理解制造业中的预测性维护

丹尼尔Faggella.
《阿凡达》

Daniel Faggella是Emerj的研究负责人。在联合国、世界银行、国际刑警组织和主要企业的号召下,Daniel是一位全球受欢迎的专家,研究人工智能对商业和政府领导人的竞争战略影响。

理解制造业中的预测性维护

假设很简单:

  • 设备故障或停机是极其昂贵的(想象一列火车在距离最近的仓库几百英里的孤立轨道上发生故障)
  • 重型设备(发动机、风力涡轮机、制造机器)产生各种数据流(热量、振动、时间序列等)。
  • 机器学习可用于检测该数据中的“故障模式”,帮助企业更有效地维护设备健康

把这个想法付诸实践一点也不简单。

即使是两个相同的设备(即制造作业中的两个相同型号的钻头)也可能有独特的数据模式,因此需要独特的校准和诊断。用于探测热量的传感器在寒冷季节可能无法正常工作,或者暴露在极端条件下可能会脱落或失去灵敏度。确定准确的什么应将数据用作特定设备的诊断数据流也不容易,并且可能需要昂贵且耗时的迭代。即使是在工业人工智能领域资金最雄厚的公司也仍然是如此枢转为了找到机器学习的合适应用程序,以便为客户提供一致的结果。

尽管存在这些挑战,我们的AI机会景观显示预测维护,成为跨所有重型工业部门的最资助的使用情况之一,从公用事业到运输到制造业和超越。通过减少停机时间和失败创建的成本节约是巨大的(想象在巨大的丰田植物中关闭制造线的成本,或者在海洋中间关闭石油钻井平台的成本)和机器学习适用于此工作所需的复杂模式识别 - 即使找到传感器和算法的正确应用,也是简单的。

在本文中,我们将专门探讨制造业中的预测性维护用例,重点介绍流程的业务价值、所涉及的数据和数据处理,以及业务结果和工作流的更改。

商业价值

物理设备的维护既昂贵又耗时。除了训练有素的专业人员进行人工诊断的成本外,设备停机还会对下游生产力产生影响。

当一块制造设备(例如钻头或车床)关闭以进行维护时,将送入该机器的过程中库存必须停止或在其他地方进行路由。支持的内容库存可以为其他设备,运输和运营的劳动力创造不可预测的下游效果 - 更不用说潜在的未能满足客户的交付期望和截止日期。

由于设备故障或故障的费用和影响是如此重要,因此制造公司业务必须具有一致的维护和维护方案,以限制生产力中断,同时也保持密切脉冲对它最重要的设备的运作。

人工智能在减少停机时间的同时,也改善了设备的整体维护和监控方面具有巨大潜力。降低风险和提高产量(收入)对任何生产操作都很重要。

相关文章:

涉及的数据

预测性维护应用程序利用各种数据类型:

  • 设备本身上的传感器数据,包括:热传感器、振动传感器、运动传感器等。
  • 可编程逻辑控制器(PLC)数据,包括:输入机器的输入、机器的输出、随时间变化的机器人工指令以及其他因素。
  • 计算机视觉.例如:一种摄像头,该摄像头按向上或向下移动的次数,或者检查装配线上的产品质量。
  • 已知故障、问题或故障的时间序列数据–可将其与传感器数据联系起来,以确定导致问题的机器状态。
  • 相关外部数据源–这可能涉及生产线上其他相关设备的数据,甚至是天气数据(如果天气或外部温度可能影响机器性能)。

不同的设备需要不同的传感器组合,通常需要实验来确定哪种数据组合是故障或机器功能的最佳预测器。

人工智能入门1200x200@2x

数据处理

跨职能的数据科学家团队(通常来自AI供应商公司,因为少数制造公司拥有内部数据科学人员)和机器维护专家一起工作,以确定可能是跟踪机器功能或故障最重要的因素。

这些对话产生了关于可能是最佳维护指标的数据组合的假设。例如,假设一个团队考虑如何预测机床.他们可能会问:

  • PLC数据或图案是否有这台机器一贯在过去的失败实例中提供?
  • 这台机器的哪些部分最有可能失败?
  • 温度,振动,压力等的变化可能会促使所述故障?

