關(guān)于制造業(yè)中的機(jī)器學(xué)習(xí)已經(jīng)寫(xiě)了很多，但是仍然很難理解不同的方法。
[ 資訊搜索 ]
[ 加入收藏 ]
[ 告訴好友 ]
[ 打印本文 ]
[ 違規(guī)舉報(bào) ]
[ 關(guān)閉窗口 ]
機(jī)器學(xué)習(xí)（ML）無(wú)處不在。初創(chuàng)公司，原始設(shè)備制造商和工業(yè)供應(yīng)商正在大力投資開(kāi)發(fā)技術(shù)，以收集和分析制造數(shù)據(jù)。在制造業(yè)中已經(jīng)寫(xiě)了很多關(guān)于ML的文章，但是仍然很難理解不同的方法。
在制造業(yè)中，無(wú)線傳感器和ML的應(yīng)用提供了降低整個(gè)組織成本和提高效率的潛力。公司已經(jīng)為幾乎所有運(yùn)營(yíng)職能創(chuàng)建了基于ML的系統(tǒng)，包括：
供應(yīng)鏈
質(zhì)量
生產(chǎn)
需求預(yù)測(cè)
預(yù)測(cè)性維護(hù)
庫(kù)存管理
其他功能，如財(cái)務(wù)，銷售和營(yíng)銷
IIoT和ML在預(yù)測(cè)性維護(hù)中
預(yù)測(cè)性維護(hù)（PdM）被廣泛認(rèn)為是ML 有前途的應(yīng)用之 ，因?yàn)樗箍煽啃詧F(tuán)隊(duì)能夠?qū)崟r(shí)了解物理設(shè)備的狀況。公司可以立即看到更好的計(jì)劃和日程安排，減少停機(jī)時(shí)間，降低風(fēng)險(xiǎn)和增加產(chǎn)量。根據(jù)Tech Pro Research的2019年1月調(diào)查，79％的受訪者目前正在使用或計(jì)劃使用物聯(lián)網(wǎng)進(jìn)行預(yù)測(cè)性維護(hù)。這是任何申請(qǐng)的 高費(fèi)率。
IIoT將工業(yè)設(shè)備（如泵，電機(jī)和變速箱）上的傳感器連接到互聯(lián)網(wǎng)。隨著收集的數(shù)據(jù)越來(lái)越多，需要使用ML來(lái)理解數(shù)據(jù)。制造商沒(méi)有足夠的資源來(lái)分析所有進(jìn)入的數(shù)據(jù)，這意味著他們將依靠算法標(biāo)記設(shè)備供人類查看。ML可以被視為現(xiàn)有可靠性團(tuán)隊(duì)的助手。
并非所有基于ML的PdM系統(tǒng)都是相同的。它們?cè)?域知識(shí)，廣度和復(fù)雜性方面各不相同。許多供應(yīng)商提供該 域的技術(shù)，并且很難區(qū)分它們。
為PdM提供基于ML的軟件的公司通常分為以下幾類：
OEM
通用ML公司
特定應(yīng)用ML公司
現(xiàn)有軟件公司（例如，EAM，歷史學(xué) ）
OEM提供的機(jī)器學(xué)習(xí)
許多OEM正在從銷售產(chǎn)品轉(zhuǎn)向服務(wù)模式。自20世紀(jì)60年代以來(lái)，羅爾斯·羅伊斯 直在銷售發(fā)動(dòng)機(jī)小時(shí)而不是發(fā)動(dòng)機(jī)，但僅在過(guò)去五年內(nèi)，工業(yè)原始設(shè)備制造商開(kāi)始轉(zhuǎn)向類似的商業(yè)模式。將產(chǎn)品作為服務(wù)銷售使OEM能夠向價(jià)值鏈上游移動(dòng)并增加客戶糾纏。他們可以跟蹤安裝基礎(chǔ)和設(shè)備使用情況，并獲得有關(guān)設(shè)備使用的知識(shí)，從而改進(jìn)產(chǎn)品設(shè)計(jì)。
隨著OEM從銷售部件轉(zhuǎn)向銷售設(shè)備的功能或性能，他們將需要收集實(shí)時(shí)狀況信息。幾 OEM已經(jīng)合作或開(kāi)發(fā)了自己的IIoT設(shè)備，其中包含機(jī)器學(xué)習(xí)算法。
