制造业的规范性维护
当今的人工智能（AI）趋势和制造业自动化水平的提高，使企业能够通过数据驱动的见解来灵活地连接资产并提高生产率，这是以前无法实现的。随着制造中使用更多的自动化，处理维护问题所需的响应速度将变得更快，并且从经济角度出发，关于最佳选择的自动化决策变得越来越复杂。
规范性维护：
规范性维护是一种范式转变，它促使人们从严格依赖计划中的事件转变为能够从实际事件中采取实时措施。规范性维护利用高级软件对识别点进行模式识别，以明确诊断根本原因问题，然后指示及时准确的措施来及时更改结果。工业公司正在使用规范性维护和分析软件来减少或消除计划外的停机时间，并最大限度地提高盈利能力和设备可靠性。启用AI的规范性维护的独特之处在于，它不只是预测即将发生的故障，而是努力通过分析为操作和维护生成针对结果的建议。
提高生产力：
生产率是制造商寻求成本和质量的三个基本要素之一。如今，估计有价值5
数字核心：  
实施规范性维护和分析的关键方面是包括下一代数字核心技术，包括人工智能，机器学习，物联网连接，协作和高级分析。这些工具必须是灵活的，可伸缩的，并且必须易于集成到旧的IT基础架构中。它们使组织可以将来自后台系统的业务流程和交易数据与来自各种来源的大量结构化和非结构化数据进行集成。然后，可以跨整个数字核心将高级分析及时地嵌入到数据中，使组织能够获得新的见解，例如预测结果或提出新的行动。
仿真和灵活建模：
跨统一数字核心聚合和提取数据只是实现数字转换的第一个要求。为了优化转型的结果，公司需要能够在其组织的各个领域进行协作。虚拟协作越来越成为开发和保持卓越的工业运营效率和提高生产率的标准。有必要将实时，离线模拟和建模扩展到数据价值链中的所有参与者，包括从技术人员提要中获取交互式输入信息，以及对过程和生产经理的推理和建模，以优化维护决策，物理对象。每年，对机床进行的维修超过750亿美元。维护这些工具和系统的一个关键方面是可以对配方，过程，设备，度量标准及其制造过程的客户特定语法进行单独建模。这些必须允许管理元数据，建立数据清单以支持对过程和设备数据的快速而可靠的处理，并注入数据分类和特征提取以启用AI / ML算法。规范性维护系统的核心是使用高级软件对应用程序和设备组件快速采取行动并做出反应的能力，该软件支持时间感知，同步执行以优化和控制周期。如今，系统在很大程度上基于规则，而对于AI / ML结果的无缝集成却缺乏灵活性。以前不可能将数据收集和映射与机器学习结果对齐以获得可行的见解，并在毫秒内完成自动控制的动作。先进的分析和控制软件统一了嵌入式系统，自治系统和平台集成的功能，而不会失去其工业级的可靠性和安全性。
工业化AI：                  
人工智能元素需要在整个数字核心的数据中确定性地嵌入和同步，以使公司能够获得新见解，例如预测结果和自动化操作以确保优化结果。
进阶分析：
AI / ML系统是规范性维护平台的大脑。用于生产机器的ML模型旨在检测生产过程中的异常行为。训练数据有助于为单个配方步骤或特定设备类型开发特定模型。通过连续不断地确定数据点是否超出这些范围，可以将其标记为异常并进行报告，从而实现及时的检测和处理。训练新模型和按需部署的能力是关键。这样，模型就可以随着时间的推移而不断学习和适应
虚拟协作：
大量数据的可视化对于支持管理分析和快速决策以进行连续监视以及规范性维护和分析至关重要。可视化工具必须综合通常融合的多维数据和信息，以支持评估，规划和预后。该工具需要是开放的，动态的，实时的，并且对所有参与者都可用，以便能够与所有参与者协作以访问各种抽象和网络连接级别的数据。
案例分析
问题陈述：
