數(shù)據(jù)異常是否代表了機(jī)器故障，在應(yīng)用專家的幫助下，數(shù)據(jù)科學(xué)家才能建立準(zhǔn)確識別正常運(yùn)行和異常的算法。

目前，人工智能模型已經(jīng)應(yīng)用于許多領(lǐng)域，例如包裝機(jī)、填充技術(shù)、材料處理以及機(jī)器人技術(shù)。魏德米勒基于這些數(shù)據(jù)模型向用戶提供適合的定制化軟件，幫助用戶持續(xù)監(jiān)測設(shè)備運(yùn)行情況、做出預(yù)測，并將數(shù)據(jù)和分析結(jié)果可視化呈現(xiàn)。UI專家設(shè)計定制的用戶界面，以便每個用戶都能獲得與其應(yīng)用領(lǐng)域相匹配的解決方案。

對于設(shè)備歷史數(shù)據(jù)中未包括的異?；蚬收?，人工智能模型在運(yùn)行之初是無法描述和預(yù)測的。因此，用戶可以通過更新學(xué)習(xí)數(shù)據(jù)、擴(kuò)展軟件模塊來不斷完善工業(yè)分析模塊。當(dāng)然，魏德米勒數(shù)據(jù)科學(xué)家會按用戶所需提供支持幫助。

數(shù)據(jù)和分析結(jié)果的可視化使我們更容易掌握機(jī)器的當(dāng)前狀態(tài)。為此，我們可以查看并標(biāo)記各個時間范圍應(yīng)包含在未來數(shù)據(jù)評估中的信息。在此示例中，黃色區(qū)域顯示的是通過算法標(biāo)注出來的潛在異常。用戶還可以查看這些區(qū)域，辨明是否存在異常。通過這種方式，該模型能繼續(xù)學(xué)習(xí)并且可以更精確地對未來狀態(tài)進(jìn)行分類。

“特征”工程助力成功

“特征”工程是工業(yè)分析解決方案成功的關(guān)鍵，魏德米勒將應(yīng)用知識與數(shù)據(jù)科學(xué)相結(jié)合。由于人工智能模型的獨立性，機(jī)械工程師和設(shè)備操作者無須泄露其專業(yè)領(lǐng)域知識，即可顯著提高設(shè)備性能。