使用OEM開(kāi)發(fā)的系統(tǒng)的好處是OEM將對(duì)其設(shè)備有 深入的了解，并且通常會(huì)將這些知識(shí)嵌入到算法中。缺點(diǎn)是它只與該制造商的設(shè)備相關(guān)，大多數(shù)工業(yè)設(shè)施都有來(lái)自多個(gè)OEM的設(shè)備。為每個(gè)OEM維護(hù)和監(jiān)控單獨(dú)的系統(tǒng)是不切實(shí)際的。
通用機(jī)器學(xué)習(xí)軟件
許多分析軟件初創(chuàng)公司都提供了應(yīng)用于任何制造問(wèn)題的構(gòu)建塊。這種方法的好處是您不需要針對(duì)不同功能的單獨(dú)軟件程序（例如，維護(hù)，操作，財(cái)務(wù)）。擁有數(shù)據(jù)科學(xué) 員工的公司將受益于這些系統(tǒng)的廣度。然而，數(shù)據(jù)科學(xué)是許多工業(yè)公司所缺乏的技能。根據(jù)埃默里大學(xué)的說(shuō)法，大數(shù)據(jù)科學(xué) 的技能短缺是對(duì)工業(yè)4.0部署產(chǎn)生負(fù)面影響的 重要因素之 。
些分析公司提供工具，以便客戶不需要有員工數(shù)據(jù)科學(xué) ，但系統(tǒng)的復(fù)雜程度各不相同。他們?nèi)匀恍枰夹g(shù)和統(tǒng)計(jì)專業(yè)知識(shí)來(lái)構(gòu)建能夠準(zhǔn)確預(yù)測(cè)故障的模型。許多振動(dòng)分析從業(yè)者指出，如果不了解故障發(fā)生的原因和背后的物理原因，很難單獨(dú)通過(guò)算法來(lái)預(yù)測(cè)故障。
特定應(yīng)用的機(jī)器學(xué)習(xí)
第三類公司提供機(jī)器學(xué)習(xí)的預(yù)構(gòu)建應(yīng)用程序 - 這些應(yīng)用程序已經(jīng)針對(duì)特定的制造問(wèn)題（如質(zhì)量改進(jìn)或預(yù)測(cè)性維護(hù)）而構(gòu)建。
預(yù)構(gòu)建應(yīng)用程序的好處是它們經(jīng)過(guò)優(yōu)化以解決特定問(wèn)題。 種試圖回答預(yù)測(cè)性維護(hù)問(wèn)題的算法，例如“哪些設(shè)備存在故障風(fēng)險(xiǎn)，哪些設(shè)備存在根本原因？”并不具有與回答質(zhì)量問(wèn)題的算法相同的變量，例如“我能做什么？減少不合規(guī)格的紙張？“他們正在采用不同的輸入，使用不同頻率的數(shù)據(jù)收集，并提出不同類型的建議。已經(jīng)針對(duì)同 應(yīng)用程序使用了數(shù)百次的算法將比為不同目的而創(chuàng)建的算法執(zhí)行得更好。
對(duì)于PdM，性能 佳的算法將是將基于物理的知識(shí)與機(jī)器學(xué)習(xí)相結(jié)合的算法。用戶可以超越異常檢測(cè)，以了解問(wèn)題的根本原因。
這些算法的缺點(diǎn)是它們是為解決特定問(wèn)題而構(gòu)建的，不能跨部門擴(kuò)展。
現(xiàn)有工廠系統(tǒng)的演變
EAM，數(shù)據(jù)歷史記錄和其他工廠系統(tǒng)使用機(jī)器學(xué)習(xí)提供有關(guān)設(shè)備的更深入見(jiàn)解。在這些系統(tǒng)中使用ML算法的好處是它可以利用現(xiàn)有投資。例如，SAP和Maximo都具有高 ML功能來(lái)預(yù)測(cè)停機(jī)時(shí)間，并且它是根據(jù)已收集的數(shù)據(jù)構(gòu)建的。缺點(diǎn)是它是基于歷史數(shù)據(jù)而不是實(shí)際條件，它只是與其中的數(shù)據(jù) 樣好。
現(xiàn)有工廠系統(tǒng)演變的另 個(gè)例子是數(shù)據(jù)歷史學(xué) 。從流程數(shù)據(jù)構(gòu)建的高 算法可以提供有關(guān)資產(chǎn)狀況的信息。這些系統(tǒng)的主要缺點(diǎn)是它們僅在已經(jīng)檢測(cè)的資產(chǎn)上獲取信息。許多設(shè)施在工廠余額（BOP）設(shè)備上沒(méi)有連續(xù)傳感器，因此除非他們添加新的傳感器，否則他們將無(wú)法查看資產(chǎn)狀況。
