预测性维护 — 工业分析支持的智能服务

作者：Rami Aro 和 Carlos Paiz Gatica

该论文发表于 柏林 2018 年国际垂直运输技术大会，并首次发表在 IAEE 书中 电梯技术22，由 A. Lustig 编辑。 经国际电梯工程师协会许可转载 (www.elevcon.com).

“智能电梯”、“大数据”、“预测性维护”等词汇，目前正在激励着众多电梯和自动扶梯制造商。 基于预测性维护，保证机器正常运行时间预计将为新系统提供附加值。 但是，越来越多的公司意识到基于数据的服务的扩展为他们提供了真正的业务优势，这种面向未来的业务模式将利用长期客户忠诚度。 工业分析所采用的方法有助于实现这一目标。 机器学习和人工智能技术使制造商能够更好地理解电梯或自动扶梯的机器行为，从而揭示结构和模式并提供对数据关系的新见解。 但是，要走的道路需要是一个组织良好的过程。 魏德米勒展示了如何描述用例并建立概念证明，而项目团队则贯穿了数据采集、集成、准备、分析、实施以及最终经济效益评估的传统阶段。

介绍

自动化系统的数字化技术发展带来了许多优势和机遇，例如灵活性、小批量经济生产和生产过程优化。 除此之外，提高设备可靠性和正常运行时间也面临巨大挑战，尤其是对电梯和自动扶梯公司而言。 另一个挑战是实现更有效的维护策略，同时降低成本。 如今，基于规则的监控系统在电梯系统中得到了很好的建立，主要是因为这种方法的简单性，其中各个信号（例如，传感器值）的边界由应用专家设置。 例如，如果需要监控电机，则定义特定故障指示器的限值（例如，温度、电流消耗）。 如果任何监测到的信号超出定义的边界，就会产生警报。 对于简单的应用程序，基于规则的方法非常适合。 然而，对于手头的应用，如果许多信号的动态转换与故障检测相关，那么这项任务对于基于规则的方法来说就变得太复杂了。 此外，在基于规则的监控系统定义的边界之间发生的信号行为变化是无法检测到的（图 1）。

基于模型的方法可用于提高监控系统的性能。 一个模型可以同时表示多个维度，以便机器状态可以很好地识别。 开发一个合适的模型可能非常苛刻，需要高技能的人力资源。 然而，通过使用工业分析方法（例如，机器学习算法）和处理数据来推导机器模型，可以显着降低监控功能实现的复杂性。 [1] 此外，由于可以检测到基于规则的系统无法识别的更复杂的故障，因此可以提高监控质量。

本文组织如下：工业分析功能的典型工作流程和工业分析功能实现的拓扑结构。 下一部分基于离线分析和在线分析解释分析项目的典型阶段。 结论如下。

工业分析工作流程

工业分析功能通常由不同的任务组成（图 2）。 该图显示了工业分析应用程序的典型工作流程，其中来自不同设备的数据首先合并到单个数据源（数据存储）中。 下一步是对数据进行预处理，作为学习过程的准备（预处理）。 在这一步中，从原始数据信号中提取相关特征，涉及将统计方法与领域知识相结合来选择有意义的特征。

下一步是选择、训练和调整机器学习算法，以从选定的特征中导出模型（模型学习）。 同样，分析专业知识和领域知识的结合是开发高效模型的关键。 开发完成后，模型可在运行时用于监控机器或流程（模型执行）。 为了有用，结果需要适当地可视化（visualization）。 可视化的类型应根据使用此信息的人的角色来选择，例如建筑物所有者、设施或维护经理等。 自动化系统中工业分析功能的集成可以在不同的时间完成级别：例如，在机器上或使用云平台。 下一节将探讨这些可能性。

实现工业分析的拓扑

分析功能的基本操作（数据存储、预处理、模型学习、模型评分和可视化）的实现可以在不同级别完成，例如在组件级别（驱动器、汽车、门）收集数据和在现场级别，例如，使用传感器套件并通过远程输入/输出系统收集信号。 由于数据源可能是异构的，因此需要将数据转换为统一格式以进行进一步的分析处理。 根据给定的应用程序和用户应用程序的先决条件，数据可以存储在本地本地，例如使用主控制器或物联网 (IoT) 网关，或使用合适的存储云服务存储在云中（图 3） ）。 分析处理可以在各种设备或平台上执行，也可以通过在云平台中使用软件即服务来执行。 虽然自动化组件主要用于过程控制，但如果留下适当数量的资源，它们可能有资格实施分析处理功能。

