机器学习中的预测性维护

预测性维护是监控未来系统故障和安排维护的最重要技术之一。 尽管系统故障是任何机器都可能发生的普遍问题，但预测故障并采取措施防止此类故障对于任何机器或软件应用程序都至关重要。在当前我们完全依赖机器和计算机的情况下，系统故障会极大地影响整个生命周期。对于组织而言，系统故障还会导致巨大的业务损失。但是，如果我们通过采取纠正措施或预测性措施来准确预测这些故障，那么我们可以轻松避免此类故障并防止整个系统崩溃，而预测性维护就应运而生。在本主题“使用机器学习进行预测性维护”中，我们将学习预测性维护系统 (PMS)、该系统如何用于预测故障、各种避免此类故障的纠正措施、用于预测性维护的机器学习技术、采用机器学习进行预测性维护的优势等。那么，让我们从预测性维护的快速介绍开始。

什么是预测性维护？

预测性维护是一种在运行过程中监控结构或设备性能的技术。 它是随时间收集数据以监控设备状态的方法，可以检测设备中的异常或可能的缺陷，以便在故障发生之前进行修复。

预测性维护的主要目标是找到有助于预测并最终减少机器故障的模式。振动分析、油液分析、热成像、设备观察等是预测性维护的一些常见示例。

使用机器学习进行预测性维护

尽管预测性维护是一种减少系统故障的纠正措施，但当它与机器学习结合使用时，它使您能够对样本数据集或自己的数据集运行自动数据处理。通过使用机器学习进行预测性维护，试图从经验或旧数据中学习，并利用实时数据来检测系统故障的模式。

使用机器学习进行预测性维护需要执行三项主要任务，如下图所示

一般的预测性维护方法也存在一些问题，但机器学习可以解决与维护活动相关的各种挑战，例如不可预测的故障。因此，它在优化维护工作和避免计划外停机期间的严重后果方面具有优势。

预测性维护中的机器学习类别

机器学习与预测性维护的集成分为以下两类：

• 监督类：它指的是存储在数据库中用于故障预测的类。此类适用于故障事件可在两个维护周期之间预测的特定应用程序。
• 无监督类：它指的是与维护需求无关的类。此类适用于两个维护周期之间无法预测故障事件的应用程序。因此，无监督类被用作此类场景的最佳替代方案。

为什么要使用预测性维护？

预测性维护主要侧重于检测系统中即将发生的潜在故障，同时确保我们不必频繁进行维护。因此，它还可以节省金钱和时间。如今，公司正在使用预测性分析软件进行设备监控，以帮助准备维护并安排维修，以保持设备的良好状态。因此，预测性维护提高了整体设备效率 (OEE)。

结合机器学习的预测性维护方法可以解决与维护活动相关的各种挑战，例如不可预测的故障。因此，这种集成值得探索，以优化维护工作并避免计划外停机期间的严重后果。

用于预测性维护的机器学习技术

尽管预测性维护本身对机器至关重要，但当与机器学习结合使用时，它会更加有效。通过机器学习进行预测性维护，可以帮助机器或系统预测各种类型的机器故障并通过各种特定技术减少它们。这些技术涉及使用传感器随时间收集数据来监控故障。

首先，在相应的机器系统中添加传感器进行监控，然后存储相应操作的时间序列数据。由传感器收集的用于预测性维护的数据显示了一个包含时间戳和传感器读数的时间序列。进一步，这种带时间戳的数据使基于 ML 的应用程序能够以精确的时间准确预测故障。

主要有两种基于机器学习的预测性维护方法，如下所示：

• 分类方法：此预测方法预测未来 n 步内发生故障的可能性。此外，它还告诉我们剩余步骤中是否存在任何可能的故障。

分类方法以布尔值（真/假）格式提供结果，并提供更准确的预测，数据量较少。

• 回归方法：此预测方法预测相应系统中即将发生故障的时间。这也被称为剩余有用寿命 (RUL)。
  与分类方法不同，回归方法需要更多数据来预测结果，并且它还提供有关即将发生故障的详细信息。如今，大多数行业都采用这些基于机器学习的预测性维护技术来检测系统故障并提前预防。

