BPD Zenith Love Your Asset BPD Zenith Love Your Asset BPD Zenith Love Your Asset
资产状态管理

数据养殖:一种最大限度地利用机械状况监测数据的方法




Cisco Systems Inc.进行的一项调查,其结果是在2017年5月(IOT)伦敦世界论坛上呈现的结果,揭示:

  • 60%的物联网计划在概念验证阶段停滞;
  • (仅)26%的受访公司认为其IOT部署和举措是成功的;
  • 总体而言,近四分之三的物联网倡议被视为失败,而所有项目的项目中的三分之一都是被视为成功。

规划、管理和扩展到工业4.0的过渡,并将其出售给组织的执行层,是大多数可靠性和维护(R&M)实践者不具备的技能集。然而,R&M人员确实拥有技能和经过验证的方法,比如以可靠性为中心的维护(RCM),它们非常适合支持受控过渡到使用工业物联网(IIoT)、高级分析、云计算、人工智能(AI)和相关主题,以获得早期最大的投资回报和更大的机械可靠性。这种新旧工具之间的联系被称为数据农场。
本文展示了如何最大限度地利用数据进行状态监测。它还描述了数据农场如何帮助克服当今数字转型的另一个主要问题,即只有一小部分正在积累的数据被以任何有意义的方式进行分析。II这些问题的代价可能相当大,对组织的底线没有明显的好处。

过去,现在和未来

今天和明天的能力涉及无线技术,内部分析,大数据管理,IIT和/或IOT,云计算和高级分析。与30多年前,必须在手动开发和管理的似乎大量的条件和性能数据,以至于在30年前的能力低得多,考虑当今的网络和设备所作的优势。利用IIT和IOT数据容量和速度,加上内外无线网络协议提供的相关通信功能,数据几乎立即从机器流到远程数据中心。添加到此时,移动4G在今天使用的移动4G长期演进(LTE)蜂窝网络能力是或在不久的将来,在近期近期的5G移动网络速度和容量中的大量优越(50至1,000倍)是黯然失色4g二3)。这些通信能力都不存在于20世纪80年代。


图1:示例:2019年年中机械监测方案,显示分析水平和反馈性质(来源:Jack R. Nicholas, Jr.,版权所有)


最重要的是,为数百名客户开展现代预测分析计划所需的人员数量远远低于以前。可用的各种分析方法具有显着增长,变得更加复杂。随着AI,人类参与只会减少到最困难的分析和解释任务。通过云中共享计算机资源,由于涉及更少的人员和数字形式数据存储的单位成本看似连续降低成本,成本正在降低。

虽然分析能力,如模式识别,回归分析,相关性,极限和范围测试,相对比较和统计分析,在80年代被应用,计算机存储和召回能力,速度和成本限制了他们的使用主要在最高优先项目,如国防。IV.

到2019年年中,对于世界经济的工业和公用事业部门,涉及内部和外部无线连接和工业物联网的典型条件和性能监测计划可能如图1所示。

对于条件和性能监控,可越来越多的易于安装的数字无线传感器可用于机械。为传感器和无线链路提供电源的能量现在来自电池,其寿命依赖于电池设计技术,数据传输的容量和频率。替代电源,例如燃料电池,在开发管道中。这些展示了承诺大大增加的电力输出和增加了当今电池的生活。然而,该领域的最大进步可能是使用机械,热,天然光,磁场和核辐射能量来充电电池电池电路的环境收集或清除方法的发展。v这些传感器通常提供原始数据,并直接或通过相关的可编程逻辑控制器(PLC)向附近的计算机发送到基本分析(例如,检查警报和警报限制,相对比较)以及指定人员的异常条件的通信。

现代状态和性能监控的一个关键原则是在尽可能接近网络边缘的地方进行尽可能多的分析。随着智能传感器的引入,这将成为可能,智能传感器可以定制,以适应应用程序,并提供可操作的信息。VI.应评估每个传感器点单独或结合任何其他数据来源(如可能使用的计算机卡)指示实际或可能的故障模式的能力。但是首先,必须确定故障模式和相关的减轻数字分析任务。

最有效的方法是RCM。为了在RCM中获得最早的投资回报,无论最理想的结果是什么,都应该进行帕累托分析,以确定应该调查哪一个最坏的坏行动者。vii.

