ai数据处理成功案例：利用现有的商用AI

ai数据处理成功案例：利用现有的商用AI一般来说，现有的商用 AI/ML 软件解决方案优先实现以下 3 个目标 ：现有的商用AI/ML 软件，诸如数据记录之类的软件，可提供自动化异常和报警，使运行人员能够在故障发生之前识别设备问题。该类型软件通常还有第二个用途，即作为多个设备数据的集中存储库，包括工业物联网（IIoT）远程无线传感器系统捕获的数 据。这类现成的 AI/ML 软件解决方案可提高运营效率，防止设备出现问题，并允许工厂在设备出现故障之前规划维护。”对于生产制造商而言，要想实现盈利，就需要维持安全、高效的运营，最大程度地减少开支，并用工厂设备生产出尽可能多的产品。在工厂新建初期，效率和可靠性并不是最重要的问题，但是随着设备的老化，无法预料的故障以及随之而来的维修通常会成为问题。工厂人员可以访问设备数据，据此确定需要维护的设备，从而解决这一难题。问题是手动分析数据以生成见解，需要花费大量的时间、专业知识和运营知识。定制化的

一个AI软件包通常包含一个传感器、一个用来收集和分析数据的软件和一个用来可视化数据的记录器。图片来源 ：Yokogawa

作者：Takayuki Sugizaki

“

借助工业人工智能/机器学习软件和远程传感器，可帮助制造企业实现自动化异常检测和预测性维护，提高生产效率和利润。

”

对于生产制造商而言，要想实现盈利，就需要维持安全、高效的运营，最大程度地减少开支，并用工厂设备生产出尽可能多的产品。在工厂新建初期，效率和可靠性并不是最重要的问题，但是随着设备的老化，无法预料的故障以及随之而来的维修通常会成为问题。

工厂人员可以访问设备数据，据此确定需要维护的设备，从而解决这一难题。问题是手动分析数据以生成见解，需要花费大量的时间、专业知识和运营知识。定制化的人工智能 / 机器学习（AI/ML）软件，消除了大多数手动分析数据的麻烦。难点在于这类软件的实施和维护成本高昂。

现有的商用AI/ML 软件，诸如数据记录之类的软件，可提供自动化异常和报警，使运行人员能够在故障发生之前识别设备问题。该类型软件通常还有第二个用途，即作为多个设备数据的集中存储库，包括工业物联网（IIoT）远程无线传感器系统捕获的数 据。这类现成的 AI/ML 软件解决方案可提高运营效率，防止设备出现问题，并允许工厂在设备出现故障之前规划维护。

工业AI软件的3个开发目标

一般来说，现有的商用 AI/ML 软件解决方案优先实现以下 3 个目标 ：

1维持设备的健康状态 ：

记录所有设备的输出，包括与基准的偏差。

2通过异常信号检测来预测设备维护 ：

当设备变量开始偏离正常值时，软件会标记此行 为并警示运行人员，以便在出现故障之前采取维护措施。

3使 AI 变得更容易使用 ：

最终用户不必是AI专家或高价聘请的顾问，各层次的运行人员都可以使用、配置该软件。

在工业自动化领域，一个完整的AI软件通常包括用于收集数据的传感器和控制器，组织和使用AI/ML自动分析数据的、基于PC的软件，以及用于可视化数据的记录器。AI/ML软件根据过去的性能，将人员指向正常运行水平，并在检测到异常时通知他们。

自动化异常检测和预测性维护

因为控制系统通常具有用户可调节的高、低、偏差和超范围设定值，因此警告、报警本身并不是什么新鲜事物。当设备数据超过设定值时，系统会通知用户。

自动化异常检测提供了这些自动化功能之外的显著改进。首次部署 AI 软件时，它会经历一个学习阶段，在此阶段它会监控设备状况，为已知的正常操作建立基准。学习阶段所需的时间因应用而异，并且可由用户自定义。

一旦学习阶段完成并建立了正常的运营基准，AI/ML 软件就开始自动监视设备，生成报告以供人 员检查，并在运营偏离其基准时生成异常报警。这些报警可以提醒用户潜在的设备问题。

AI/ML 软件应易于配置和调 整，并提供用户友好的参数更改。当前设备数据与正常基准线匹配的程度可以作为健康评分使用，如果出现负分，则可以提前报告 异常（图）。

▎图：在异常检测中，AI/ML 软件的运行状态评分可指示设备故障之前的异常。

除了在设备故障发生之前识别异常外， AI 软件还是创建预测性维护的理想选择。当设备数据偏离 基线时，AI/ML 软件显示的健康评分就会下降。维护运营人员可根据此指标，在潜在故障发生之前，确定设备维护时间表。这些自动化的可视化见解，可节省运行人员的时间，去做数据分析和维护计划之外的工作。

支持AI的软件功能

许多软件可将网络上多个设备和测量点的数据整合到同一位置，这样用户就可以使用图表将数据可视化。然而，数据可视化本身并不能说明所查看的数据是否正常。为了解决这个问题，AI/ML 软件采用了自动叠加趋势的算法，并在图形用户界面上突出显示异常情况。

对于某种类型的设备数据，例如温度或压力，如果总是不理想的话，通常可以使用上限或下限设 定值报警的传统方法来检测异常。但是，对于诸如电机速度或机器振动之类的数据，如果不进行人工和细致的历史数据分析，则很难理解设备数据是否正常。

这种人工分析非常耗时，并且需要具有丰富的专业知识的熟练数据分析师，但是这些专家往往供 不应求。支持 AI 的软件将这一繁琐的手动过程转化为所有员工都能理解的即时自动洞察。

AI/ML 软件使用聚类算法来 检测异常。这意味着异常检测不局限于遵循线性、二次函数或其它基本函数的数据。启用高级 AI 的软件，在确定正常基准时会在多个设备数据点之间创建关联，并在运营期间检测这些关联是否异常。

自动化异常检测摆脱了人工分析，并且经常可以检测出使用可视化工具（例如图表和图形）检查 数据时所容易遗漏的问题。这通常会增加正常运行的时间并降低维护成本。

远程传感器和数据采集

在 IIoT 时代，将数据收集限 制在固定且可访问的流程和区域是不切实际的。移动机器和车辆、边 缘基地设施以及漫长的管线等应用生成的数据，也值得收集和分析，但这也给非固定、远程和低功率数据传输带来了障碍。低功耗广域网 （LPWAN）系统解决了这类问题，并且已在很多企业中用于从“困难 的”应用中收集数据。

LPWAN 传感器一些值得注意的特征是 ：

• 它们消耗的功率最小，因此电池可以使用数年 ；

• 它们提供远程无线数据传输，传输距离长达数英里 ；

• 高效的通信协议，与 3G，4G 和 5G 相比降低了数据使用要求。

测量振动、温度或压力的传感器，可为布置在任何地方的设备提供监视功能。远程广域网 （LoRaWAN，LPWAN 的子类别） 使连接的企业无需为有线线路或 IEEE 802.11 Wi-Fi 采取特别措施。

传感器传输的数据可以提供给主机系统使用，包括支持 AI 的 软件。将无线传感器与 AI 异常检测软件结合使用，无论设备位于何处，运行人员都可以清楚地了解设备的运行状况和维护需求。

具有 AI 功能的软件可以帮助企业延长资产寿命，避免故障以及昂贵的维修或更换费用。