工廠和設備中部署了大量的傳感器用于記錄數據。如果分析得當，這些數據會在改進制造工藝及確保生產質量等方面產生巨大的價值。為此，魏德米勒工業分析部門與客戶密切合作，開發所需的數據分析模型。

我們從工廠和設備中提取各類數據集合，比如溫度、壓力、能耗和振動，稱之為“特征”，并使用人工智能(AI)對其評估。之前的項目經驗表明，大多數工廠和設備已經記錄了全部重要數據，不必新增傳感器。真正的挑戰來自于找出數據背后的隱藏信息和它們之間的相關關系，而這正是魏德米勒工業分析部門擅長的。

魏德米勒工業分析：集數據科學與專業知識于一體

異常檢測和分類

異常分類的工作，是將已識別的數據偏差按重要程度進行分類，重要異常往往是導致設備故障的原因。有了這些信息的輔助，設備操作者可以更快地處理問題，甚至可以識別潛在故障。這樣的快速診斷方式可以減少停機時間、降低成本并優化產能。

“特征”工程識別復雜模式

“特征”工程是開發可靠人工智能模型的重要技術，該方法從測量數據中找出復雜的統計相關性。例如，為了找出這樣的統計相關，可以用相關系數表示在一段時間內兩個或多個“特征”的關聯變化。數據科學家會根據設備的歷史數據來開發新的“特征”。與僅使用原始數據相比，這樣做可以更可靠地識別異常情形。例如，通過振動測量或頻率轉換獲得的高頻信號，可以基于數學模型分解到相應的不同頻段上。人工智能模型從設備的正常行為中學習信號的頻段特性，相比于僅使用未分解的原始信號，可更好地預測故障可能性。

魏德米勒憑借“工業分析”的綜合方法，在“企業對企業商務卓越獎”競賽類別中贏得了2018年德國創新獎。工業分析業務部門研發負責人MarkusK?ster博士和工業分析業務部門負責人TobiasGaukstern在柏林接受了該獎項。

圖左MarkusK?ster博士，圖右TobiasGaukstern

各領域知識的集合

數據集合必須根據具體的機器或工藝加以解釋和評估，因此“特征”工程需要全面的應用知識。無論是數據科學家的專業知識，還是機械工程師或機器操作人員的應用知識，對于找出實際解決方案至關重要。只有應用專家才能評估一個數據異常是否代表了機器故障，在應用專家的幫助下，數據科學家才能建立準確識別正常運行和異常的算法。

目前，人工智能模型已經應用于許多領域，例如包裝機、填充技術、材料處理以及機器人技術。魏德米勒基于這些數據模型向用戶提供適合的定制化軟件，幫助用戶持續監測設備運行情況、做出預測，并將數據和分析結果可視化呈現。UI專家設計定制的用戶界面，以便每個用戶都能獲得與其應用領域相匹配的解決方案。

對于設備歷史數據中未包括的異常或故障，人工智能模型在運行之初是無法描述和預測的。因此，用戶可以通過更新學習數據、擴展軟件模塊來不斷完善工業分析模塊。當然，魏德米勒數據科學家會按用戶所需提供支持幫助。

數據和分析結果的可視化使我們更容易掌握機器的當前狀態。為此，我們可以查看并標記各個時間范圍應包含在未來數據評估中的信息。在此示例中，黃色區域顯示的是通過算法標注出來的潛在異常。用戶還可以查看這些區域，辨明是否存在異常。通過這種方式，該模型能繼續學習并且可以更精確地對未來狀態進行分類。

“特征”工程助力成功

“特征”工程是工業分析解決方案成功的關鍵，魏德米勒將應用知識與數據科學相結合。由于人工智能模型的獨立性，機械工程師和設備操作者無須泄露其專業領域知識，即可顯著提高設備性能。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯系我們刪除（QQ:2737591964），不便之處，敬請諒解！