我们在制造过程中要经历多个连续步骤。我们的制造组件包括多个运动部件–最著名的是运动平台和执行器。最难以解决的良率问题之一是间歇性电机故障，该故障随时间随机发生。在时间，频率，组件，配方等方面，故障发生没有可识别的一致性。它们只是随机发生。关闭设备进行熨烫测试通常很费时间，并且对我们的工厂生产量造成负面影响，直到幸运的是，您可以抓住一个失败的现场。另一方面，如果设备保持在线状态，则会继续断断续续地制造有缺陷的产品，从而浪费下游工厂的产能，消耗品，劳动力和高额的收入损失。我们以前依赖于基于状况的手动监视解决方案和预防性维护程序，这限制了我们提高产量和生产率的能力。预测性和规范性维护最近已在重型制造业中采用。例如，对燃气轮机，真空泵，飞机发动机等进行预测性维护。这些预测性维护解决方案实际上是根据机械及其操作，领域等情况高度定制的。此外，用于这些情况的传感器适用于大型和重型机器，并针对大幅度的速度，加速度，旋转，倾斜进行了调整。与重型机械行业相比，我们的制造工艺有很大不同。不仅我们的制造领域和过程有所不同，而且传感器对数据采集的要求也将有所不同。我们的制造组件中使用的电动机尺寸小，其运动范围更短，并且突发性更小，以应对精密的小型部件。当前可用的现成的IOT传感器（在重型制造业中用于运动感测）不适合我们的制造，因为它们体积太大而无法安装或不够精确和灵敏。例如，现成的传感器可能无法检测到导致过度振动的运动，这可能导致微小部件的未对准。当前可用的现成的IOT传感器（在重型制造业中用于运动感测）不适合我们的制造，因为它们体积太大而无法安装或不够精确和灵敏。例如，通过现成的传感器可能无法检测到导致过度振动的运动，这可能导致微小部件的未对准。当前可用的现成的IOT传感器（在重型制造业中用于运动感测）不适合我们的制造，因为它们体积太大而无法安装或不够精确和灵敏。例如，通过现成的传感器可能无法检测到导致过度振动的运动，这可能导致微小部件的未对准。
我们的解决方案：
我们通过广泛的解决方案要求文档提出了解决方案，其中详细介绍了技术设计规格，例如–性能，可伸缩性，模块化，安全性，高可用性，连接性，灵活的应用程序编程接口，CPU /内存/网络/硬盘使用规格，互操作性，可配置性，可靠性，可用性，延迟，ML / AI算法，数据库性能，可视化，可扩展性，传感器要求。
例如：
我们与一家具有技术专长的供应商合作，可以满足我们所有解决方案的设计规范。与供应商合作，我们开发了一种预测性维护框架，该框架利用定制的机器学习技术，软件工程原理以及根据形状因数，功率和通信协议等选择的合适传感器对我们的制造更加准确。总体而言，预测性维护框架能够执行实时检测，可视化，警报创建以及针对制造过程不同阶段的修复建议。这个独特的系统还使用最先进的机器学习技术和软件工程原理来抢先和自主地预测，检测，创建警报并建议在制造过程中对异常振动的修复。该系统会在制造过程发生任何实际中断之前提醒个人，并建议修复估计。这使我们能够对制造过程进行预测性和规范性的定期维护，从而减少了突发性和计划外的停机/中断，并优化了我们的工厂产能，耗材，人工和成本。AI / ML的平台集成，具有时间意识的运行时系统和灵活的创作工具，可以更好地预测过程和设备问题，并能够对设备组装进行精确维护，避免突然和计划外的停机时间/避免间歇性的错误制造，从而最大程度地减少收入损失。这使我们能够对生产过程进行预测性和规范性的定期维护，从而减少了突发性和计划外的停机/中断，并优化了我们的工厂产能，耗材，人工和成本。AI / ML的平台集成，具有时间意识的运行时系统和灵活的创作工具，可以更好地预测过程和设备问题，并能够对设备组装进行精确维护，避免突然和计划外的停机时间/避免间歇性的错误制造，从而最大程度地减少收入损失。这使我们能够对制造过程进行预测性和规范性的定期维护，从而减少了突发性和计划外的停机/中断，并优化了我们的工厂产能，耗材，人工和成本。AI / ML的平台集成，具有时间意识的运行时系统和灵活的创作工具，可以更好地预测过程和设备问题，并能够对设备组装进行精确维护，避免突然和计划外的停机时间/避免间歇性的错误制造，从而最大程度地减少收入损失。
我们意识到的主要好处：
提高产量
提高工人的生产力
减少计划外停机时间
优化盈利能力
快速实施
快速扩展
ML算法概述：
什么是异常检测？：
异常检测是关于发现与数据集中的预期行为背离的模式（例如异常值，异常，特殊性等）–因此，它可以类似于噪声消除或新颖性检测。实际上，要检测到带有异常的模式，噪声检测可能会略有不同，因为噪声检测的唯一目的是消除那些噪声。与大多数数据科学项目一样，异常检测的最终目标不仅是算法或工作模型。取而代之的是，异常/异常值提供的洞察力的价值–即防止设备损坏而节省的业务成本。在制造业中，我们希望通过异常检测来主动进行预测性和规范性维护，以免对设备造成实际损害。