設(shè)置程序時(shí)的重要注意事項(xiàng)
每種形式的機(jī)器學(xué)習(xí)產(chǎn)品都有其優(yōu)點(diǎn)，具體取決于實(shí)施它的公司的資源和目標(biāo)。在評(píng)估哪種類型的基于ML的計(jì)劃有意義時(shí)，工業(yè)設(shè)施應(yīng)該關(guān)注以下三個(gè)標(biāo)準(zhǔn)：
是時(shí)候?qū)嵤┝?/div>
行業(yè)重點(diǎn)
范圍
是時(shí)候?qū)嵤┝?/div>
提供更多平臺(tái)或“自己動(dòng)手”ML工具的公司將需要更多的專業(yè)知識(shí)，通常需要更長(zhǎng)的投資回收期。這可以通過(guò)這些系統(tǒng)的范圍來(lái)平衡，這些系統(tǒng)通?？梢詰?yīng)用于幾個(gè)不同的問(wèn)題或應(yīng)用，而不是 個(gè)特定的需求。已經(jīng)針對(duì)預(yù)測(cè)性維護(hù)進(jìn)行測(cè)試和調(diào)整的ML算法（與通用工具相比）將更容易實(shí)現(xiàn)，需要更少的技術(shù)資源，并且更快地產(chǎn)生回報(bào)，但是其范圍將更加有限。
行業(yè)重點(diǎn)
對(duì)于汽車制造商而言有意義的變量（或特征）與煉油廠 相關(guān)的變量（或特征）非常不同。您不能只在不同情況下應(yīng)用通用模型; 您需要擁有行業(yè)和流程知識(shí)，使特定模型在特定情況下更好地運(yùn)作。實(shí)現(xiàn)基于ML的系統(tǒng) 重要的步驟之 是特征選擇。采用將所有數(shù)據(jù)投入算法而不應(yīng)用資產(chǎn)知識(shí)的公司可能會(huì)使算法混亂或建立不存在的連接。
范圍
如果公司制定了數(shù)字化轉(zhuǎn)型戰(zhàn)略，則應(yīng)選擇符合公司戰(zhàn)略的供應(yīng)商。隨著選項(xiàng)的激增，制造商需要考慮諸如安全性，應(yīng)用廣度以及與現(xiàn)有系統(tǒng)的互操作性等因素。 成功的計(jì)劃是在企業(yè)IT / OT和工廠 可靠性團(tuán)隊(duì)之間進(jìn)行協(xié)作的計(jì)劃。鑒于數(shù)字化轉(zhuǎn)型是主要的事業(yè)，在文化和能力方面需要相匹配。
結(jié)論
在2018年新興技術(shù)的Gartner炒作周期中，物聯(lián)網(wǎng)平臺(tái)和數(shù)字雙胞胎模型被標(biāo)記為處于膨脹預(yù)期的高峰期。這意味著他們受到了很多媒體的關(guān)注; 早期取得了 些成功; 并且出現(xiàn)了很多失敗。好處尚未完全實(shí)現(xiàn)，許多公司不采取行動(dòng)，因?yàn)樗麄儧](méi)有看到商業(yè)價(jià)值。
對(duì)于希望入門的公司，第 步是查看內(nèi)部資源，特定業(yè)務(wù)需求，可用數(shù)據(jù)和預(yù)算考慮因素。他們應(yīng)評(píng)估每個(gè)供應(yīng)商在與公司目標(biāo)保持 致的程度，并考慮行業(yè)專業(yè)知識(shí)，實(shí)施時(shí)間和范圍三個(gè)方面。
聲明：凡資訊來(lái)源注明為其他媒體來(lái)源的信息，均為轉(zhuǎn)載自其他媒體，并不代表本網(wǎng)站贊同其觀點(diǎn)，也不代表本網(wǎng)站對(duì)其真實(shí)性負(fù)責(zé)。您若對(duì)該文章內(nèi)容有任何疑問(wèn)或質(zhì)疑，請(qǐng)立即與本網(wǎng)站聯(lián)系，本網(wǎng)站將迅速給您回應(yīng)并做處理。
聯(lián)系 QQ：2039609103
郵箱：2039609103@qq.com
聯(lián)系 QQ：2039609103
郵箱：2039609103@qq.com
:021-80392064 QQ：2039609103 企業(yè)入駐:
