工業(yè)軟件如何發(fā)展，才能更好地幫助制造企業(yè)實(shí)施預(yù)測性維護(hù)的優(yōu)先級策略?

　　世界正處于一個加速數(shù)字化變革的時代。在工業(yè)環(huán)境中，機(jī)器學(xué)習(xí)、高級分析和人工智能 (AI) 工具有助于提供改進(jìn)的預(yù)測性維護(hù)策略，但這些工具的應(yīng)用方式對于成功至關(guān)重要。

　　確定優(yōu)先級

　　從最初有點(diǎn)理想化的目標(biāo)到監(jiān)測機(jī)器上的所有東西，人們的想法已經(jīng)有了轉(zhuǎn)變。確定優(yōu)先級并將注意力集中在優(yōu)化機(jī)器學(xué)習(xí)算法上，以優(yōu)先發(fā)現(xiàn)關(guān)鍵領(lǐng)域的數(shù)據(jù)模式異常--確定具有最快投資回報率的領(lǐng)域，這樣做更有意義。

　　與傳統(tǒng)的狀態(tài)監(jiān)測方法相比，基于AI的預(yù)測性維護(hù)具有更多優(yōu)勢。來自機(jī)器的數(shù)據(jù)越來越多地可以與過程數(shù)據(jù)合并，并使用分析模型和基于云的解決方案進(jìn)行評估。例如，人工智能可用于在早期階段檢測與生產(chǎn)機(jī)械正常狀態(tài)的偏差。這就減少了計劃外停工時間，降低了能源成本并提高了效率。減少計劃外停產(chǎn)也直接提高了設(shè)備的整體效率。

　　實(shí)現(xiàn)預(yù)測性維護(hù)的新愿景是一項(xiàng)有趣的挑戰(zhàn)。當(dāng)今的自動化制造商需要尋找新的方法來支持其客戶實(shí)現(xiàn)基于實(shí)時數(shù)據(jù)挖掘的預(yù)測性維護(hù)。對于自動化技術(shù)領(lǐng)域的公司來說，這需要能夠?qū)C(jī)電一體化專業(yè)知識與數(shù)字分析解決方案相結(jié)合，這不是一件容易的事。

　　"在費(fèi)斯托，經(jīng)驗(yàn)告訴我們，對人工智能項(xiàng)目的成功至關(guān)重要的是，我們不僅要提供軟件專業(yè)知識，還要有將其整合到生產(chǎn)環(huán)境中的知識，并提供經(jīng)驗(yàn)來解釋應(yīng)用術(shù)語中的數(shù)據(jù)。"費(fèi)斯托英國公司(Festo GB)產(chǎn)品管理負(fù)責(zé)人Steve Sands說。收購專業(yè)軟件公司Resolto使費(fèi)斯托能夠快速實(shí)現(xiàn)這種綜合，并開發(fā)出一種解決方案，使預(yù)測性維護(hù)成為機(jī)器的無縫組成部分。

　　實(shí)時分析數(shù)據(jù)

　　由此產(chǎn)生的預(yù)測性維護(hù)解決方案是Festo自動化旅程(Festo Automation Experience,簡稱Festo AX)，它采用人工智能，使用戶能夠通過易于使用的軟件和機(jī)器學(xué)習(xí)從其設(shè)備產(chǎn)生的數(shù)據(jù)中提取價值，讓客戶能夠根據(jù)信息而不僅僅是數(shù)據(jù)做出決定。關(guān)鍵的應(yīng)用案例已經(jīng)被細(xì)化，使用戶能夠分析和理解他們的數(shù)據(jù)，以更好地提高生產(chǎn)力，降低能源成本，避免質(zhì)量損失，優(yōu)化他們的車間，或創(chuàng)造新的商業(yè)模式。

　　所有這些都是通過實(shí)時分析數(shù)據(jù)來實(shí)現(xiàn)的。該解決方案可以集成到本地、邊緣或云中的系統(tǒng)中，程序可以直接由機(jī)器在邊緣組件上運(yùn)行。這在延遲方面具有優(yōu)勢，并且數(shù)據(jù)傳輸成本降至最低。