有监督与无监督：
构建异常检测系统有两种主要架构：
有监督的异常检测–如果我们在已知每个数据点是否正常的情况下标记了数据集，就可以使用
无监督异常检测-数据集未标记的情况，即每个数据点是否为异常是不可靠或未知的
我们的机器学习管道：
我们先进的ML软件框架可从策略性地放置在制造组件各个部分中的传感器执行实时传感器数据采集。我们的软件框架全部实时地使用有监督和无监督的学习技术，从获取的传感器信号中进行统计特征提取，导出主成分，并检测异常簇（数据点），对传感器信号进行时间序列抢先预测以及置信区间保护带并检测极端振动。以下是概述：
一种检测各种聚类的样本无监督算法：
Mean Shift聚类旨在发现数据点平滑密度的聚类。这是一个基于质心的算法；首先将每个数据点视为一个群集中心。根据所提供的带宽参数，每个数据点都会建立一个虚拟的关注范围。然后，它使用球体内的数据点的平均值更新球体的质心，然后围绕新均值（新质心）建立一个新的关注球体，然后再次使用数据点内的平均值更新质心该地区。该过程反复进行，直到收敛为止，直到质心不再移动为止。接下来是过滤后处理阶段，以消除几乎重复的部分，以形成最终的形心集。
通过优化剪影系数，可以通过每种技术获得最佳的聚类数。使用每个样本的平均集群内距离（a）和平均最近集群距离（b）计算Silhouette系数。样本的轮廓系数为（b-a）/ max（a，b）。为了明确起见，b是样本与该样本不属于的最近群集之间的距离。最佳值为1，最差值为-1。接近0的值表示重叠的群集。负值通常表示样本已分配给错误的聚类，因为另一个聚类更相似
以下是均值漂移聚类检测我们制造组件之一的各个振动阶段的图：
在 上面的图中，十字标记表示振动阶段的地面真相标签，而彩色点是使用均值漂移无监督学习技术的预测振动阶段。在这里，无监督算法能够检测所有六个不同的振动阶段。
我们的软件架构：
我们拥有灵活的软件架构，可在边缘提供全部功能，并可根据数据/ ML计算需求等按需切换到基于边缘云的混合架构。我们的框架还提供了灵活的API，可根据需要更新我们的ML模型。以下是我们使用Raspberry Pie Edge计算机的示例高级软件体系结构。我们利用了开放技术，例如MQTT（基于实时订阅的消息传递协议），Influx db（用于实时分析的开源时间序列数据库）和Grafana（用于实时可视化）
由于从实时数据处理到ML训练/预测的各种计算限制，我们采用了一种灵活的软件体系结构，可以无缝切换到混合形式。Edge-cloud框架在滚动窗口中将数据连续存档到云中的历史存档数据库中，例如，直到当前日期为止，将价值一周或一个月的历史数据保持在云数据库中，要保留的数据量存档的内容可能会根据使用情况而有所不同。该框架已建立了基于规则的模型运行状况监视系统，该系统定期（以及按需）检查ML模型的性能统计信息-性能统计信息可以根据但不限于用例的性质， ML算法等。如果模型性能统计信息低于阈值（例如f1得分，对于受监督的学习者，R平方；对于无监督的学习者，其Silhouette系数等会因使用案例，算法等而异），一旦满足阈值标准，该框架就会触发ML训练管道（在线）并部署新训练的模型。以下是我们的混合架构示例：
规范性维护实时可视化平台：
我们为规范性维护构建了最先进的易于使用的智能监控平台。操作员可以实时监控异常情况，深入分析根本原因并接收智能建议以修复错误情况。基于ML的智能建议基于异常行为，传感器位置，传感器数据，发生时间，设备类型/属性等。借助此平台，操作员还可以轻松地可视化和监控各种CPU，内存，网络使用情况等。制造装配服务器。我们的可视化平台还提供具有自定义日期范围的回溯选项。
总结与结论：
我们开发了一种以ML为基础的端到端规范维护系统，该系统具有可伸缩性，安全性，模块化，可扩展性，互操作性和可配置性。通过该平台，我们实现了生产过程的良率的大幅提高。我们会主动检测故障，建议对制造组件进行修复，以大大减少计划外的停机时间，并优化工厂的产能，耗材，人工和运营成本。围绕异常检测的机器学习正在不断发展。在机器运行期间会创建新的看不见的异常。我们平台提供的灵活的ML API使我们能够根据需要更新异常检测算法。
1