他们的一些问题可能有强有力的答案,而另一些问题则需要试验或变通。

可以尝试多次迭代数据组合和不同算法方法,以便到达比以前的非AI维护程序更好的解决方案。由于没有保证数据和算法生成所需的结果,因此可以发现对于某些设备来说,可以将非AI维护更可靠。

还应该注意的是,跨功能的预测性维护团队必须考虑将维护工作的重点放在哪些机器上。这一决定将基于多种因素,包括:

  • 该公司操作了多少台机器(花时间训练一个算法和一组传感器通常只有在那些最佳实践能够应用于许多有价值的资产时才有用)
  • 该机器或机器类型的故障成本
  • 传感器、PLC或其他数据可用来预测机器的故障(即旧机器可能有较少的电子数据流,可能或可能不值得投资用于预测性维护目的)

up的演示视频——虽然过于简化——总结了大多数人工智能供应商在预测性维护领域的一般价值主张,即:利用多个数据流(如有必要,包括:,第三方来源)创建仪表板或预测性能–允许制造商或重型设备所有者构建界面和应用程序,以新的、数据通知的方式与机器交互并维护机器:

该领域的其他供应商包括C3.DataPRM无限正常运行时间, 和别的。并非所有预测维护供应商都在制造中运行。例如,Konux仅在铁路和机车上运营。

结果和影响

成功部署预测性维护措施应导致:

  • 在给定的时间段内的灾难性失败较少
  • 减少所维护机器的总停机时间
  • 减少机器专家的手动诊断工作

尽管如此,该计划仍将带来持久的成本:

  • 传感器和预测性维护系统的持续迭代和测试,以确保准确性和有效性
  • 维护和维护传感器和数据流
  • 更详细的用户界面问题(即以允许用户推动智能操作和运营业务的方式向用户提供预测和数据流)

从制造业员工和管理层的角度来看,预测分析应用程序创建了新的仪表盘和指标来运行业务。其中一些接口可能允许精通技术的经理(或在IT或数据科学人员的帮助下的经理)创建新的数据视图和指标,从而提供评估机器健康或跟踪生产的新方法。如果做得好,这些新的数据视图将允许团队仅在需要时更有效地维护设备,并在避免停机时更有信心地管理吞吐量和生产。

这也需要一些员工或经理制造地板上理解的基本面如何使用这些新数据流和传感器,这些员工可以有效地使用新的仪表板,和可以有效地参与跨职能团队来帮助维护人工智能工具,或为其他设备寻找新的预测性维护解决方案或方法(阅读:主题专家的关键作用).

关于制造和预测性维护的Emerj访谈

具有更深利于制造和预测性维护的读者可以享受我们的一些访谈商业播客中的人工智能

Jurgen Schmidhuber,联合创始人兼首席科学家NNAISENSE–Schmidhuber博士是机器学习领域的原始创新者之一,在本期节目中,他探讨了人工智能在制造业应用中的潜在用例,包括机器人灵巧性、多用途机器人等:

Tilak Kasturi,Ceo Timii–Tilak打破了“预测性维护”的概念,并分享了他对未来5年工业物联网未来的想法:

威尔·麦金尼斯,Predikto的首席科学家-在这一集里,Will和我们谈论预测性维护在铁路和机车设备改进中的应用:

使用您喜爱的播客服务订阅AI in Business播客:

itunes播客
响亮的播客
Google-Podcast.
Stitcher-Podcast.

保持领先于AI曲线

发现区分未来商业赢家和输家的关键人工智能趋势和应用。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅图像
保持在机器学习曲线的前面

加入20000多名专注于人工智能的商业领袖,接受我们每周发布的最新人工智能研究和趋势。

感谢您订阅Emerj“AI优势”时事通讯,请查看您的电子邮箱确认。