正确的根本原因分析(RCA)或缺陷消除(DE)的实际故障VIII.所进行的活动也可能产生数字分析任务。

2017年初,我们推出了信用卡大小的计算卡,它提供了设计边缘计算能力和连接消费者或工业产品的模块化方法。该卡是一个完整的计算机,具有内存,存储,输入/输出选项,WiFi和蓝牙连接。9今天,有更多的小型机、微型机和芯片设计用于边缘分析,具有同样甚至更大的能力。这些包括分析方法,如回归或趋势分析、极限或范围测试、模式识别和相关分析,由边缘计算机集成芯片中的人工智能软件支持。x

理想情况下,一个设备接收来自当地区域中的许多传感器的输入以及有效的编程,可以提供基本的可操作智能,但非常有用,性质,如果不是特定的行动方案。

无线链路和网关用于将传感器连接到计算设备,然后将结构化信息传输到下一个分析级别,通常具有以太网或其他有线网络协议。在此级别,一旦建立适当的连接,可以监控整个工厂。可以创建数据湖泊或本地云存储功能以累计数据而无需在设施之外。可以使用正在监视的工厂的数字双胞胎加载本地计算机或服务器。虚拟(即数字)双工厂具有实际工厂的所有特征。虚拟双胞胎包含所有描述正常安全操作的信息,以便通过完全生产从启动到关闭与实际工厂条件进行比较。理想情况下,普通的任何事情都会引起内部分析师,运营商和维护人员的注意,以及如何做出纠正任何异常情况。

连接选项正在增加。除了蓝牙、WiFi、Zigbee等无线网络协议外,一种全新的数据传输方式LiFi正在兴起。LiFi与发光二极管一起工作,发光二极管正在广泛应用于许多永久性结构和车辆,如飞机,取代更高能耗的空间灯。它通过闪光来编码信息。局域网可以以类似于微波系统的方式创建,但成本更低,尽管前面提到的计算机、手机等必须经过修改才能接收信号。2016年初,一家大型科技公司透露,其新发布的智能手机的操作系统具有LiFi功能。西

图1所暗示的总分析能力包括使用高级分析的场外或云计算,也许与来自组织外的源的数据相结合,该数据来自具有相同类型的类似方式的资产。高级分析方法包括数据挖掘,聚类分析,分类和时间序列分析,以及其他方法。XII.它的好处很多,但超出了本文的范围,正如书中所描述的那样,资产状态监控管理。十三世

通过数据农场集中数据收集和分析工作婆婆妈妈

如前所述,在RCM、RCA和DE等方法中可以找到数据农业的沃土。要种植的种子来自这些已被证实的方案,特别是如果这些任务是非侵入性的,涉及使用数学算法和/或视觉分析来收集和解释数据。
一旦执行任务,即使该值在于确保一切正常并且无需采取补救措施,即使该值也是如此,所以正在收集的数据具有值。这听起来很简单,它很简单。然而,它需要仔细资源管理(例如,通过过滤),以防止系统收集,聚合和分析数据,从变得不堪重复,并且冗余信息。十五
图2描述了整个数据农场过程。

图2:支持高级分析的数据农业过程(资料来源:杰克·尼古拉斯,JR.,保留所有权利)

最初,并不是所有的任务都可以使用这个概念来管理。因此,应该建立一个愿望清单,以寻找解决方案提供商,这些解决方案提供商可能对内部尚未解决的未知问题有答案。当组织派人员参加涉及工业4.0问题的公司的会议和展览时,如云计算、工厂或边缘的机器分析,应该使用愿望清单。参加会议的好处之一是有机会找到难以解决的问题的答案,通过获取有关您的愿望清单上的具体知识,不仅从供应商,而且从其他与会者。

从已知故障模式的已定义数据源获取结果可以使用商业上可用的软件程序或服务提供商,如软件即服务(SaaS)。目前,解读工作可以由人类来完成,但毫无疑问,未来将使用人工智能软件程序来完成。世界各地数量迅速增加的供应商提供了许多现成的人工智能软件程序。

