自动化异常检测如何实现产量最大化

对于产品制造商来说，盈利能力需要安全地保持高效的运营，最小化费用，并尽可能多地从工厂设备中获得产量。新建核电站时，效率和可靠性不是最受关注的问题，但随着设备老化，意外故障和由此产生的反应性维修往往会成为问题。

工厂人员可以通过访问设备数据来确定需要维护的有问题的设备来解决这个问题。问题是，手动分析数据以产生见解需要大量的时间、专业知识和操作知识。自定义人工智能/机器学习(AI/ML)支持的软件消除了大多数人工数据分析。问题是这类软件的实现和维护成本过高。

现成的AI/ML软件，如数据记录软件，可以提供自动异常检测和警报，使人员能够在故障发生之前识别设备问题。该软件通常还有第二个用途，即作为多个设备数据的集中存储库，包括由工业物联网(IIoT)远程无线传感器系统捕获的数据。这些类型的现成AI/ML软件解决方案提高了操作效率，防止设备问题，并允许工厂在设备故障之前计划维护。

支持人工智能的产品的三个开发目标

一个现成的AI/ML软件解决方案优先实现三个目标:

1. 保持设备的健康状态:记录所有设备的输出，包括偏离基线的情况。
2. 通过异常信号检测预测设备维护:当设备变量开始偏离正常值时，软件会标记此行为，并提醒人员在故障发生前采取维护措施。
3. 使人工智能易于使用:最终用户不需要成为人工智能专家或聘请昂贵的顾问来配置软件，因为它可供许多技能水平的人员使用。

在工业自动化领域，一个完整的AI包包括用于收集数据的传感器和控制器，使用AI/ML组织和自动分析数据的基于pc的软件，以及用于可视化数据的记录器(图1)。

AI/ML软件根据过去的表现将人员引导到正常的操作水平，并在检测到异常时通知他们。

异常检测和预测性维护

警告、警报和报警本身并不是什么新鲜事，因为控制系统通常具有用户可调的高、低、偏差和超出范围的设定值。当设备数据超过适用的设定值时，通知用户。

自动异常检测提供了超越这些自动化功能的显著改进。当支持人工智能的软件首次部署时，它会经历一个学习阶段，在此期间，它会监测设备状况，为已知的正常操作建立基线。用于学习阶段的时间因应用程序而异，可以自定义。

一旦学习阶段完成，并建立了正常的操作基线，AI/ML软件就开始自动监控设备，为人员审查构建报告，并在操作偏离基线时生成异常警报。这些警报为用户提供潜在设备问题的预先警告。

AI/ML软件应该提供易于配置和用户友好的参数更改，简化这些和其他类型的调整。当前设备数据与正常基线相匹配的程度可以作为健康评分，如果某些情况为阴性，则提前通知异常(图2)。

除了在设备故障发生之前识别异常外，支持人工智能的软件是创建预测性维护预测的理想选择。随着设备数据偏离基线，AI/ML软件的健康评分下降。维护人员可以使用这一指示来确定在潜在故障之前计划设备维护的时间表。这些自动化的可视化洞察为数据分析和维护调度之外的任务腾出了时间。

人工智能软件功能

许多软件套件可以将来自网络上多个设备和测量点的数据集中到一个位置，允许用户使用图形和图表来可视化数据。然而，数据可视化本身并不能说明所查看的数据是否正常。为了解决这个问题，AI/ML软件采用了自动覆盖趋势并在图形用户界面上突出显示异常的算法。

对于某些类型的设备数据，如温度或压力，通常可以(如果不总是理想的话)使用高或低极限设定值警告的经典方法来检测异常。但对于电机转速、机器振动等数据，如果没有人工细致的历史数据分析，很难了解设备数据是否正常。这种手工分析非常耗时，并且需要具有广泛专业知识的熟练数据分析人员，但这些专家供不应求。支持ai的软件将这个繁琐的手工过程转换为所有员工都能理解的即时自动化洞察(图3)。

图4:横河公司的远程Sushi传感器系统可以远距离无线传输设备数据到LoRaWAN网关。礼貌:横河(/标题)

远程传感器提高了数据收集能力

在工业物联网时代，将数据收集限制在固定和可访问的过程和领域是不现实的。移动机器和车辆、农村哨站设施和长管道等应用产生了值得收集和分析的数据，但也为非静止、远程和低功耗数据传输带来了障碍。低功耗广域网(LPWAN)系统解决了这些问题和其他问题，并被许多企业用于在困难的应用程序中捕获数据。

LPWAN传感器的几个值得注意的特点是:

• 它们消耗的电量最少，因此电池可以使用好几年
• 它们提供远程无线数据传输，能够将数据传输几英里
• 高效的通信协议，导致比3G、4G和5G更低的数据使用需求。

每个传感器测量振动、温度或压力，为位于任何位置的设备提供监控功能(图4)。远程广域网(LoRaWAN, LPWAN的一个子类别)使连接企业无需有线线路或IEEE 802.11 Wi-Fi的必要规定。

传感器传输的数据可以提供给主机系统，包括支持人工智能的软件。通过将无线传感器与AI异常检测软件结合使用，工厂人员可以清楚地了解设备的运行状况和维护需求，无论设备位于何处(图5)。

检测异常

检测到异常并不能保证会发生故障，但它几乎总是工厂工作人员感兴趣的。如果异常很容易被发现或可以按需生产，那么就不需要人工智能异常检测。然而，通常很难产生和获取异常数据来创建人工识别的参考点。人工智能解决了这一挑战。

在学习阶段记录设备状况后，支持人工智能的软件可以检测到最轻微的异常，即使该软件过去从未接触过异常数据。维护人员可以根据检测到的异常情况，判断哪些设备需要维护或检查。

虽然异常检测对于工厂人员来说已经是一个有用的工具，但AI/ML软件功能的开发仍在继续。我们的目标不仅仅是识别异常现象，而是开发人工智能驱动的控制方法，从一开始就防止异常现象的发生。

人工智能作为装备替换的替代方案

随着工厂的老化，设备的效率和可靠性越来越低。在某些情况下，维护和维修可能变得过于昂贵和耗时，可能需要更换设备。在某些情况下，这可能是最好的做法，但AI/ML软件可以将维护成本降低到可承受的水平。

使用支持人工智能的软件进行分析和异常警报，结合可靠、可适应的有线和无线传感器，可以延长设备寿命，降低维护成本，并增加正常运行时间。现成的AI/ML软件是一种具有成本效益的解决方案，可以快速洞察工厂效率低下和故障的根源。这种能力可以预测问题，并在设备完全故障和昂贵的维修或更换之前进行计划的小规模维护，从而延长资产的使用寿命。

孝Sugizaki物联网无线推广经理在横河电力公司．由副主编克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

更多的答案

关键词:人工智能，机器学习，工业物联网

考虑一下这个

哪些部分能从异常检测中获益吗?

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。