精华内容
参与话题
问答
  • 预测性维护

    千次阅读 2019-02-13 10:36:28
    参考: https://www.infoq.com/articles/challenges-of-data-preparation-for-predictive-maintenance?utm_source=articles_about_bigdata&utm_medium=link&utm_campaign=bigdata ...
    展开全文
  • matlab预测性维护方案

    2021-01-15 21:09:53
    matlab预测性维护方案
  • 预测性维护In the era of digitization the concept of Smart Factory attracts a lot of attention. Modern industry becomes connected and highly automated. Such factories need their machines to run ...

    预测性维护

    In the era of digitization the concept of Smart Factory attracts a lot of attention. Modern industry becomes connected and highly automated. Such factories need their machines to run smoothly and with minimal down times. Predictive maintenance helps to deal with breakages. It aims to identify possible failures and helps to schedule the maintenance of detected devices.

    在数字化时代,智能工厂的概念吸引了很多关注。 现代工业变得互联且高度自动化。 这样的工厂需要他们的机器运行平稳,停机时间最少。 预测性维护有助于处理破损。 它旨在识别可能的故障并帮助安排检测到的设备的维护。

    In current blog post I illustrate the process of building a model that detects failures of factory machines. I use an open dataset from one of the Schwan’s factories. It contains time series values that include telemetry, device errors and failures. The aim is to predict device failure 12 hours before it happens. An assumption is that half of a day is enough for a technician to react and to handle a possible issue.

    在当前的博客文章中,我说明了构建检测工厂机器故障的模型的过程。 我使用Schwan一家工厂的开放数据集。 它包含时间序列值,包括遥测,设备错误和故障。 目的是在发生故障前12小时预测设备故障。 假设半天时间足以使技术人员做出React并解决可能的问题。

    探索数据集 (Exploring dataset)

    The first thing to do is reading the dataset and loading data into pandas data frames. This logic is quite trivial, so I do not post it here. Instead you can access the original Jupyter Notebook at this link.

    首先要做的是读取数据集并将数据加载到熊猫数据框中。 这种逻辑非常琐碎,因此我不在此发布。 相反,您可以通过此链接访问原始的Jupyter Notebook。

    In general there are 3 files to read: telemetry.csv, failures.csv and errors.csv. At the end we get 3 pandas data frames: telemetry_df, failures_df and errors_df.

    通常,有3个文件需要读取:telemetry.csv,failures.csv和errors.csv。 最后,我们得到3个熊猫数据帧:telemetry_df,failures_df和errors_df。

    Image for post
    Telemetry data frame
    遥测数据帧
    Image for post
    Failures and Errors data frames
    故障和错误数据帧

    In total there are 876100 rows of telemetry values for 100 machines during 1 year on an hour basis. This is a lot, but most of the time devices work well. All in all the data set contains only 3919 errors and 761 failures. The latest are the values we try to predict.

    在1年中,以小时为单位,总共有100台机器的876100行遥测值。 这很多,但是大多数时候设备运行良好。 所有数据集总共仅包含3919个错误和761个失败。 最新是我们尝试预测的值。

    We have data for 100 machines. In real predictive maintenance cases it often makes sense to create a separate model for each machine for having best predictions. In this example we assume that one model might work for all the devices. To check it, let’s build box plots for telemetry values of all machines and compare their distributions.

    我们有100台机器的数据。 在实际的预测性维护案例中,通常有必要为每台机器创建一个单独的模型以实现最佳预测。 在此示例中,我们假设一个模型可能适用于所有设备。 要检查它,让我们为所有机器的遥测值构建箱形图并比较它们的分布。

    import matplotlib.pyplot as plt
    import numpy as np


    volt_values = []
    rotate_values = []
    pressure_values = []
    vibration_values = []

    for i in range(1,101):
    volt_values.append(telemetry_df[telemetry_df['machineID'] == i]["volt"])
    rotate_values.append(telemetry_df[telemetry_df['machineID'] == i]["rotate"])
    pressure_values.append(telemetry_df[telemetry_df['machineID'] == i]["pressure"])
    vibration_values.append(telemetry_df[telemetry_df['machineID'] == i]["vibration"])