必须管理分析结果。首先,决定在内部使用内容并选择将从其他来源的数据结合使用的聚集,分析和解释将从现场发送到云的内容。向任何云发送结果,无论是内部还是外部,都需要同步或构建结果术语和格式化,以避免混合“苹果”和“橙子”,浪费资源并产生毫无无用的信息。

时间序列数据库管理系统(DBMS)包括2016年初的行业4.0圈中增长最快,最流行的数据库段,进入2018年。xvi.在这方面迄今为止的制造业。XVII.这意味着组织在IIOT追求中投入最多的钱。大问题是:他们是否从这项投资中获得了资金?在时间序列分析中,分析了相对于既定范围或限制的异常模式,趋势或条件,并报告了机器或正在监控的过程的后续行动。这称为数据挖掘或探索数据挖掘。虽然这是常识,但在数据存储成本方面可以非常昂贵,并且搜索劣化条件。通常,即使在深度学习机诊断或其他AI程序的帮助下也需要长时间的群集或模式。如果结论是没有问题或未检测到任何问题,这可能是有用的。然而,数据养殖的概念是在已知的原因和缺陷被识别出现时对早期预警进行搜索。盲目搜索可以在正在执行基于数据种植的目标分析时继续。

数据养殖和数据挖掘之间的基本差异如图3所示。


图3:数据农场和数据挖掘的区别

图3强调了成本因素。农业提供了一种控制成本的方法,通过集中于已知的故障模式和原因,而不抑制数据挖掘的巨大潜力。最终,数据农场的影响应该体现在场外、基于云的分析上,增加产出的价值。这允许组织增加正在进行有效分析的数据量。当其他数据被认为对识别由老化和其他因素造成的未知问题有价值时,可能仍然需要进行高级的分析处理。

图4:示例未来的机械监测方案显示反馈的分析和性质水平(来源:杰克·尼古拉斯,Jr.,保留所有权利)

图4展示了一个涉及使用工业物联网的数据农场和数据挖掘的监控方案的概念性描述。

数据养殖可以导致早期和更有价值的收益,包括在植物网站内部和云外部。它没有减少数据挖掘的价值,但可能会大大提高正在处理的数据的有用输出和价值,从而在思科系统调查中最近透露了更高的成功IOT和IIT项目。

结论

数据农场使用成熟的方法(例如,RCM、RCA、DE),通过分析显示故障的传感器信息来确定特定的故障模式和原因。与一些物联网/工业物联网爱好者和大数据数据库管理组织的立场相反,至少在短期内,这些方法不会过时。它们在从收集、积累、结构化、过滤、分析和执行的数据中获得价值方面具有很大的优势。这将克服目前的物联网/工业物联网计划的趋势,该计划在涉及机械状况和性能监测的绝大多数情况下都失败了。
本文所定义的数据农场的主要优势在于控制成本,允许在数字革命开始显示其提高机械可靠性和降低制造生产成本的真正潜力时获得价值。

参考文献

https://www.i-scoop.eu/internet-of-things-guide/internet-things-project-failure-success/
II很难从各种出版物和互联网上做出的许多估计中做出判断,更难以将机器数据从所有内部或外部收集的云数据中分离出来。根据作者目前的估计,使用本地或高级分析方法进行任何类型分析的机械数据不到所有数据的5%。

3吉尔,鲍勃。“工业物联网和5G,工业IOT / Industrie 4.0的承诺。”观点,2016年5月4日。也看https://industrial-iot.com/2016/04/industrial-iot-promise-5g/和安东尼萨巴斯蒂安。“韩国花费15亿美元的5克移动网络,比4G更快的1,000倍。”极值,2014年1月22日,https://www.extremetech.com/computing/175206-south-korea-tospend- 1 - 50亿- 5 g -移动网络-那- 1000倍-快- 4 g。部署于2017年始于预期在韩国首尔,首尔2018年冬季奥运会期间的商业前5G试验。看http://gsacom.com/global-pectrum-situations-5g-.positioning-countries/。美国的移动网络提供商开始在某些市场的5G LTE功能的2019年进行部署。