除了给定的硬件资源外，处理和内存要求根据要执行的任务而有所不同。 特别是，推导机器模型通常比执行该模型需要更多的资源。 有多种用于存储和处理数据的架构选项，所选择的实现会受到限制，例如给定的架构、处理需求、数据速率和存储复杂性。 需要灵活地实现分析功能以解决各种行业应用。 对于电梯应用，数据集主要由控制器实时生成。 所应用的算法需要表现出低延迟，并且数据集通常体积小且彼此高度相关。 因此，使用边缘设备（例如，物联网网关）实现工业分析功能可以带来许多优势，例如反应时间短和网络流量减少。

分析的典型阶段 项目

分析项目的路径需要是一个组织良好的工作流，通常分为五个阶段（图 4）。 一开始是问题分析和目标定义； 例如，哪些特定的故障应该是可预测的。 在数据探索阶段，将验证生成数据的质量，以确定是否可以检测到定义的故障，或者需要更高的数据质量。 在概念验证期间，将检查可行性的技术和经济证明（离线分析）。 在试点阶段，功能原型将在试点应用程序（在线分析）上运行。 最后，在最后一个阶段，将开发和部署经过试点验证的分析解决方案。

离线分析

对机器数据应用数据分析通常从其离线探索开始。 检索来自选定代表性时间范围内的几台机器的样本数据，然后由数据科学家进行离线分析。 他们通过应用各种数据分析方法来探索数据，以找出哪些方法提供了最佳的可操作见解。 提供此类服务的公司能够以高效的方式执行离线分析，从而使自己与众不同。 随着时间的推移，我们魏德米勒已经建立了一个广泛的数据科学和机器学习工具箱，可以在短时间内评估样本数据。

用于预测性维护的在线分析

出于预测性维护的目的，需要持续监控机器数据。 从获取的数据中评估机器状态，检测异常事件和故障指标并用于识别所需的维护。 然后，向建筑物所有者和设施或维护经理提供维护活动的建议。 根据导致机器故障的物理条件的性质，可能有必要在一侧以亚秒级延迟近实时处理数据，或者在频谱的另一端进行每日或每周测试。 在线分析系统应该能够灵活地处理各种时间要求。

我们目前考虑为机器监控和预测性维护系统生成信息的三种不同类别的分析：直接计算、机器状态和活动识别以及异常检测。

直接计算将来自机器的传感器数据作为输入并计算，例如机器部件的磨损。

机器状态识别算法作为输入消耗机器传感器读数或处理数据以识别给定点的机器状态。 我们使用机器学习技术根据之前指定训练阶段学习的模型对机器状态和机器活动进行分类。 [2] 当执行进一步处理和推理时，获得的机器状态和活动对于预测性维护很有用。

异常检测 [3] 是另一种非常有用的技术，可用于查找故障指标和评估维护需求。 在正常运行时，传感器信号通常位于特定值范围内或表现出特定的正常模式。 显然，我们感兴趣的是捕捉与正常行为的偏差。 单个检测到的异常已经可以指示故障并用于触发操作。 通常情况下，单个异常实际上是不够的，只有随着时间的推移，越来越多的异常才能充分表明机器未以最佳方式工作或正在发展需要人员解决的状况. 此外，在机械传感器数据中检测到异常的原因有很多，其中很多可能实际上与任何问题无关，而是由其他影响因素引起的。 例如，操作员交互或参数设置的更改可能会对传感器测量产生影响。 预测性维护解决方案的一个重要特征是了解测量的上下文并评估哪些异常与预测维护需求相关。

结语

我们概述了工业分析功能的工作流程和拓扑结构，并描述了典型分析项目的五个阶段。 讨论了实现预测性维护的离线和在线方法，展示了将数据科学与特定领域知识相结合的关键优势。

当应用工业分析功能时，电梯和自动扶梯生成的机器数据与维护组织的数据相结合，转化为强大的洞察力。 这些数据可以转化为可操作的结果，例如预测性维护——例如，预测性地识别、分析和解决可能发生的服务问题。 这最终导致停机时间的减少或消除。

魏德米勒可以合作共同实现工业分析解决方案，一步一步地从想法到可扩展的智能服务，并开发数据驱动的商业模式。 提供量身定制的分析解决方案，为客户的需求提供最佳性能。 我们独立于平台，可以实现本地、云或混合部署，而不管特定的云平台。 我们的分析解决方案独立于供应商，无论底层自动化或控制系统如何。

案例
[1] Maier、Alexander、Köster、Markus、Gatica、Carlos Paiz 和 Niggemann。 奥利弗。 “分布式生产工厂中时序模型的自动生成”，IEEE 国际工业技术会议 (ICIT 2013)，南非开普敦，2013 年。
[2] 廖，T. 沃伦。 “时间序列数据的聚类
— 一项调查，”模式识别，卷。 38，第 11 期（2005 年 1,857 月），p。 1,874-XNUMX。
[3] Chandola、Varun、Banerjee、Arindam 和 Kumar，Vipin。 “异常检测：调查”，ACM 计算调查。 卷。 41, No. 3, Article 15 ( July 2009), 58 pa.