账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
AI技术持续突破 故障预测应用渐臻成熟
 

【作者: 王明德】2020年06月22日 星期一

浏览人次:【7739】

在物联网和AI技术的进步,人们正在努力检测大型设备中的故障并检测异常。异常检测是透过设备学习测量值来检测异常状态的方法。例如,异常运动和声音要进行异常检测。因此,异常检测透过使用设备学习在各种情况下进行应用,还用于检测产品异常,例如工业设备的运行条件和影像。除了检测异常的存在之外,现在还可以透过执行数据分析来预测故障。


使用IoT和AI检测异常需要先决条件

在效益考量下,考虑引入IoT和AI等资讯系统以检测异常,从而构建预测性维护系统的公司数量正快速,不过在考量此架构时,企业必须体认数据测量对于导入物联网和AI的重要性。


预测性维护系统透过将感测器连接到目标设施或设备上,来测量用于掌握状况的数据。之后,再透过使用IoT收集数据并使用AI等对数据进行分析,可以提前发现故障和缺陷。由于物联网和AI是有效利用现场测量数据的技术,因此需要高度精确的测量。如果测量数据的准确性低,即使引入了IoT和AI,也不太可能产生预期的结果。因此,如果想利用IoT和AI,就必须先获得高精度数据。


数据不足时的异常检测方法

由于工厂机械的异常情况发生频率并不高,因此过去的数据相对不足,在缺少数据又必须达到设备侦测目标时,就可使用「无监督学习」。无监督学习是一种设备学习方法,可以从AI提供的数据中发现规律性并进行学习。目前市场上发展了三种典型的无监督学习方法,包括SVDD、PCA和RPCA。


SVDD

SVDD是用于分类的无监督设备学习方法。在训练过程中获得少数样本时,这一类的分类很有用,透过使用核函数(Kernel function),让SVDD可以有效处理异常实例很少的数据。该核函数可以表示两个数据之间有一定程度的相似性,能灵活地对「正常」区域和正常状态区域,进行建模以进行异常检测。因此也可用于设备预后、医疗保健和欺诈识别。


PCA

PCA是一种称为主成分分析的数据分析方法。使用PCA能达到可视化整个数据的状态,而不会损坏数据中的资讯。 PCA所进行的异常检测,是利用定义了正常数据(正常状态)的区域,并将偏离的数据判断为异常。除了异常检测,它还可以应用于模式识别之类的状况。


RPCA

RPCA是相当强大的数据分析方法,又被称为主成分分析。它是PCA统计标准的修改版本,其特点是可以处理与其他数据明显不同的数据,主要用于异常检测和影像处理。


异常检测和故障预测的注意事项

以上三种除了无监督学习技术外,工程师要让系统执行异常检测和故障预测,还需进一步了解系统。因此,利用物联网和AI的异常检测和故障预测时,必须同时考虑时滞设计,并且确定模型更新周期。


在使用监督学习时,由于一开始就可知道异常检测的可能性,相当容易判断是否发生异常。另一方面,在无监督学习的情况下,可以检测到异常值,但是,这需要另一个标准来判断它是否异常。因此需要正确设置阈值,并以相似性的指标进行判断。


当将无监督学习应用在AI设备学习时,并不会定义正确答案,因此可以透过了解每种方法的特征,并使用多种方法进行判断,以获得良好的结果。另外,还需要注意数据测量的品质。这在对工厂中的设备和零件执行异常检测和故障预测时,进行高精度测量非常重要,如此方能准确了解现场情况。


使用AI「操作监视」的故障侦测方法

另一种故障侦测方式是操作侦测,这种方式是透过制作产品物联网,获得可视化操作状态的方法,其作法是产品成为物联网中的一个节点,快速从产品获取所需要的数据,除了侦测设备是否正在运行,同时还可以透过产品控制资讯的收集,以检查操作状态。


操作侦测所需的元素是使用具有通讯功能的感测产品资讯并收集资讯,再透过分析这些资讯并利用与AI相关的技术,不仅可以预测过去和现在的状况,还可以预测未来的状况并执行预测性维护。


由于无法避免设备和消耗品的老化,因此许多工厂都希望导入预测性维护。但是,预测性维护需要准确的故障预测,因此从操作监视进行预测性维护并不容易。必须了解哪种感测数据能够捕获故障的正确征兆,并且花费时间来获取作为重要指标的数据。


同样,为了进行准确的预测,有必要组合与故障相关的多个指标,但是结果可能并不总是如预期。原因在于进行故障预测时,设备的故障机率并不高,因此收集故障数据相当困难,也很难实现让AI进行有效的学习。


没有足够数据异常预测难度倍增

在制造业中,机器学习用于预测各种异常的发生,例如生产设备故障和产品缺陷。但是,当使用机器学习来预测异常时,许多公司面临着因失败而缺乏监督学习数据的挑战。因此,如何处理机器学习中监督学习数据的不足,就变得非常重要。