IV.Nicholas, J.《企业在运营、维护和可靠性领域如何充分利用大数据和预测分析》论文发表于2017年4月在拉斯维加斯举行的可靠性会议上。描述了潜艇维护监测和支持计划,可以说是20世纪进行的最全面的资产状况监测计划之一(在122艘核动力潜艇上每艘65个系统上应用26项预测技术,从欧洲港口到西至夏威夷)。

v尼古拉斯,J.资产状态监控管理。迈尔斯堡:可靠性威布网,bob综合体育网页版2016年12月(ISBN 978-1-941872-52-9),第10章,PP170-171。提供有关传感器的电池替代电源的更多细节。

VI.智能传感器可能是相当复杂的集成微处理器。然而,这些传感器需要的功率比可以定期传输数字数据的传感器大得多,而且不一定是所有情况下的首选。ABB已经开发了一种紧凑型传感器,它被安装在低压感应电机的框架上。不需要布线。基于ABB数十年的电机专业知识,智能传感器使用车载算法,通过智能手机和/或通过互联网将有关电机健康状况(如振动、温度)的信息传送到安全服务器。该解决方案可以将大量电机转化为智能设备,使它们能够从智能服务中受益。该解决方案于2016年在北美市场推出。看http://new.abb.com/motors-generators/service/advanced-services/smart-sensor

vii.汗,F.I.”糟糕的演员程序。“bob体育正规吗 综合资讯2019年8 / 9月,页56-60。本文为帕累托分析提供了一个很好的方法。虽然本文的目标是预防性维修优化、生命周期成本计算、备件预测和可靠性、可用性和可维护性(RAM)建模,但它同样有助于关注哪些系统进行以可靠性为中心的维护。

VIII.ledet,W.P.,ledet W. J.和Abshire,S. M。不要只是修正它,要改进它!迈尔斯堡:可靠网站,20bob综合体育网页版09年。(ISBN 978-0-9825163-1-7)。提供缺陷消除的详细信息。

西de leeuw,valentjn。https://industrial-iot.com/2017/01/intel-compute-card-iot-moduless-potential-impact-product-life-cycle-,2017年1月27日。

x文森特,詹姆斯。“谷歌发布了用于设备上机器学习的新型微型人工智能芯片。”边缘2018年7月26日:https://www.theverge.com/2018/7/26/17616140/google-edge-tpu-on-device-ai-machine-learning-devkit。文章称:谷歌正在将其人工智能专业知识从云端转移,并揭开了其新的Edge TPU,这是一个微型人工智能加速器,将在物联网/工业物联网设备中执行机器学习工作。Edge TPU被设计用来做所谓的推断。这是机器学习的一部分,在这里算法实际执行它所接受的任务,比如,识别图片中的一个物体。谷歌基于服务器的tpu为这个过程的训练部分进行了优化,而这些新的Edge tpu将进行推断。六个这样的芯片将会在一个一美分硬币的范围内。

西《经济学人》报纸。《全新视角》。2016年9月24日,第76-77页。这篇文章指出,印度的Velmenni公司、英国的PureLiFi公司和法国的Luciom公司都在推销这种技术的各种应用。苹果当年发布的iPhone操作系统被描述为具有LiFi功能,但必须添加一个传感器(手机不提供)才能使该功能有用。

XII.同上,参考文献第179页提供了一些分析方法的典型名称列表。

十三世同上,参考v。第10章,第178-184章。

婆婆妈妈本文的作者无法找到该术语的特定来源,农业数据而且不能声称自己是始作俑者。这个想法来自于阅读《美国海军研究所学报》上一篇关于完全不同主题的文章。它的定义甚至可能与《Proceedings》那篇文章的作者并不相同,他使用了这个术语却没有定义它,这引发了关于它在数字机器监控中的价值的想法。

十五Valerio,Pablo。“管理物联网和边缘计算资源。”物联网时代网站,2019年8月12日:https://iot.eetimes.com/managing-resources-on-iot-and-edge-computing/

xvi.Risse。迈克尔。时间序列数据库的新崛起智能工业2018年2月26日的网站:https://www.smartindustry.com/blog/smart-industry-connect/the-new-rise-of-time-series-databases/

XVII.同上。