工業(yè)過程和機(jī)械依賴可預(yù)測(cè)性和精確性。傳感器數(shù)據(jù)中的意外模式（稱為異常）可能表明存在問題，例如組件故障或傳感器性能下降?；?AI 的異常檢測(cè)有助于工程師盡早發(fā)現(xiàn)這些潛在問題，從而使他們能夠優(yōu)化維護(hù)計(jì)劃并提高流程效率。鑒于 86% 的制造業(yè)高管認(rèn)識(shí)到智能工廠將在未來(lái)五年內(nèi)提升競(jìng)爭(zhēng)優(yōu)勢(shì)，AI 將在制造業(yè)中發(fā)揮重要作用。

隨著現(xiàn)代工廠中的機(jī)器日益復(fù)雜，事實(shí)證明傳統(tǒng)的異常檢測(cè)方法已相形見絀。工程師和技術(shù)人員過去依賴手動(dòng)數(shù)據(jù)檢查或在傳感器值超出定義的閾值時(shí)自動(dòng)發(fā)出警報(bào)。工程師無(wú)法同時(shí)對(duì)數(shù)千個(gè)傳感器進(jìn)行分析，這就不可避免地會(huì)遺漏在許多傳感器中表現(xiàn)為復(fù)雜且不明顯模式的異常情況。

面對(duì)這些挑戰(zhàn)，當(dāng)今制造業(yè)的工程師正在使用 AI 來(lái)提高異常檢測(cè)的規(guī)模和準(zhǔn)確度。AI 算法可以基于來(lái)自數(shù)千個(gè)傳感器的海量數(shù)據(jù)進(jìn)行訓(xùn)練，以精確定位人類無(wú)法用肉眼識(shí)別的復(fù)雜異常。通過將 AI 的規(guī)模與工程師的相關(guān)領(lǐng)域?qū)I(yè)知識(shí)相結(jié)合，制造組織可以打造一個(gè)全面的異常檢測(cè)解決方案。

設(shè)計(jì)基于 AI 的異常檢測(cè)解決方案

設(shè)計(jì)基于 AI 的異常檢測(cè)解決方案是一個(gè)綜合過程，涵蓋規(guī)劃、數(shù)據(jù)采集一直到部署和集成。工程師必須對(duì)算法開發(fā)和運(yùn)營(yíng)環(huán)境都有深刻的了解，才能開發(fā)出能夠有效識(shí)別潛在問題的解決方案。

規(guī)劃和數(shù)據(jù)采集

設(shè)計(jì)基于 AI 的異常檢測(cè)系統(tǒng)一般從定義問題開始。這涉及評(píng)估可用的傳感器數(shù)據(jù)、組件或過程以及可能發(fā)生的異常的類型。對(duì)于不熟悉 AI 的組織來(lái)說，有必要先從限定范圍的概念驗(yàn)證項(xiàng)目開始，成功實(shí)現(xiàn)該項(xiàng)目將為組織清晰展現(xiàn)價(jià)值，然后組織再轉(zhuǎn)向更大的計(jì)劃。

高質(zhì)量的數(shù)據(jù)對(duì)于 AI 系統(tǒng)至關(guān)重要。工程師必須首先定義異常的構(gòu)成以及將數(shù)據(jù)歸類為異常的條件。采集數(shù)據(jù)涉及使用傳感器持續(xù)監(jiān)控設(shè)備和過程，以及手動(dòng)檢查以確保數(shù)據(jù)準(zhǔn)確度。

數(shù)據(jù)探索和預(yù)處理

工業(yè)異常檢測(cè)的大部分?jǐn)?shù)據(jù)都來(lái)自采集時(shí)間序列數(shù)據(jù)的傳感器，如隨時(shí)間采集的溫度、壓力、振動(dòng)、電壓和其他測(cè)量值。它可能還包括相關(guān)數(shù)量，如環(huán)境數(shù)據(jù)、維護(hù)日志和運(yùn)營(yíng)參數(shù)。設(shè)計(jì)異常檢測(cè)算法的第一步是組織和預(yù)處理數(shù)據(jù)，使其適用于分析。這包括重新格式化和重構(gòu)數(shù)據(jù)，提取問題的相關(guān)部分，處理缺失值，以及去除離群值。