    fig, axs = plt.subplots(4, 1, constrained_layout=True, figsize=(18, 16))
    fig.suptitle('Telemetry values per machine', fontsize=16)


    def build_box_plot(plot_index, plot_values, title):
    axs[plot_index].boxplot(plot_values)
    axs[plot_index].set_title(title)
    axs[plot_index].set_xticks([1, 26, 51, 76, 101])
    axs[plot_index].set_xticklabels([1, 25, 50, 75, 100])


    build_box_plot(0, volt_values, "Volt")
    build_box_plot(1, rotate_values, "Rotate")
    build_box_plot(2, pressure_values, "Pressure")
    build_box_plot(3, vibration_values, "Vibration")
    plt.show()
    Image for post
    Telemetry values of all machines
    所有机器的遥测值

    The picture above show us that all machines have approximately same distributions of their telemetry values. So, we might assume that they are similar from the technical point of view and hence we can train one model for all of them.

    上图显示了所有机器的遥测值分布大致相同。 因此,我们可以假设从技术角度来看它们是相似的,因此我们可以为所有模型训练一个模型。

    Of course it’s still hard to decide if our data is sufficient for predicting failures. So, we need to explore it further. Now we combine all 3 data frames into one (see the original notebook) and build scatter plots for pairs “Rotate-Volt” and “Vibration-Pressure”. We also mark the failure cases in red. By doing this we want to check if failures are grouped together or occur for extreme values known as outliers.

    当然,仍然很难确定我们的数据是否足以预测故障。 因此,我们需要进一步探索。 现在,我们将所有3个数据帧组合为一个(请参阅原始笔记本),并为“旋转-电压”和“振动-压力”对建立散点图。 我们还将失败案例标记为红色。 通过执行此操作,我们要检查是否将故障分组在一起或是否发生了称为异常值的极端值。

    Image for post
    Telemetry values and failures
    遥测值和故障

    Looking at the plots we might conclude that there are simple patterns. It does not mean that telemetry is useless. But it tells us that it won’t be a straight forward and good predictor as it is. From the other side there still can be complex patterns especially in the way how values behave over time. These patterns cannot be seen on simple plots but still can be detected by non-linear models.

    查看这些图,我们可能会得出结论:存在简单的模式。 这并不意味着遥测是无用的。 但是它告诉我们,它不会是一个简单明了的预测者。 另一方面,仍然存在复杂的模式,尤其是在值随时间变化的方式上。 这些模式无法在简单的图上看到,但仍可以通过非线性模型检测到。

    Now let’s explore errors. They might happen some time before the failures and be a good indicator. To check them we first randomly sample 6 failure cases. Then we pick a time frame of 48 hours before the failure. Plots below show both telemetry values and errors that are marked by red lines.

    现在让我们探索错误。 它们可能在故障发生前的某个时间发生,并且是一个很好的指示。 为了检查它们,我们首先随机抽样6个失败案例。 然后我们选择故障发生前48小时的时间范围。 下面的图显示了遥测值和用红线标记的错误。

    Image for post
    48 hours before the failure happend. Red lines denote errors.
    故障发生前48小时。 红线表示错误。

    In all 6 examples there are errors that happen several hours before the actual failure. So, they might be a good predictor.

    在所有6个示例中,都存在在实际故障发生前几个小时发生的错误。 因此,它们可能是一个很好的预测指标。

    准备数据集 (Prepare dataset)

    After exploring dataset we have several assumptions:

    探索数据集后,我们有几个假设:

    • We can combine data for all machines and train one model.

      我们可以合并所有机器的数据并训练一个模型。
    • Telemetry is not a good predictor alone, but still might improve the model in some cases. So, we calculate the rolling values and use them during the model training.

