如今，工程師們越來越意識到，預測性維護現在幾乎是人工智能 （AI） 技術的專有領域，他們首先需要學習機器學習 （ML） 和神經網絡技能來實現此類應用程序。MathWorks 高級產品營銷經理 Aditya Baru 表示，工程師仍然可以部署預測性維護，而無需學習新的 AI 和 ML 技能。

在最近與EDN的一次談話中，Baru 概述了實施預測性維護的四個基本步驟，并補充說每個步驟都有專門的工具可用。

圖 1. 基本的預測性維護工作流程包括四個基本步驟。

1.數據處理

對于不是數據科學家或沒有機器學習背景的工程師來說，查看由傳感器和工業設備（如風力渦輪機、發電機、泵和電機）生成的大量數據并不容易。工程師處理的數據主要是原始數據；它又臟又臟。

勘探作業中的噴氣發動機或油泵每天可以輕松創建 1TB 的數據；現在想象一下在 TB 的數據中尋找故障條件。那么，工程師能做什么呢？“工程師可以查看大量傳入的數據，找出原始數據中是否有任何變化，識別任何系統退化，并確定系統出現異常行為的原因，”Baru 說。

例如，在石油勘探泵中，工程師可以查看原始數據的一件事是對持續旋轉的泵進行光譜分析。因此，他們可以識別故障出現的頻率。“雖然工程師已經了解這臺機器，但他們現在要做的是確定最有效的方法。”

圖 2. 工程師可以通過跟蹤電機摩擦的變化來檢測泵中的泄漏和堵塞。

這將我們帶到第二個基本步驟，條件指標，一種數據縮減方法。

2.狀態指標

如果工程師有 100 個時間序列數據樣本，他應該設法將其減少到一個數字，而這個數字必須捕獲這 100 個樣本中的所有相關信息。“我們的想法是你獲取一個巨大的數據集并將其減少為更少的特征。”

Baru 提到了最近的一個項目，在該項目中，MathWorks 與戴姆勒梅賽德斯合作開發了一個異常檢測應用程序，該應用程序分析大量時間序列數據并確定生產線是否存在異常情況。在這里，MathWorks 工具將大量數據減少為一組較小的特征（例如模式和時間延遲），從而將數據處理減少了 250 倍。

圖 3. 工程師可以從原始傳感器數據中提取特征，并使用基于時間和頻率的技術創建條件指標。資料來源：數學工作

現在工程師正在研究較少數量的條件指標，他們可以根據這些條件指標構建預測模型。

3.預測模型

使用代表整個大型數據集并捕獲獨特信息的小得多的數據集，工程師可以使用合適的工具來創建預測學習模型，而無需學習 AI 和 ML 技能集。

各種模型（例如時間序列模型、統計模型和基于概率的模型）同樣適用于構建預測模型。“有很多用于構建預測模型的傳統工程技術，”Baru 說。

圖 4. Predictive Maintenance Toolbox使工程師能夠估計剩余使用壽命 （RUL） 并提供與預測相關的置信區間。資料來源：MathWorks

工程師還可以將工具重新用于稍微不同的應用程序。Baru 提到了 Safran，這是一家航空航天公司，它使用信號調理技術來預測系統何時可能出現故障。這項工作是在MATLAB中完成的，這是一個用于算法開發、數據分析、可視化和數值計算的編程環境。

4.算法部署

第四步可能是最重要的：在生產環境中為預測模型部署算法。工程師可以通過多種方式部署算法。這包括本地嵌入機器的預測模型、作為本地服務器在本地運行的小型計算機，或者在連接可行時將數據流式傳輸到云服務。

在這個四步工作流程中實施的預測性維護允許工程師部署維護服務，以保證機器在 90% 的時間內保持運行。并且可以使用工具來有效地管理所有這四個基本步驟。

審核編輯：郭婷