佳武
 
当前位置: 首页 » 资讯 » 企业新闻 » 正文

为制造商提供多种机器学习方式

放大字体  缩小字体 发布日期:2019-07-15   浏览次数:84
核心提示:  关于制造业中的机器学习已经写了很多,但是仍然很难理解不同的方法。    机器学习(ML)无处不在。初创公司,原始设备制
  关于制造业中的机器学习已经写了很多,但是仍然很难理解不同的方法。
  
为制造商提供多种机器学习方式
  机器学习(ML)无处不在。初创公司,原始设备制造商和工业供应商正在大力投资开发技术,以收集和分析制造数据。在制造业中已经写了很多关于ML的文章,但是仍然很难理解不同的方法。
  
  在制造业中,无线传感器和ML的应用提供了降低整个组织成本和提高效率的潜力。公司已经为几乎所有运营职能创建了基于ML的系统,包括:
  
  供应链
  质量
  生产
  需求预测
  预测性维护
  库存管理
  
  其他功能,如财务,销售和营销
  
  IIoT和ML在预测性维护中
  
  预测性维护(PdM)被广泛认为是ML 有前途的应用之 ,因为它使可靠性团队能够实时了解物理设备的状况。公司可以立即看到更好的计划和日程安排,减少停机时间,降低风险和增加产量。根据Tech Pro Research的2019年1月调查,79%的受访者目前正在使用或计划使用物联网进行预测性维护。这是任何申请的 高费率。
  
  IIoT将工业设备(如泵,电机和变速箱)上的传感器连接到互联网。随着收集的数据越来越多,需要使用ML来理解数据。制造商没有足够的资源来分析所有进入的数据,这意味着他们将依靠算法标记设备供人类查看。ML可以被视为现有可靠性团队的助手。
  
  并非所有基于ML的PdM系统都是相同的。它们在 域知识,广度和复杂性方面各不相同。许多供应商提供该 域的技术,并且很难区分它们。
  
  为PdM提供基于ML的软件的公司通常分为以下几类:
  
  OEM
  通用ML公司
  特定应用ML公司
  现有软件公司(例如,EAM,历史学 )
  OEM提供的机器学习
  
  许多OEM正在从销售产品转向服务模式。自20世纪60年代以来,罗尔斯·罗伊斯 直在销售发动机小时而不是发动机,但仅在过去五年内,工业原始设备制造商开始转向类似的商业模式。将产品作为服务销售使OEM能够向价值链上游移动并增加客户纠缠。他们可以跟踪安装基础和设备使用情况,并获得有关设备使用的知识,从而改进产品设计。
  
  随着OEM从销售部件转向销售设备的功能或性能,他们将需要收集实时状况信息。几 OEM已经合作或开发了自己的IIoT设备,其中包含机器学习算法。
  
  使用OEM开发的系统的好处是OEM将对其设备有 深入的了解,并且通常会将这些知识嵌入到算法中。缺点是它只与该制造商的设备相关,大多数工业设施都有来自多个OEM的设备。为每个OEM维护和监控单独的系统是不切实际的。
  
  通用机器学习软件
  
  许多分析软件初创公司都提供了应用于任何制造问题的构建块。这种方法的好处是您不需要针对不同功能的单独软件程序(例如,维护,操作,财务)。拥有数据科学 员工的公司将受益于这些系统的广度。然而,数据科学是许多工业公司所缺乏的技能。根据埃默里大学的说法,大数据科学 的技能短缺是对工业4.0部署产生负面影响的 重要因素之 。
  
   些分析公司提供工具,以便客户不需要有员工数据科学 ,但系统的复杂程度各不相同。他们仍然需要技术和统计专业知识来构建能够准确预测故障的模型。许多振动分析从业者指出,如果不了解故障发生的原因和背后的物理原因,很难单独通过算法来预测故障。
  
