預測性維護使公司能夠減少機器停機時間,消除不必要的維護,并獲得許多其他商業(yè)利益。然而,公司在將技術(shù)整合到其運營中時,通常會面臨流程和數(shù)據(jù)方面的挑戰(zhàn)。
本系列博客將探討工程師在實施預測性維護時面臨的三個常見障礙,以及最終如何最好地避免這些障礙。我們從根本上缺乏關(guān)于預測性維護工作流程的解剖知識開始。
通過了解工作流程使您的業(yè)務(wù)受益
許多工程師沒有接受過有關(guān)預測性維護工作流程以及如何最好地利用它們的適當教育。這可能是因為公司尚未意識到此類投資的價值,無法看到該投資的風險,或者認為預測性維護對于當前業(yè)務(wù)需求來說過于先進。
無論出于何種原因,您都可以采取具體步驟將風險降至最低,并盡快開始使用預測性維護工作流程。開始的第一步是了解預測性維護的五個核心開發(fā)階段 (圖 1):
訪問傳感器數(shù)據(jù)——數(shù)據(jù)可以從多個來源收集,例如數(shù)據(jù)庫、電子表格或網(wǎng)絡(luò)檔案,但必須采用正確的格式并正確組織以進行適當?shù)姆治?。然而,重要的是要記住,大型?shù)據(jù)集可能需要內(nèi)存不足處理技術(shù)。
預處理數(shù)據(jù)——現(xiàn)實世界的數(shù)據(jù)很少是完美的;為了獲得正常行為的真實畫面,必須去除異常值和噪聲。此外,由于統(tǒng)計和機器學習建模技術(shù)在流程的后期使用,這些模型的質(zhì)量將取決于預處理數(shù)據(jù)的質(zhì)量。
提取特征——通常從傳感器數(shù)據(jù)中提取特征,而不是將傳感器數(shù)據(jù)直接輸入機器學習模型。雖然可以從數(shù)據(jù)中提取的特征數(shù)量基本上是無限的,但常用技術(shù)來自統(tǒng)計學、信號處理和物理學等領(lǐng)域。
訓練模型——構(gòu)建模型,將設(shè)備分類為健康或故障,可以檢測異常,或估計組件的剩余使用壽命。在此步驟中嘗試各種機器學習技術(shù)很有用,因為事先很少清楚對于給定問題,最好的模型類型是什么。
部署模型——根據(jù)系統(tǒng)要求,預測模型可以部署到嵌入式設(shè)備或與企業(yè) IT 應(yīng)用程序集成。這里需要考慮許多權(quán)衡,因為嵌入式設(shè)備提供快速響應(yīng)并減少通過 Internet 傳輸數(shù)據(jù)的需求,而集中式 IT 方法使將來更容易更新模型。
圖1 ?;镜念A測性維護工作流程。
黃金法則:用你所知道的
了解預測性維護工作流程的各個開發(fā)階段是實施的重要第一步,但對許多人來說,完全理解、開發(fā)和集成工作流程的想法似乎令人生畏。通過利用現(xiàn)有工具和軟件,工程師可以快速有效地將預測性維護納入他們的日常工作。
MATLAB 等工具具有預測性維護功能 ,使工程師能夠在熟悉的環(huán)境中工作。他們還提供參考示例、算法以及技術(shù)支持、培訓和咨詢團隊的訪問權(quán)限。額外的指導可以使基礎(chǔ)知識到位,因此您和您的團隊可以確信您以最佳方式解決問題。
審核編輯:郭婷
-
傳感器
+關(guān)注
關(guān)注
2541文章
49961瀏覽量
747468 -
matlab
+關(guān)注
關(guān)注
179文章
2946瀏覽量
229460 -
機器學習
+關(guān)注
關(guān)注
66文章
8306瀏覽量
131841
發(fā)布評論請先 登錄
相關(guān)推薦
評論