当使用机器学习来预测生产设备故障和有缺陷的产品出现时,有必要包括先前故障和故障事件的正数据作为监督学习数据。但是,由于制造业中的故障和缺陷产品对生产效率影响很大,因此开发这样的机制是为了尽可能地防止故障发生,不过,突然发现没有足够或没有正面数据的情况并不少见。


在机器学习中,预测性能会根据训练数据的数量而发生很大变化。监督学习数据量越大,预测精度越高,并且降低精度越小。但如果没有或没有积极数据怎么办?有业者提出一种是采取异常检测,而不是透过监督学习进行异常预测。异常检测不需要监督学习数据,因为它使用设备日志数据,制造过程数据等作为解释变量。


在制造业中,例如在品质控制(QC)和品质保证(QA)的背景下,所绘制的过程控制图,而且在出现超出控制范围的情况时发出警报。这与监视数据并在出现异常数据时,会发出警报的机器学习异常检测算法具有相同的想法,因此对于制造业相关人员而言,它比机器学习预测更为熟悉。这很容易,并且有很多要求采用这种方法。


在无监督学习数据的异常检测算法中,马氏距离(Mahalanobis distance)是相当知名的演算法之一,马氏距离在机器学习之前已多被使用,它适用于透过查看距特征空间中数据分布的距离进行评估的目的,并且可以透过添加远离分布的方向来检测异常。还有一种称为局部异常因子LOF算法(Local Outlier Factor)的算法,该演算法着重于数据的密度而不是分布,以查看其是否与其他数据相距甚远(图一)。



图1 : 马式距离(左)和LOF(右)(Source:ITmedia)
图1 : 马式距离(左)和LOF(右)(Source:ITmedia)

以假设驱动进行没有监督学习数据

但是在没有监督学习数据的情况下检测异常有其局限性,尽管可以透过在过程控制表等上作图来确定控制宽度,但是即使在机器学习中,还是必须设置用于判断正常或是异常的阈值。


此外,没有监督学习数据的异常检测,可以从正常数据中学习其结构,检测并提出该数据分布之外数值的警告,但实际上应该注意的是异常检测的数据分布,也就是说,即使检测为异常值,实际上也不一定表示其为异常值。相反,当数据是正常的,在现实中有时也会发生异常。所以异常检测的重点是偏离实际故障,或故障事件时会发生这些情况。


因此,当透过机器学习来检测异常时,必须在基于实际知识设计出故障原因的假设之后利用数据,因为在许多情况下,「所有收集数据并检测异常」的作法是无效的。


例如日本的物流解决方案提供商Daifuku就使用DataRobot进行假设性异常检测。当确认在设备中发生异常时,可以在物流中特定位置的输入/输出值中观察到异常值。因此,Daifuku采取了利用数据来构建异常检测模型,并基于本身的专业知识,进一步减少与异常无关的特征,而获得了良好的异常检测性能。


在另一个业者在一段时间之中,持续观察到发生设备故障时发出低音频。该业者对此改变了一些观测结构,其方法是透过对振动数据进行傅立叶变换,并对低频数据使用异常检测来实现无监督的异常检测。


以异常检测累积学习数据


图2 : 预测性维护系统的做法,是透过将感测器连接到目标设施或设备上,用以侦测设设备状态。 (Source:Process Pioneers)
图2 : 预测性维护系统的做法,是透过将感测器连接到目标设施或设备上,用以侦测设设备状态。 (Source:Process Pioneers)

使用机器学习进行异常检测时,存在无法始终预先测量性能的限制;若是以监督学习数据的机器学习预测模型为基础时,仍可将监督学习数据应用于生成的模型,以验证其准确性,只是异常检测或仅使用少量验证数据进行定性时,其难度相当高。在多数情况下,只能尽量进行评估。换句话说,利用监督学习数据进行机器学习具有两个优点:较高的预测精度性能和预先进行的定量验证。


因此,业者可先进行无监督的异常检测,如果收集到异常或故障的正面数据(即监督学习数据),则将其作为监督学习数据传输到预测中。例如,利用发货前产品检查期间无监督的异常检测来确定优先级别,以此种方式收集的实际异常,可以适用于监督学习时的数据。


一般而言,设计者难以全面掌握设备的异常模式,因此无法预测不在监督学习数据中的模式,但随之取得的数据渐多,准确性就渐高。先循序渐进的从无监督异常检测开始,再到对有监督的数据进行预测,业者就可以打造出具有监督学习功能的系统。


**刊头图(Source:Directindustry)


相关文章
机器学习变革工业制造流程的四种方式
comments powered by Disqus
相关讨论
  相关新闻
» 明纬推出新系列30W~90W??墙式可换AC??头适配器环球认证
» RIN国际研发高峰会手举行 金属中心展出亮眼成果
» 西门子工具机软硬体解决方案 构建数位制造核心应用
» 明纬推出NGE100(U)系列:100W环球通用4埠USB氮化??快速充电器
» TPCA展??2024台湾PCB产值 有??复苏达8,182亿新台币


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83TDQ36U2STACUKN
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw