2018-LMS-TOP-BANNER-AD 2018-LMS-TOP-BANNER-AD 2018-LMS-TOP-BANNER-AD
资产条件管理 资产条件信息

操作机器学习是主流的

机器学习市场正在爆炸,因为每个部门的公司都开始认识到这项新技术提供的电力。继续看到大量牵引力的一个领域是在工业运营空间中,运营机器学习被出现为新的人工智能(AI)类别,这些智能(AI)在所有行业中获得了日益增长的采用。

这项技术使运营团队能够通过使用机器学习和预测分析本身来创造重要的业务价值,而无需数据科学家。图1中的信息图表概述了操作机器学习以及如何在多个行业和应用程序上提高生产吞吐量,正常运行时间,质量和安全性。

在未来五年内,分析师预测制造商的机器学习和预测分析将从15%增加到超过50%。其背后的驱动因素是该技术不再限于数据科学家。公司开发了机器学习系统,实际上是“数据科学家 - 箱子”,这意味着系统可以通过制造工程师或工艺工程师或在云端或处所地直接使用系统。

使用操作机器学习,公司可以在不到三周内实现初始结果,并节省5%至10%的物料成本,设备上涨和可用性增加10%至20%,维护计划时间减少20%至50%,5至10%整体维护成本降低百分比。这些收益为组织每年的数百万美元的价格储蓄。

利用已经提供的数据

工业运营中的另一个原因在于,它已经变得如此受欢迎,即它利用了当今大多数离散制造和工业过程运营中已经由设备和生产系统产生的时间序列数据。此数据历史上的运营中未分配,但机器学习可以帮助工业制造商发现人类或传统分析无法观察到的数据中的隐藏模式。反过来,这些模式提供了对操作状态的洞察力,并识别不希望的事件之前的条件,以提供预警。根据所监测的过程,此类早期警告可能会发生几小时,天甚至周数,并可以每年节省数百万美元的运营成本。图1:操作机器学习概述

这个怎么运作

机器学习系统中的四个关键能力使行业从业者轻松开始收获其优势:

  • 自动特征学习- 系统在时间序列数据中发现模式。一旦在数据中发现了模式,就可以应用机器学习。
  • 预言- 您可以选择在事件之前一致的模式,并将其标记为前兆。基于用例,前体可以提供早期预警或预测,这些预警或预测从事件发生前几小时到几天。
  • 解释- 您可以确定实际需要哪些数据信号来进行预测,以及每个信号对该结果的贡献量。
  • 灵活部署- 除了在房屋或云中运行模型,还可以在边缘部署它们。这可以支持需要靠近数据源的低延迟应用程序或断开连接的环境。

模式发现在识别出现之前识别模式的模式中起着关键作用,特别是对于资产。这是至关重要的,因为它将资产管理从反动中移动(即,发生退化并且您试图将其影响最小化)到主动(即,您防止其发生)。

通过识别对不期望的事件或操作条件的前兆的模式,这些预测系统可以提供对生产系统的当前和未来健康和他们创造的产品的可操作见解。通过这一点,运行机器学习系统可以实时在现有的操作数据上执行模式发现,条件监测和预测分析。

图2:机器学习使模式发现和预警

跨越许多行业 - 示例用例

由于操作机器学习在可用时间序列数据中发现模式,因此它不需要在特定行业中开发具有深层域专业知识的物理系统或组织的数学模型。因此,它是高度通用的,可以跨行业应用,例如汽车,化学,电子产品和半导体,采矿和金属,油气和能量和能量。为了说明这项技术的力量,这里有一些样本用例在半导体和汽车制造业。

  • 半导体:主要的半导体制造商每天运营复杂,昂贵的设备,每天执行许多不同类型的阶梯操作。通过预测维护优化利用是一个高优先级。该机器被仪表被仪表以传感器读数,控制参数和其他设置的形式每秒收集运行数据。在预测运营商的故障方面证明了这一数据的使用和优势证明是无效的。制造商决定部署机器学习系统,该系统很快集成到包含跟踪数据,质量措施和检查器和操作员日志信息的运行数据存储中。四个月的数据历史创建了一个识别多个异常条件以创建维护指标的模型,从而在系统中创建警报。评估流提供的高级警告的可用性使维护团队提前干预,并导致正常运行时间和整体设备有效性(OEE)提高。
  • 汽车:领先的汽车制造商需要实时评估其焊接质量。其机器焊缝的质量随着时间的变化而变化,导致每台机器每天超过14,000美元的昂贵手动返工。使用机器学习系统,该公司能够发现在机器人焊接中质量变化的模式并提供先进的警报。这有助于显着降低下游返工和物质损失。

未来

随着运营机器学习的出现,下一个工业革命就在这里。无论您是致电IT行业4.0,工业互联网(IIT),还是数字转型,增加机器和运营数据的访问,双向通信和数据流速度的扩散,结合计算,连接成本较低存储,已创建完美的环境来改变工业运营。这些操作产生的时间序列数据,在有效地利用时,可以提供可操作的见解来减少停机时间,以及提高吞吐量,操作员安全和产品质量。

现在没有更好的时间来开始利用这些系统的力量,现在专业资源,如数据科学家,不再需要实现它们。