　　我們還觀察到能夠與標(biāo)準(zhǔn)控制架構(gòu)并行監(jiān)控機(jī)器輸出數(shù)據(jù)的好處。將這兩個功能分開可最大限度地減少標(biāo)準(zhǔn)機(jī)器控制的任何過載或減速。這在現(xiàn)有的運(yùn)行安裝中尤其重要，在這些安裝和編程中，更換控制系統(tǒng)將花費(fèi)大量成本。

　　在可能的情況下，通過OPC-UA和MQTT等標(biāo)準(zhǔn)協(xié)議訪問數(shù)據(jù)。它由基于AI和機(jī)器學(xué)習(xí)的算法實(shí)時處理，當(dāng)數(shù)據(jù)與資產(chǎn)的"健康狀態(tài)"不同時輸出通知。該通知通知用戶所涉及的傳感器，還可以提供建議的操作過程。

　　利用操作員的知識對異常進(jìn)行分類，可以訓(xùn)練這種類型的系統(tǒng)，以便軟件知道如何在下次發(fā)生相同的異常時做出反應(yīng)。通過這種迭代(人在環(huán)路human in the loop)過程，算法得到改進(jìn)，不需要的通知被消除。

　　這是一個"獎勵"和"懲罰"過程，對于好的通知，算法會得到積極的改進(jìn)，而對于那些操作員認(rèn)為沒有用的通知，算法會得到改進(jìn)。異常現(xiàn)象產(chǎn)生的頻率越高，無論是在許多相同的機(jī)器上重復(fù)出現(xiàn)還是高重復(fù)率，數(shù)字化模型的學(xué)習(xí)速度就越快。

　　一旦優(yōu)化周期開始，異常就會被很早就檢測到，這意味著可以避免意外停機(jī)，備件準(zhǔn)備就緒，并且可以進(jìn)行維護(hù)而不會對生產(chǎn)產(chǎn)生負(fù)面影響。

　　更深入地數(shù)據(jù)挖掘

　　隨著人們越來越了解數(shù)據(jù)分析的好處，對更深入洞察的需求也在增長。如今，可以自動為機(jī)器的每個異常行為生成根本原因分析，顯示哪些傳感器對異常檢測至關(guān)重要。這種額外的數(shù)據(jù)可視化使用戶能夠深入了解異常并識別重要的相關(guān)性。

　　對于這種類型的預(yù)測性維護(hù)工具，重要的是數(shù)據(jù)分析不僅限于解決方案提供商提供的組件和模塊。

　　AI在預(yù)測性維護(hù)中的應(yīng)用將繼續(xù)發(fā)展。這反過來意味著需要盡早獲得學(xué)習(xí)和經(jīng)驗(yàn)，以利用該技術(shù)。對于最終用戶來說，試圖證明包羅萬象的大型安裝是沒有意義的。相反，采取一種敏捷的方法，并實(shí)現(xiàn)快速的回報和成功將是更有建設(shè)性的。那些基于AI和其他新興技術(shù)的最成功的預(yù)測性維護(hù)項(xiàng)目已經(jīng)采取了分階段的方法--通過試點(diǎn)評估提出和測試假設(shè)，然后從獲得的學(xué)習(xí)中進(jìn)行升級。

　　從本質(zhì)上講，使用機(jī)器學(xué)習(xí)和數(shù)據(jù)分析有助于消除大型數(shù)據(jù)湖中的"迷霧"，將注意力集中在投資回報率最快的領(lǐng)域。這使制造商能夠采取優(yōu)先策略，從快速贏利中獲益，并通過已經(jīng)掌握的投資回報實(shí)例，按優(yōu)先順序進(jìn)行工作。毫無疑問，這是一個令人興奮的發(fā)展領(lǐng)域，看看它在未來幾年如何發(fā)展將會很有趣。