      遥测本身并不是一个好的预测指标,但在某些情况下仍可以改善模型。 因此,我们计算滚动值并在模型训练期间使用它们。
    • Errors seem to be a good predictor.

      错误似乎是一个很好的预测指标。
    • The number of failures is low comparing to the number of normal functioning samples.

      与正常运行的样本数量相比,失败的数量很少。

    First of all we need to prepare a dataset for training. Preparation includes:

    首先,我们需要准备训练数据集。 准备工作包括:

    • Pick all failure cases

      选择所有失败案例
    • Randomly sample 30000 normal cases

      随机抽样30000例正常病例
    • Subtract 12 hours (predict failure 12 hours before) and pick a time window of 36 hours back.

      减去12个小时(预测12个小时之前会发生故障),然后选择36个小时的时间范围。
    • Calculate the number of errors of each type during the defined time frame

      计算在定义的时间范围内每种类型的错误数
    • Calculate telemetry statistics (min, max, std, mean) during the defined time frame

      在定义的时间范围内计算遥测统计信息(最小,最大,标准,均值)
    • Split the dataset into train, test and validation

      将数据集分为训练,测试和验证

    Let’s prepare the column names and a method for calculating statistics.

    让我们准备列名和一种计算统计量的方法。

    hours_ahead = 12
    hours_lag = 36
    tel_columns = ["volt", "rotate", "pressure", "vibration"]
    error_columns = ["error1", "error2", "error3", "error4", "error5"]

    col_names = []
    for tel_c in tel_columns:
    col_names.extend([tel_c + "_min", tel_c + "_max", tel_c + "_std", tel_c + "_mean"])

    for err_c in error_columns:
    col_names.append(err_c + "_sum")


    def get_time_span_statistics(source_df, lag_start, lag_end):
    lag_values_df = source_df.iloc[lag_start:lag_end]
    failure_record = []

    for col_name in tel_columns:
    failure_record.extend([lag_values_df[col_name].min(),
    lag_values_df[col_name].max(),
    lag_values_df[col_name].std(),
    lag_values_df[col_name].mean()])

    for col_name in error_columns:
    failure_record.append(lag_values_df[col_name].sum())

    return failure_record

    Next step is to calculate values for all failure cases.

    下一步是计算所有失败案例的值。

    failure_records = []
    failure_ranges = []

    for f_index in failure_indexes:
    start_i = f_index - hours_ahead - hours_lag
    end_i = f_index - hours_ahead

    failure_ranges.extend(np.arange(f_index - hours_ahead - hours_lag, f_index + hours_ahead + hours_lag))
    failure_records.append(get_time_span_statistics(telemetry_df, start_i, end_i))

    failure_records_df = pd.DataFrame(failure_records)
    failure_records_df.columns = col_names
    failure_records_df['is_error'] = True

    Sample normal cases and combine them with failures.

    对正常情况进行抽样,并将其与故障结合起来。

    normal_functioning_records = []
    normal_functioning_indexes = telemetry_df.drop(failure_ranges).sample(30000).index

    for n_index in normal_functioning_indexes:
    start_i = n_index - hours_ahead - hours_lag
    end_i = n_index - hours_ahead
    normal_functioning_records.append(get_time_span_statistics(telemetry_df, start_i, end_i))

    normal_functioning_records_df = pd.DataFrame(normal_functioning_records)
    normal_functioning_records_df.columns = col_names
    normal_functioning_records_df['is_error'] = Falsecombined_df = pd.concat([failure_records_df,
    normal_functioning_records_df], ignore_index=True)# shuffle the data set
    combined_df = combined_df.sample(len(combined_df))

    Now we need to split the combined dataset into train, test and validation subsets.