使用机器学习进行预测性维护的应用

预测性维护主要用于检测即将发生的系统故障并通过适当的纠正措施进行预防。通过将机器学习与预测性维护结合使用，我们可以分析大量数据并检测可能导致各种财务和业务损失的所有潜在故障。有几种使用机器学习的预测性维护应用程序，包括制造厂、发电厂、铁路、航空、石油天然气行业、物流和运输等。

• 制造业和物联网：预测性维护广泛应用于制造业，通过及时检测故障来监控生产过程，并在设备发生故障前进行消除，从而提高生产过程的整体效率。
• 汽车和车辆：各种技术将车辆连接到制造商或经销商已安装在车辆中的传感器。这些传感器收集所有信息并生成大量数据，这些数据由制造商或经销商直接检索，他们会警告我们任何可能的故障以及在发生故障前的纠正措施。
• 公用事业供应商：预测性维护技术有助于公用事业供应商更好地开展内部工作，例如预测供应、需求问题、停电问题等的早期迹象。
• 保险：各种银行和金融机构使用预测性维护技术来预测灾难性天气条件的准确分析。

预测性维护公司

预测性维护在生产公司中非常普遍。它也太昂贵，不适合那些在不影响生产周期的情况下可能停几个小时甚至几天的组件。一些知名公司正在使用预测性维护技术来发展业务。它们如下：

1. Infrabel

Infrabel 是一家比利时政府所有的股份有限公司，负责建设比利时的铁路网络和基础设施。

它目前负责建造轨道、道岔、桥梁、隧道、立交桥和信号。此外，它还在监测轨道、枕木和架空线路。

运行预测性维护所使用的技术

• 电力消耗计
• 温度传感器
• 摄像头
• 本地数据库
• 机器学习引擎

报告的效益

• 自动检查 7,000 公里轨道线路，
• 提高员工安全

2. 小松有限公司

小松有限公司是一家知名的日本制造公司，生产建筑、采矿、林业和工业设备。此外，工业机器以及地面和地下采矿设备均在监控之下。

运行预测性维护所使用的技术

• 振动传感器
• 压力传感器
• 油况传感器
• 超声波传感器
• 温度传感器
• 摄像头
• Azure SQL 数据库
• 机器学习引擎

报告的效益

• 减少生产延误
• 减少维护停机时间
• 减少备件和耗材成本
• 提高燃油消耗

3. Mondi

Mondi 是全球知名的包装和纸业领导者。它在全球范围内提供服务，包括欧洲、北美和非洲。

运行预测性维护所使用的技术

• 压力传感器
• 速度传感器
• Oracle 数据库
• 机器学习引擎
• 温度传感器

报告的效益

• 减少机器停机时间
• 减少原材料浪费，每年还节省 50,000 欧元。

4. 雪佛龙

雪佛龙是美国最著名的跨国能源公司之一，从事石油和天然气业务。然而，管道系统和油井仍在监测之中。

运行预测性维护所使用的技术

• 压力传感器
• 温度传感器
• 振动传感器
• 地震仪
• Azure IoT Hub/Edge
• 机器学习引擎

报告的效益

• 降低维护成本
• 降低维护成本
• 消除故障

使用机器学习进行预测性维护的优势

尽管我们已经讨论了使用机器学习进行预测性维护的主要目标，但采用预测性维护技术还有许多其他优势。它们如下：

• 它有助于将平均维护成本降低 50%。
• 它有助于将机器意外故障的可能性降低 55%。
• 它将总大修和维修时间缩短 60%。
• 它还可将备件库存减少 30%。
• 它将机械平均故障间隔时间延长 30%。
• 它有助于将正常运行时间提高 30%。

结论

预测性维护主要用于制造业和汽车行业，但不仅限于这两个行业。预测性维护降低了系统的维护成本，同时还有助于将意外故障、大修和维修时间减少约 60%。此外，它还提高了机器或设备的正常运行时间。大多数制造行业的领导者正在使用并认识到使用机器学习进行预测性维护监控复杂且昂贵的系统的重要性，因此，未来的行业将完全依赖于它。

此外，构建用于预测性维护的机器学习模型并非遵循单一方法。构建模型的策略最终将取决于维护任务和具体挑战。对于不同类型的故障，我们可能需要不同的 ML 模型。