傳感器數(shù)據(jù)中的意外模式（稱為異常）可能表明存在問題，例如組件故障或傳感器性能下降。

下一步是選擇異常檢測(cè)方法，這需要評(píng)估數(shù)據(jù)的特征、異常的性質(zhì)以及可用的計(jì)算資源。

模型的選擇和訓(xùn)練

最好對(duì) AI 模型嘗試不同訓(xùn)練方法以找到最適合特定數(shù)據(jù)集的方法，這非常重要。從較高的層面講，AI 方法可以根據(jù)可用數(shù)據(jù)的類型分為有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)方法。

有監(jiān)督學(xué)習(xí)

當(dāng)歷史數(shù)據(jù)塊可以清楚地標(biāo)注為正?；虍惓r(shí)，使用有監(jiān)督學(xué)習(xí)進(jìn)行異常檢測(cè)。標(biāo)注通常由工程師手動(dòng)完成，他們可以根據(jù)維護(hù)日志或歷史觀測(cè)值進(jìn)行調(diào)整。通過基于此標(biāo)注數(shù)據(jù)集進(jìn)行訓(xùn)練，有監(jiān)督學(xué)習(xí)模型能夠?qū)W習(xí)數(shù)據(jù)中的模式及其對(duì)應(yīng)標(biāo)簽之間的關(guān)系。像 MATLAB 中的分類學(xué)習(xí)器[2]這樣的工具可以幫助工程師同時(shí)試驗(yàn)多種機(jī)器學(xué)習(xí)方法，以了解哪種模型表現(xiàn)最佳，就像 Mondi Gronau預(yù)測(cè)塑料制造機(jī)的潛在故障一樣。經(jīng)過訓(xùn)練的模型可以預(yù)測(cè)新傳感器數(shù)據(jù)塊是正常的還是異常的。

無(wú)監(jiān)督學(xué)習(xí)

許多組織不具備有監(jiān)督學(xué)習(xí)方法所需的已標(biāo)注異常數(shù)據(jù)。這可能是因?yàn)楫惓?shù)據(jù)尚未存檔，或?qū)τ诖笮陀?xùn)練數(shù)據(jù)集而言異常發(fā)生的頻率不夠高。當(dāng)大多數(shù)或所有訓(xùn)練數(shù)據(jù)都正常時(shí)，就需要無(wú)監(jiān)督學(xué)習(xí)。

在無(wú)監(jiān)督學(xué)習(xí)方法中，對(duì)模型進(jìn)行訓(xùn)練以理解正常數(shù)據(jù)的特征，任何超出正常范圍的新數(shù)據(jù)都標(biāo)記為異常。無(wú)監(jiān)督模型可以分析傳感器數(shù)據(jù)以識(shí)別可能指示問題的異常模式，即使該類型的故障以前沒有遇到過或標(biāo)注過也是如此。

特征工程

盡管一些 AI 模型是基于原始傳感器數(shù)據(jù)訓(xùn)練的，但更高效的做法通常是從數(shù)據(jù)中提取有用的特征，然后通過特征工程這一過程進(jìn)行訓(xùn)練。特征工程是從原始數(shù)據(jù)中提取有用數(shù)量的過程，這有助于 AI 模型更高效地從底層模式中學(xué)習(xí)。有經(jīng)驗(yàn)的工程師可能已知道從傳感器數(shù)據(jù)中提取的重要特征類型。Predictive Maintenance Toolbox提供了交互式工具，用于提取和排列數(shù)據(jù)集中最相關(guān)的特征，以增強(qiáng)有監(jiān)督或無(wú)監(jiān)督 AI 模型的性能。