    现在我们需要将合​​并的数据集分为训练,测试和验证子集。

    split_mask = np.random.rand(len(combined_df)) < 0.7

    x_df = combined_df.drop(['is_error'], axis=1)
    y_df = combined_df['is_error']

    x_train = x_df[split_mask]
    y_train = y_df[split_mask]

    x_test_validation = x_df[~split_mask]
    y_test_validation = y_df[~split_mask]

    split_mask = np.random.rand(len(x_test_validation)) < 0.5
    x_validation = x_test_validation[split_mask]
    y_validation = y_test_validation[split_mask]

    x_test = x_test_validation[~split_mask]
    y_test = y_test_validation[~split_mask]

    As a result we have the following subsets:

    结果,我们具有以下子集:

    • Training set: total items = 21379, failure items = 474

      训练集:总项= 21379,失败项= 474
    • Validation set: total items = 4599, failure items = 120

      验证集:总项数= 4599,失败项数= 120
    • Test set: total items = 4741, failure items = 125

      测试集:总项数= 4741,失败项数= 125

    The subsets are imbalanced. We need to keep it in mind while picking the validation metrics. For example, accuracy is not sufficient. It’s better to look at precision, recall and F1 score.

    子集不平衡。 在选择验证指标时,我们需要牢记这一点。 例如,准确性不足。 最好看一下精度,召回率和F1得分。

    培训与评估 (Training and evaluation)

    After preparing the dataset we are ready to start training. In current example we are going to train a gradient boosting model. This is a quite powerful ensemble algorithm that provides a non-linear classifier. For evaluation we use AUCPR, which is better for imbalanced datasets.

    准备好数据集后,我们就可以开始训练了。 在当前示例中,我们将训练梯度提升模型。 这是一种功能强大的集成算法,可提供非线性分类器。 为了进行评估,我们使用AUCPR,这对于不平衡的数据集更好。

    from xgboost import XGBClassifier


    model = XGBClassifier(max_depth=10, n_estimators=100, seed=0)
    model.fit(
    x_train,
    y_train,
    eval_set=[(x_validation, y_validation)],
    early_stopping_rounds=10,
    eval_metric="aucpr"
    )

    The training reaches an AUC value of 0.98345, which is a very high result. To get final metrics we need to evaluate the model on the test set that has not been used during the training.

    训练达到的AUC值为0.98345,这是非常高的结果。 为了获得最终指标,我们需要在训练过程中未使用的测试集上评估模型。

    The script below calculates precision, recall, F-score, builds ROC curve and confusion matrix.

    下面的脚本计算精度,召回率,F得分,建立ROC曲线和混淆矩阵。

    from sklearn import metrics


    test_predictions = model.predict(x_test)
    precision, recall, fscore, _ = metrics.precision_recall_fscore_support(y_test, test_predictions, average='weighted')

    print("Precision {}, Recall {}, F-Score {}".format(precision, recall, fscore))
    metrics.plot_roc_curve(model, x_test, y_test)
    metrics.plot_confusion_matrix(model, x_test, y_test)

    Final scores:

    最终成绩:

    • Precision = 0.99719

      精度= 0.99719
    • Recall = 0.99722

      召回= 0.99722
    • F-Score = 0.99719

      F分数= 0.99719
    Image for post
    ROC curve and confusion matrix
    ROC曲线和混淆矩阵

    The evaluation on a test set shows that the model performs very well. It means that such model can be used in production. It’s still necessary to keep in mind that some devices might differ from the others. So it’s recommended to verify and fine tune the model on each machine before deploying it. However, model deployment is another important process that is not covered by current article.

    对测试集的评估表明该模型的性能非常好。 这意味着可以在生产中使用这种模型。 仍然需要记住,某些设备可能与其他设备有所不同。 因此,建议在部署之前在每台计算机上验证和微调模型。 但是,模型部署是本文中未涉及的另一个重要过程。

    To conclude, this blog post provides an example of training a model for predictive maintenance. It uses a real dataset that contains time-series telemetry values as well as information about errors and failures. The article illustrates the process of data exploration and preparation. Finally, it shows the training of Gradient Boosting model and its evaluation.

