注册 / 登录

基于物联网智能分析的设备预测性维护

分会场:  数据科学/人工智能/数据驱动

分享时间: 2017年11月9日 - 12日

案例来源 :

案例讲师

江泽浩

东软 先行产品研发事业部 物联网智能产品总监

2004年入职东软,曾连续多年担任千万级项目总监、开发部长等职务,负责涉及制造业、金融、保险、零售等多个行业的项目实施。 2016 智能制造产业技术峰会 特邀嘉宾,2017 青岛物联网协会技术讲座 讲师,2017 东北大学<工业大数据多目标优化与实践培训> 讲师。带领东软物联网智能分析产品先后在新能源发电与消费领域、消费家电领域、车联网领域、智慧城市物联网领域落地。对新能源、制造业、军工、轨道交通等领域的物联网智能分析平台、设备智能运维平台、设备健康管理平台等构建均有丰富积累和深入研究。

扫描二维码分享案例

所在软件研发中心介绍

东软先行产品研发事业部是东软集团成本中心,向公司首席技术官(CTO)、首席知识官(CKO)汇报,负责东软集团战略转型的部分重要方向的先行探索和产品研发。部门拥有企业社交、大数据分析、车载智能三个产品线的十几个产品研发团队。 其中大数据分析产品线分为知识服务平台、数据科学平台、物联网智能、客户智能四个产品方向。

 

建议该分享案例适用范围:

设备密集型或以设备为中心的企业用户。如:新能源、轨道交通、航空、制造业、智慧城市等行业。

 

为什么这个案例值得分享?

随着大数据处理和分析技术的成熟,物联网数据采集技术的快速发展,数据传输成本的不断降低,以工业为首的各行业领域已经能够快速采集和存储来自物联网的海量数据。 面临突如其来的数据,企业如何挖掘其中的价值,帮助企业管理设备的健康,提前预测设备的故障,优化生产流程和质量,降低能耗和运营成本,是能够帮助企业实现差异化竞争力,趋动基于物联网大数据的新商业模式的关键,是企业面临的重要课题。 通过分享基于物联网数据的设备预测性维护案例,旨在为正在建设或准备建设物联网基础设施的企业用户,以及已经能够采集海量物联网数据但没能充分挖掘和利用数据的用户提供参考,增强信心,构建适合企业自身业务和商业目的数据分析应用。

 

 

案例简述

 

本次分享,通过两个工业领域客户的物联网大数据分析案例,讲述在物联网智能分析预测性维护应用的研发、实施过程中我们所遇到的问题,解决的方案,取得的成效以及给客户带来的价值。
一、为某消费家电智慧云平台建设案例,为其提供故障隐患识别和异常检测智能应用。
二,为某风力发电企业,提供数据清洗、发电损失评估、风机健康评估等智能应用。
本次分享除了对案例本身的描述外,将重点围绕故障隐患识别、设备异常检测、设备健康评估等场景,分享其工作原理、技术要点、遇到的问题点等。

 

案例目标

 

随着工业4.0以及大数据技术的快速发展,工业机器设备的传感器数量持续增加,采集到的数据也成指数级增加。海量的高维度传感数据蕴藏着巨大的工业价值,通过传感器数据,运营人员实现远程的设备监控、控制及故障报警,设备专家可在故障发生时,通过控制图、频谱图等方式诊断故障,降低诊断难度,提高诊断效率。
传统的方式虽然有效,但能够解决的问题有限,且诊断工作发生在故障产生后,企业已经产生了损失。在更多情况下,企业希望提前预知可能发生的问题,评估设备的健康状况,并能够对风险进行干预,避免故障的发生;在故障发生时对维保人员提供决策性建议,降低维修保养门槛,有效缩短维保周期,帮助企业优化生产流程,提高质量,降低运营成本。

 

成功(或教训)要点

 

在企业做物联网数据分析的过程中,往往存在一些共性问题,影响数据分析的效果。
关于数据源的选择,有些传统观点认为,针对特定问题只有小部分数据真正有用,同时考虑成本因素,所以仅保留认为“有用”的数据。但如果这样做,那么在数据分析前就已经将分析对象束缚在传统对于机理认知的范围内,所以即便采用多么智能和高级的算法,其结果仍然很难超出传统基于阈值、机理模型、统计算法的效果。只有突破传统的对设备机理的认知,从数据本身出发来分析其中的关联关系,数据维度的选择通过数据分析来决定,才能最大限度洞察数据中的价值。
关于故障数据的标注,企业往往没有积累足够的标注数据。机器学习算法分为监督学习和无监督学习,监督学习被认为能够更加准确的做预测和分析,无监督学习往往用于识别数据中的异常等应用场景。标注数据包括如:故障数据,不良品数据,效能数据等等,同时设备出厂报警数据或故障码本身也是能够被利用的标注数据。能够积累标注数据的企业,往往能够快速有效的构建物联网数据分析应用。数据的标注以及标注数据的合理应用,是做物联网数据分析的要点之一。
受互联网领域的影响,部分企业或工业者迷信于深度学习、强化学习等算法。深度学习作为机器学习的一个分支,虽然在互联网领域有非常成功的实践,但对于传统领域的物联网数据分析,其效果并不一定比回归、分类等传统机器学习算法好,但也并非排斥深度学习。物联网数据分析应以解决问题和产生价值为根本目的,针对不同的场景选择合适的算法,而非为了使用更“高级”的算法而去做数据分析。

 

案例ROI分析

 

正在更新中……

 

案例启示

 

对于预测性维护的应用场景,由于设备的不同、应用场景的不同、操作行为的不同,预测分析模型很难做到行业通用,大多数需要根据用户数据和应用场景重新构建或调优。在物联网智能分析发展的初期,建议企业从已经能够采集到的数据出发构建智能应用示范,即先在较小的成本基础上构建1-2个有效的范例,再逐步扩大应用范围。
对设备的预测性维护,即对设备的健康评估、故障隐患识别、异常检测等的方法论,应充分借鉴医疗行业的最佳实践,将对人类健康管理的思路合理应用于设备,再将机器学习算法与行业业务及设备机理相结合,构建合理有效的预测分析模型,实现数据分析的价值。
设备的健康退化、异常与故障的发生,是非常复杂的机理过程,无论是传统的方式或是基于大数据分析的预测性维护,通过单个视角很难全面掌握设备状况,只有通过多种方法、多个视角和维度相结合,针对同一设备、问题进行分析,并寻找到问题和事件之间的关联,才能最大限度的提升预测分析及评估的准确度,找到故障发生的根本原因。

 

案例在团队中的意义

 

随着大数据处理和分析技术的成熟,物联网数据采集技术的快速发展,数据传输成本的不断降低,以工业为首的各行业领域已经能够快速采集和存储来自物联网的海量数据。
面临突如其来的数据,企业如何挖掘其中的价值,帮助企业管理设备的健康,提前预测设备的故障,优化生产流程和质量,降低能耗和运营成本,是能够帮助企业实现差异化竞争力,趋动基于物联网大数据的新商业模式的关键,是企业面临的重要课题。
通过分享基于物联网数据的设备预测性维护案例,旨在为正在建设或准备建设物联网基础设施的企业用户,以及已经能够采集海量物联网数据但没能充分挖掘和利用数据的用户提供参考,增强信心,构建适合企业自身业务和商业目的数据分析应用。