專屬客服號
微信訂閱號
全面提升數據價值
賦能業務提質增效
通過使用機器學習,結合從工業物聯網(IIOT)設備收集的數據,可以改進流程、降低成本并提高效率。
預測性維護應用數據和模型來預測設備或資產何時發生故障。這種方法可以通過預測故障,來幫助公司主動解決可能導致代價高昂的停機或中斷情況。
另一種方法是采用“停機修復”方法,這在很多方面對公司而言都是昂貴的。一旦機器發生故障,與事先知道并避免該問題的情況相比,要使機器恢復正常則需要大量資源。
維護類型
有三種維護方法:
1、被動性
被動性維護方法意味著我們僅在部件出現故障時才進行更換。這種方法會導致嚴重且昂貴的后果,根據我們所談論的機器類型,它甚至可能是危險的。例如,如果有問題的機器是一臺噴氣式發動機,故障可能會危及數百人的生命,并可能會毀掉一家公司的聲譽。
2、預防性
預先計劃的維護是一種稍微好一點的方法,因為是定期對問題進行分類和處理。但是,您可能會在實際需要執行某項操作之前就已經對其進行了更改或維護,這會浪費公司的資源。您不知道何時可能發生故障,因此需要采取保守的方法來避免不必要的成本。例如,當您提前維護機器時,實際上是在浪費機器的使用壽命,效率低下地使用維護資源,并且通常會增加您的業務成本。
3、預測性
能夠預測機器什么時候會出故障是最理想的情況,但是很難準確預測。在最佳情況下,您將知道機器何時會出現故障。您還將知道哪些部件將出現故障,這樣您就可以減少診斷問題所花費的時間,并減少流程中的浪費和風險。當機器故障由預測系統發出信號時,維護計劃應盡可能接近事件,以充分利用其剩余使用壽命。
預測性維護可以解決的問題
利用從工業物聯網(IIOT)設備收集的數據,我們可以解決廣泛的維護問題,最終目標是使用機器學習(ML)達到先發制人的態勢。
可以解決的問題包括:
▲檢測故障點。這一概念包括預測部件何時出現故障,并有助于更好地預測部件或機器在其生命周期中的哪個階段會出現故障。
▲早期故障檢測。在這種情況下,我們可以通過將傳感器數據應用于機器學習算法,在故障發生之前檢測出故障。
▲最大限度地延長剩余使用壽命。能夠預測部件發生故障的時間間隔,我們就可以在正確的時間應用維護或更換部件。
我們越能準確地預測部件或機器何時會出現故障,就越容易在整個組織內實現最高的生產力和效率。
您將看到改進的領域包括:
▲更有效地利用勞動力
▲監控機器性能所需的資源更少
▲可預測的生產力水平
▲最大限度延長機器和部件壽命
▲最高水平的生產收益
▲消除不必要的維護任務
▲降低風險
▲改善工作場所安全
預測性維護方法
要使預測性維護成功,必須具備三個主要方面。
首先,可能也是最重要的,您需要高質量的數據。理想情況下,希望歷史數據考慮到過去的故障事件。需要將故障數據與機器本身的靜態特征(包括其平均使用情況,一般屬性以及其運行條件)并列。
毫無疑問,您將得到大量數據,因此,專注于正確數據至關重要。關注無關數據只會把事情弄得一團糟,并使注意力從最重要的地方移開。您應該捫心自問,什么樣的故障很可能發生?您想預測哪些?當一個進程出現故障時會發生什么?它會很快發生嗎,還是隨著時間推移而慢慢損壞?
最后,仔細看看其他相關的系統和部件。是否還有其他與故障相關的部件?可以測量它們的性能嗎?最后,這些測量需要多久進行一次?
為了獲得最佳結果,需要長時間進行數據收集。高質量數據可得出更準確的預測模型。任何不足只會縮小可能性范圍,而不會給您確鑿的事實。分析可用數據,并問自己是否有可能基于這些見解建立預測模型。
通常,我們使用兩種預測建模方法:
回歸模型可預測部件的剩余使用壽命。它告訴我們機器還有多少時間會出現故障。為了使回歸模型起作用,必須提供歷史數據。每個事件都會被跟蹤,理想情況下,各種類型的故障都會被表示出來。
回歸模型提供的假設是,基于系統的固有(靜態)方面及其當前性能,可以預測其剩余生命周期。但是,如果系統發生故障的方式有多種,則必須為每種可能性創建一個單獨的模型。
分類模型可預測特定時間內的機器故障。我們不需要提前太久知道機器要發生故障,而是只需要知道故障即將發生。
分類和回歸模型在許多方面是相似的,但是在某些方面確實有所不同。首先,分類著眼于一個時間窗口,而不是一個確切的時間。這意味著需要的數據不那么嚴格。
工作原理
一旦建模,就可以通過以下方式進行預測性維護:
機器學習模型收集傳感器數據,并基于歷史故障數據,識別故障之前的事件。
我們預先設置了所需的參數,以觸發潛在故障的警報。當傳感器數據超出這些參數閾值時,將啟動警報。
機器學習的作用在于檢測正常系統操作之外的異常模式。借助高質量數據對這些異常有了更好的認識,我們預測故障的能力將大大提高。
總之,機器學習支持以最少的人為干預分析大量數據。
通過應用機器學習,結合從工業物聯網設備收集的數據,可以改進流程、降低成本、優化員工效率,并顯著減少機器停機時間——這是組織成功的關鍵。
來源:物聯之家網
本文為本網轉載,出于傳遞更多信息之目的,并不意味著贊同其觀點或證實其內容的真實性,如涉及侵權,請權利人與本站聯系,本站經核實后予以修改或刪除。
請完善以下信息,我們的顧問會在1個工作日內與您聯系,為您安排產品定制服務
評論