    最后,这篇博客文章提供了一个培训预测性维护模型的示例。 它使用包含时间序列遥测值以及有关错误和故障信息的真实数据集。 本文说明了数据探索和准备的过程。 最后,展示了梯度提升模型的训练及其评估。

    Here you can access the notebook with original scripts.

    您可以在此处使用原始脚本访问笔记本。

    翻译自: https://medium.com/@andrey.i.karpov/predictive-maintenance-on-factory-data-4f8cc17696e4

    预测性维护

    展开全文
  • 2018预测性维护白皮书

    2019-02-12 10:48:21
    本白皮书以国家及上海制定的人工智能产业发展相关规划为导向, 立足于人工智能在工业领域的应用实践, 梳理了维护理论的发展历程,重点对预测性维护的概念、架构、流程以及技术体系进行了阐释, 介绍了几种典型的...
  • 仪表中的预测性维护doc,仪表中的预测性维护
  • 浅谈西门子仪表的预测性维护doc,浅谈西门子仪表的预测性维护预测性维护是近几年发展比较快的一种设备维护模式。本文从讨论设备维护的三种模式比较以及预测性维护的现状开始,对基于西门子仪表所实现的几种预测性...
  • 预测性维护:利用MATLAB提取.pdf
  • 利用MATLAB实现预测性维护 故障诊断与生命周期预测 马文辉 2015 The MathWorks, Inc. 1 维护种类 被动式维护 出现问题时进行维护 例如: 更换出现问题的电池 问题: 以外的故障是昂贵的并且存在潜在的风险 预防性维护 ...
  • 预测性维护(2)

    2020-03-30 16:05:34
    预测性维护 - 应用开发预测性维护 - 应用开发流程数据获取数据处理特征提取模型训练模型部署 预测性维护 - 应用开发流程 预测性维护应用从开发流程而言,和标准的机器学习类应用有其相似性。通常而言包括如下的五...

    预测性维护 - 应用开发流程

    预测性维护应用从开发流程而言,和标准的机器学习类应用有其相似性。通常而言包括如下的五步法:

    • 数据获取
    • 数据处理
    • 特征提取
    • 模型训练
    • 应用部署
      预测性维护开发流程

    数据获取

    数据获取
    数据收集是指根据系统自身的需求和用户的需要收集相关的数据。
    数据收集过程中应该尽可能自动化获取新数据。
    在此过程中,需要考虑的问题如下:

    • 列出要什么数据以及需要多少数据。
    • 查找并记录获取该数据的地方。
    • 检查一下该数据大概占用多少空间。
    • 检查法律条文,获得授权(如果需要的话)。
    • 创建工作区(具有足够的存储空间)并获得访问权限。
    • 获取数据并将数据转换成容易操作的格式(不更改数据本身)。
    • 数据脱敏 - 确保删除或保护敏感信息(例如:个人信息)。
    • 检查数据的大小和类型(时间序列、样本、地理位置等)。
      ** 下图是MATLAB公司的一个实例**
      传感器数据

    数据处理

    数据处理
    数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。
    根据不同的处理方式,数据处理主要有四种分类方式:

    • 根据处理设备的结构方式区分,有联机处理方式和脱机处理方式。
    • 根据数据处理时间的分配方式区分,有批处理方式、分时处理方式和实时处理方式。
    • 根据数据处理空间的分布方式区分,有集中式处理方式和分布处理方式。
    • 根据计算机中央处理器的工作方式区分,有单道作业处理方式、多道作业处理方式和交互式处理方式。
      参考文献
      在此过程中,有如下的内容需要考虑:
    1. 研究每个属性及特征,包括(变量数据名称、数据类型(分类,整型/浮点型,有界/无界,文本,结构化等)、数据缺失/遗漏值的百分比、噪音和噪音类型(随机的,异常值,舍入误差等)、数据对目标是否有用、数据分布类型(高斯分布,均匀分布,对数分布等)
    2. 确定目标属性
    3. 进行可视化数据
    4. 研究属性的相关性
    5. 明确您可能想要应用的有用的转换
    6. 明确有用的额外数据- 需要额外获取的数据。
      下图是MATLAB公司的一个实例
      在这里插入图片描述