某些類型的數(shù)據(jù)（如圖像或文本）可通過深度學(xué)習(xí)方法得到改進(jìn)，因?yàn)檫@些方法可以自動(dòng)提取模式，而不需要顯式特征提取。IMCORP將時(shí)間序列和基于圖像的異常檢測(cè)相結(jié)合，使用深度學(xué)習(xí)來(lái)識(shí)別地下電力電纜中的故障。這些深度學(xué)習(xí)方法雖然功能強(qiáng)大，但也需要更大的訓(xùn)練數(shù)據(jù)集和更多的計(jì)算資源。

驗(yàn)證和測(cè)試

驗(yàn)證和測(cè)試 AI 模型可確保其可靠性和穩(wěn)健性。通常，工程師將數(shù)據(jù)分為三部分：訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)用于在訓(xùn)練階段調(diào)節(jié)模型參數(shù)，測(cè)試數(shù)據(jù)用于在模型訓(xùn)練后確定其對(duì)未知數(shù)據(jù)的性能。工程師還可以使用性能度量（如準(zhǔn)確率和召回率）評(píng)估模型，并執(zhí)行微調(diào)以滿足特定異常檢測(cè)問題的需求。

部署和集成

經(jīng)過訓(xùn)練和測(cè)試的 AI 模型在部署到運(yùn)營(yíng)中并開始對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)會(huì)發(fā)揮作用。在選擇適當(dāng)?shù)牟渴瓠h(huán)境時(shí)，工程師會(huì)考慮計(jì)算需求、延遲和可擴(kuò)展性等因素。其中包括接近制造過程的邊緣設(shè)備、本地服務(wù)器以及具有幾乎無(wú)限計(jì)算能力但延遲更高的云平臺(tái)。像 MATLAB Compiler和 MATLAB Coder 這樣的部署工具使工程師能夠生成可以集成到其他軟件系統(tǒng)中的獨(dú)立應(yīng)用和代碼。Aerzen Digital Systems部署了基于云的集成異常檢測(cè)解決方案來(lái)檢測(cè)廢水處理廠等關(guān)鍵工業(yè)綜合體中的問題。

集成需要開發(fā)用于訪問模型預(yù)測(cè)的 API，并建立數(shù)據(jù)管道以確保模型接收經(jīng)過正確格式化和預(yù)處理的輸入。這可以確保模型與應(yīng)用或系統(tǒng)的其他組件一起工作，并充分體現(xiàn)其價(jià)值。

結(jié)束語(yǔ)

基于 AI 的異常檢測(cè)是追求制造效率和成本效益的重大進(jìn)步。通過將 AI 與工程師的專業(yè)知識(shí)和最新的先進(jìn)技術(shù)相結(jié)合，制造商能夠顯著降低缺陷發(fā)生率，優(yōu)化維護(hù)計(jì)劃，并提高整體生產(chǎn)力。將 AI 集成到制造過程中可能很復(fù)雜，但在效率、成本節(jié)約和競(jìng)爭(zhēng)優(yōu)勢(shì)方面的潛在回報(bào)是巨大的。隨著制造業(yè)的發(fā)展，AI 在推動(dòng)創(chuàng)新和卓越運(yùn)營(yíng)方面的作用將日益顯著。

關(guān)于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 產(chǎn)品經(jīng)理。她之前是一名應(yīng)用工程師，為客戶提供關(guān)于使用 MATLAB 的預(yù)測(cè)性維護(hù)項(xiàng)目的支持。在加入 MathWorks 之前，Rachel 是美國(guó)海軍的空氣動(dòng)力學(xué)和推進(jìn)仿真工程師。Rachel 持有馬里蘭大學(xué)航空航天工程碩士學(xué)位、塔夫茨大學(xué)數(shù)學(xué)教育碩士學(xué)位和普林斯頓大學(xué)航空航天工程學(xué)士學(xué)位。