  特定应用的机器学习
  
  第三类公司提供机器学习的预构建应用程序 - 这些应用程序已经针对特定的制造问题(如质量改进或预测性维护)而构建。
  
  预构建应用程序的好处是它们经过优化以解决特定问题。 种试图回答预测性维护问题的算法,例如“哪些设备存在故障风险,哪些设备存在根本原因?”并不具有与回答质量问题的算法相同的变量,例如“我能做什么?减少不合规格的纸张?“他们正在采用不同的输入,使用不同频率的数据收集,并提出不同类型的建议。已经针对同 应用程序使用了数百次的算法将比为不同目的而创建的算法执行得更好。
  
  对于PdM,性能 佳的算法将是将基于物理的知识与机器学习相结合的算法。用户可以超越异常检测,以了解问题的根本原因。
  
  这些算法的缺点是它们是为解决特定问题而构建的,不能跨部门扩展。
  
  现有工厂系统的演变
  
  EAM,数据历史记录和其他工厂系统使用机器学习提供有关设备的更深入见解。在这些系统中使用ML算法的好处是它可以利用现有投资。例如,SAP和Maximo都具有高 ML功能来预测停机时间,并且它是根据已收集的数据构建的。缺点是它是基于历史数据而不是实际条件,它只是与其中的数据 样好。
  
  现有工厂系统演变的另 个例子是数据历史学 。从流程数据构建的高 算法可以提供有关资产状况的信息。这些系统的主要缺点是它们仅在已经检测的资产上获取信息。许多设施在工厂余额(BOP)设备上没有连续传感器,因此除非他们添加新的传感器,否则他们将无法查看资产状况。
  
  设置程序时的重要注意事项
  
  每种形式的机器学习产品都有其优点,具体取决于实施它的公司的资源和目标。在评估哪种类型的基于ML的计划有意义时,工业设施应该关注以下三个标准:
  
  是时候实施了
  行业重点
  范围
  是时候实施了
  
  提供更多平台或“自己动手”ML工具的公司将需要更多的专业知识,通常需要更长的投资回收期。这可以通过这些系统的范围来平衡,这些系统通常可以应用于几个不同的问题或应用,而不是 个特定的需求。已经针对预测性维护进行测试和调整的ML算法(与通用工具相比)将更容易实现,需要更少的技术资源,并且更快地产生回报,但是其范围将更加有限。
  
  行业重点
  
  对于汽车制造商而言有意义的变量(或特征)与炼油厂 相关的变量(或特征)非常不同。您不能只在不同情况下应用通用模型; 您需要拥有行业和流程知识,使特定模型在特定情况下更好地运作。实现基于ML的系统 重要的步骤之 是特征选择。采用将所有数据投入算法而不应用资产知识的公司可能会使算法混乱或建立不存在的连接。
  
  范围
  
  如果公司制定了数字化转型战略,则应选择符合公司战略的供应商。随着选项的激增,制造商需要考虑诸如安全性,应用广度以及与现有系统的互操作性等因素。 成功的计划是在企业IT / OT和工厂 可靠性团队之间进行协作的计划。鉴于数字化转型是主要的事业,在文化和能力方面需要相匹配。
  
  结论
  
  在2018年新兴技术的Gartner炒作周期中,物联网平台和数字双胞胎模型被标记为处于膨胀预期的高峰期。这意味着他们受到了很多媒体的关注; 早期取得了 些成功; 并且出现了很多失败。好处尚未完全实现,许多公司不采取行动,因为他们没有看到商业价值。
  
  对于希望入门的公司,第 步是查看内部资源,特定业务需求,可用数据和预算考虑因素。他们应评估每个供应商在与公司目标保持 致的程度,并考虑行业专业知识,实施时间和范围三个方面。
 
声明:凡资讯来源注明为其他媒体来源的信息,均为转载自其他媒体,并不代表本网站赞同其观点,也不代表本网站对其真实性负责。您若对该文章内容有任何疑问或质疑,请立即与本网站联系,本网站将迅速给您回应并做处理。
联系 QQ:2039609103
邮箱:2039609103@qq.com
 
[ 资讯搜索 ]  [ 加入收藏 ]  [ 告诉好友 ]  [ 打印本文 ]  [ 违规举报 ]  [ 关闭窗口 ]