    特征提取

    在这里插入图片描述
    特征提取是对某一模式的组测量值进行变换,以突出该模式具有代表性特征的一种方法。
    1.数据清洗 - 处理或删除异常值(可选)、填充缺失值(例如:零,均值,中位数…)、删除缺失值所在的行(或列)。
    2.特征选取- 删除对任务无有用信息的属性
    3. 特征工程-离散化连续特征、分解特征(例如:分类,日期/时间等)、添加有用的特征转换、聚合生成有新特征
    4. 特征缩放- 标准化或正则化特征。
    下图是MATLAB公司的一个实例
    在这里插入图片描述

    模型训练

    在这里插入图片描述
    模型训练就是找好的模型的过程,就是找到合适模型和模型合适的参数。

    1. 使用标准参数训练多个不同类别的模型- 线性、朴素贝叶斯、SVM、随机森林、神经网络等。
    2. 评估并比较它们的性能
    3. 分析每个算法的最重要变量。
    4. 快速更新新的的特征选取和特征工程。
    5. 对前五步进行1到2次的快速迭代。
    6. 选出几个表现最好的模型。
    7. 进行模型参数的优化。
    8. 确定最终模型 - 在测试集上测量性能以估计泛化误差。
      下图是MATLAB公司的一个实例
      在这里插入图片描述

    模型部署

    在这里插入图片描述
    模型部署一般需要经过如下几步:

    1. 准备好生产环境 - 包括生产数据输入、测试单元等。
    2. 编写监控代码- 定期检查模型的实时性能并且能在掉线时触发警告
    3. 监控输入质量 - 例如:传感器故障导致的输入数据为随机值这时候应该有想要的报警功能。
    4. 定期更新模型/重新训练模型。

    [1] https://www.jianshu.com/p/5b0febacfe85
    [2] https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E6%94%B6%E9%9B%86/2245693?fr=aladdin
    [3] https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E5%A4%84%E7%90%86/944504?fr=aladdin

    展开全文
  • 预测性维护的自动化

    2020-05-27 16:21:01
    本文将讨论: 作为工业4.0商业模式的预测性维护 自动化预测维护程序的好处 在工业设施中实现预测维护自动化的步骤

    前言

    工业制造界的每个人都听说过有关停机的故事。但是对于那些经历过的人来说,诸如一小时的停机时间使制造商每小时损失高达260,000美元或4小时内损失200万美元之类的统计数据 并不能说明全部情况。除了金钱损失外,停机的实际成本还包括幻灭的劳动力,当持续的设备故障发生时,员工的积极性就变得更加难以激发。这些是预测性维护自动化迅速成为企业融入日常业务运营的工业概念的一些原因。  
    在这里插入图片描述
    本文将讨论:

    • 作为工业4.0商业模式的预测性维护
    • 自动化预测维护程序的好处
    • 在工业设施中实现预测维护自动化的步骤

    作为工业4.0商业模式的预测性维护

    预测性维护涉及采取先发制人的方法,在工厂设备发生故障之前发现故障,进行维护和维修。与每个工业4.0概念一样,此方法也依赖于数据捕获和分析。因此,了解车间资产产生的历史和当前数据的能力是在组件和装配级别自动执行维护任务的基础。 尽管预测性维护是工业4.0的概念,但它仍然适用于旧资产和相对较新的资产。根据 《工厂工程师手册》,预测性维护能够将停机时间减少约20%,而使过程自动化的选项可以进一步增加该百分比并减少计划外停机时间。集成整个车间的预测性维护自动化的选择还具有许多好处,其中包括:

