内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

百度云_北京网站开发建设_排行榜

2021-06-10 02:23 出处:欧普曼云计算 人气: 评论(0

百度云_北京网站开发建设_排行榜

最近一个被称为工业4.0的现象标志着制造业的全行业转变:工厂正在变得更聪明。因此,考虑到新的技术工具,工厂运营商努力提高生产率、提高运营效率和更好的安全性。许多制造厂保持新旧机器的结合。使工厂更智能化的第一步是启用预测性维护(PdM)功能。

预测性维护侧重于识别传感器和产量数据中的模式,这些模式指示设备状况的变化,通常是特定设备的磨损。借助预测性维护功能,公司可以确定资产的剩余价值,并准确确定制造厂、机器、部件或零件何时可能发生故障,因此需要更换。

在我们的三部分系列文章的第一篇文章中,我们将解释预测性维护如何起到减少停机时间的作用,通过在即将发生的故障发生之前识别它们,降低维护成本,提高操作效率和安全性。

所有类型的设备机器、电池和其他机械和电气部件-随着时间和使用而退化。从长远来看,每一件制造设备都将达到其使用寿命的终点。

在过去,公司使用基于计划的维护(也称为计划维护或基于时间的维护)系统,在许多情况下,这种方法侧重于减少故障,并最终更换本可用于维修的机器更长的时间,因为时间表假设制造工具关键部件的最坏情况寿命。

在某些情况下,公司尝试使用基于状态的维护方法,在故障发生前的正确时间维护或更换设备。然而,这种基于状态的方法需要定期观察设备。

在挖掘多个参数时使用机器学习,并准确预测设备可能出现故障的时间,预测性维护可以产生以下好处:

预测性维护识别机器或设备的状况,并确定特定机器是否会发生故障。这种新的模式是由产生大量仪表化数据的连接机器和从这些数据中获得意义的机器学习能力来实现的。

一些技术趋势通过实现预测性维护来加速当前的工业革命:

鉴于这些技术、机器、工厂,制造过程已经变得智能化、集成化和数据驱动。预测性维护技术使用传感器从机器收集数据,如温度、振动和声音。一旦数据被收集和标准化,你就可以应用机器学习技术进行预测分析。

当你从高度仪器化的设备中收集多个参数时,使用机器学习技术来识别故障模式就变得非常重要。通过机器学习,您可以识别表示即将发生故障的模式。使用基于深度学习的技术,您还可以识别模式中表示故障的模式。

要构建预测性维护解决方案,您应该通过描述您希望预测的内容、其业务好处、可用的数据信号以及您的假设来详细定义您的用例。您收集的信号和故障示例需要与您的用例相匹配。

在这篇文章中,top返利,我们描述了构建预测性维护场景的常见用例。

一些与预测性维护相关的常见用例包括:

1。这个设备会出故障吗?

在这种情况下,您的目标是预测设备在给定时间内是否会发生故障。在机器学习术语中,这被称为分类问题。

您应该定义故障的"周期":这台机器会在下一个"1天"或"1周"或"1个月"出现故障吗?

要解决这个问题,您需要有关于的标记数据:

您应该通过验证您看到了正常和失败实例之间的分离模式来检查用例的可行性。例如,如果你的目标是预测"这台机器是否会在未来7天内出现故障",你应该检查最近7天的数据是否与以前的数据有任何差异。

在许多情况下,人类可能无法识别这些差异,但深度学习模型可能能够找到细微的差异。

2。设备的剩余寿命是多少?

在这个用例中,您的目标是确定资产的剩余寿命或价值。在机器学习术语中,这被称为回归问题。

要解决这个问题,你需要在不同的阶段,例如机器是新的,90%剩余寿命,淘客分佣系统,80%剩余寿命,固定间隔下降到1%剩余寿命时,有关于机器的标记数据。

3。设备行为是否异常?

在本用例中,您将重点识别异常、不寻常或不规则的模式,因为它们与您期望设备以典型方式工作的方式形成对比。预测性维护技术可以发现数据中的异常,低价云服务器,一旦机器产生异常范围内的数据,就会触发警报。

4。优化设备设置

在上述场景中,人工设计预测性维护模型。一旦系统能够预测设备是否会发生故障,人类就会查看数据做出决定。但也可以使用机器学习来优化制造过程。在这些用例中,系统会自动确定特定环境中的理想行为(设置),大数据精准获客,以最大限度地提高性能。

大多数现代制造设施包含各种机械和电子控制的复杂交互。现代数据中心也面临类似的挑战。

本案例研究描述了数据中心的机器学习优化。文章详细介绍了谷歌的基础设施团队如何利用谷歌数据中心的传感器数据来模拟能源效率。他们能够设计出节能40%的冷却系统。

模型应用包括数据中心模拟,以评估新的电厂配置、能效性能,我们建议公司通过实施预测性维护的分类和回归模型开始他们的人工智能之旅。一旦他们拥有强大的流水线和成功的机器学习,他们应该考虑建立更先进的优化模型。

建立预测性维护解决方案的最重要要求是拥有正确的数据集。最好有一个显示可识别设备退化的数据集。

下图显示了一个由四个设备样本组成的数据集,每个样本用不同的颜色表示。每件设备都有不同的使用寿命。

对于每件设备,我们从新设备开始收集数据,直到设备出现故障为止。

,企业软件正版化
分享给小伙伴们:
本文标签: 百度北京网站开发建设排行榜

相关文章

评论

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

签名: 验证码: 点击我更换图片

评论列表