    1.降低总制造成本(TMC) –在制造,维护成本,维修和昂贵的更换成本中,开发产品所需的TMC占相当大的比例。预测性维护自动化有助于显着降低这些成本。这些方式包括了解设备的使用寿命,安排计划的停机时间以及计划备件的库存清单。
    自动化的预测性维护计划会导致计划内的停机,从而使生产转移到受影响的设备之外。它们还消除了计算中人为错误的可能性,该错误可能会延迟与车间设备相关的维修或维护活动。自动化过程还对企业的备件库存产生蝴蝶效应。可以将要完成的任务的 知识用于提前自动执行更换零件的购买,从而减少过多的库存,同时确保维护团队拥有该任务所需的所有工具。

    2.延长了机器部件的使用寿命 –自动进行定期的预测性维护活动可确保按时完成任务。在维护方面严格遵守时间表的原则会延长机器中组件的使用寿命。这是因为机器及其组件将配备有保持其运转直到下一个维护周期所需的资源。

    3.减少车间事故 –在制造设施中,仅在美国,物料搬运设备每年就造成约85人死亡和数千人受伤。这些事件的发生是由于叉车功能异常,员工疏忽,更重要的是,物料搬运设备维护不善。这是自动执行预测性维护活动的地方。通过适当的维护,物料搬运设备和其他工程资产将按预期运行,而不会给毫无戒心的车间工人带来任何意外。

    在生产设施中实现预测性维护自动化的3个步骤

    与大多数制造概念或业务模型一样,存在采用自动预测性维护的步骤。这些步骤包括:

    将数据捕获设备集成到设备中–使预测性维护自动化的第一步涉及从设备中捕获相关数据。在未开发的设施中,使用的常规制造设备配备有传感器和执行器,用于监视组件的性能和运行状况。在棕地设施中,只有在将智能设备集成到旧设备中之后才能实现数据捕获。

    智能人机界面装置设备-可用于跟踪车间设备的温度,振动和其他方面。有了这些历史数据以及停机时间或故障率数据,就可以完成整个车间的预测性维护活动的自动化过程。制造企业还需要设置工业云解决方案,分析应用程序和功能票证或警报系统,以使预测性维护过程自动化。

    实时监控模式的算法–对于刚刚起步的制造企业,可以理解的是无法获得为设备运行状况提供背景信息的历史数据。这是机器学习和人工智能发挥作用的地方。企业将需要购买服务或构建由支持基于条件的监视的算法支持的应用程序。这些服务是本节第一点中突出显示的应用程序。
    同样重要的是要注意,随着IT基础架构启动流程和设备收集数据,有多种评估比较机器数据的技术。制造商可以选择从提供数据服务的平台购买相关数据,或者使用设备的维修或保养指南作为标准进行推断。

    从根本上改变维护观念– 在车间中集成自动预测性维护的成功仍然取决于管理层和员工对预测性分析的了解。这就是为什么需要制定有关使预测性维护自动化的管理和员工策略很重要的原因。如上所强调的,在制造机构的四面墙中的利益相关者必须了解实现自动化所需的条件及其带来的好处。

    企业在集成自动化预测性维护方面的成功取决于管理团队和员工的承诺水平。只有这样,自动化过程才能成功,因为每个人都了解他们在自动化生产车间中的角色。

    结论

    使预测性维护自动化时,建议使用试点程序使每个人都在同一页面上。如果正确完成了自动化,制造组织可以将停机时间减少55%,将维修和大修时间减少约60%。有效的维护文化还将减少设备更换的支出,同时为提高生产率创造有利的环境。

    展开全文
  • 预测性维护维修模式维修的分类什么是预测性维护预测维护的优势 维修模式 维修主要包括以下三大类: CM - 修复性维修(Corrective Maintenance),又称事后维修(Break-down Maintenance),以设备是否完好或是否能用为...
  • 使用手持式测试工具进行预测性维护
  • 传统维护一般是预防性或纠正性维护,通常会占用很大一部分生产成本。现在,使用IIoT(工业物联网)监测机器的健康状态有助于实现预测性维护,让行业人员能够预测故障,从而大幅节省运营成本。
  • 热成像轻松学—设备预测性维护红外热像案例pdf,热成像轻松学—设备预测性维护红外热像案例
  • 福禄克 如何用热像仪建立设备预测性维护体系pdf,福禄克 如何用热像仪建立设备预测性维护体系
  • 这个开源解决方案模板展示了一个完整的Azure基础设施,能够支持物联网远程监控上下文中的预测性维护场景。提供了可重用和可定制的构建模块,使Azure客户能够使用Azure的云AI服务解决预测性维护问题。 This open-...
  • 预测性维护是一个综合性的概念,它包括但不限于:故障预测,故障诊断(根因分析),故障探测,故障分类,故障发生前的缓解建议,故障发生后的维护行动。 预测性维护重点关注:预测长期运行的机...
  • 预测性维护不依赖于工业或工厂内平均寿命统计数据(即平均无故障时间)来计划安排维护活动,而是对运转状况、效率、热量分布和其
  • 选择最合适的预测性维护传感器 Choosing the most suitable predictive maintenance sensor 基于状态的监测(CbM)包括使用传感器监测机器或资产,以测量当前的健康状态。预测性维修(PdM)涉及CbM、机器学习和分析...
  • 2014年4月17日福禄克—红外热像预测性维护案例及实施方案zip,2014年4月17日福禄克—红外热像预测性维护案例及实施方案
  • 红外热像仪应用:燃煤发电厂中的预测性维护热成像检查
  • 前一篇文章我们讲到了边缘计算与智能制造,智能制造的关键技术之一是预测性维护PDM(Predictive Maintenance)。今天我们就一起再来探讨下边缘计算与预测性维护吧。 传统意义上的工业制造维护方式基本可以分为修复...
  • 最佳的方式是预测性维护,它可以通过对重要资产(如仪器仪表、驱动器、机器人)的健康监测来实现。作为领先的服务供应商,ABB处于生命周期支持的最前沿。 ABB为客户提供种类齐全的仪器生命周期服务,其中有许多...
  • 当今的过程工业,对现场的可靠要求越来越高,一般都要求仪表设备能满足7/24的连续可靠工作,突发的故障停机会造成极大的损失。因此,也对设备的维护提出了较高的要求,以最大程度的避免生产的损失和材料的浪费。
  • 早在几年前,对于工业制造来说,“预测性维护”以杀手级应用的级别被寄予厚望,但是随着IoT企业的布局推进,大家随之发现一个问题,如果不能降低运营成本,工业预测性维护的应用在某种程度上将成为空谈。 全球领先的...
  • 之前写过两篇预测性维护的文章,总体来讲,反响还可以(做害羞状),看来爱学习的好青年还是很多嘛。也有小伙伴在知乎上留言(在这里感谢知乎网友宋伯阳同学),提到了MATLAB也有关于预测性维护的解决方案。因此,...
  • 读而思预测性维护对制造业的重要性已被充分认识和广泛接受。预测性维护是保证未来高效、可持续服务的关键。虽然预测性维护所依赖的技术已经取得了快速发展与突破,但在将数据系统地转化成(客户)利益并应用到特定商业...
  • 学习预测性维护系统(PMS),监控未来的系统故障并提前安排维护时间表探讨如何构建机器学习模型进行系统的预测性维护了解机器学习的处理步骤,如选择模型以及用Auto-Encoder技术去除传感器噪声了解如何训练机器学习...
  • 由佰马工业智能物联网关BMG500、工业机器人、云管理平台组成的远程监控与预测性维护系统,可提前预判设备可能出现的问题,做到提前维护和保养。 为了提高生产效率与产品良率,越来越多的制造企业开始引进具有高效...
  • 纵行科技推出ZETA Edge-AI智能终端产品,结合ZETA窄带通信和边缘智能的优势,旨在打造“轻量瘦身”的预测性维护应用,即用20%的成本覆盖80%的典型旋转设备故障模式。此外,在“泛工业”场景,ZETA Edge-AI通过将工业...

空空如也

1 2 3 4 5 ... 20
收藏数 563
精华内容 225
关键字:

预测性维护