工业设备大数据分析技术白皮书.pdf

1 工业 设备 大 数据 分析 技术白皮书 摘要 智能 设备 ，大数据， 预测性维护 等词汇正在激励 着 许多 自动化 制造商。基于 预测性维护 来 保证 设备 正常 运行时间 ， 未来 会 为新系统带来附加价值。 同时 ，越来越多的公司 意识到，基于数据 的服务扩展 将会 为他们 带来 真正的业务优势，并且这种 前瞻性的 商业模式将会 有利于长期保持 客户忠诚度。 工业分析 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可以让制造商更好地理解机器行为，从而 总结出机器运行的 结 构和模式， 并提供针对 数据关系的新洞察。 工业分析过程 必须是一个 组织良好的 过程。 在下面的文章里 魏德 米 勒 通过案例和 模型，描述了 项目团队 通过 执行 数据捕捉，集成，准备，分析，实施以及最终评估 经济效益 的 整个过程。 2 目录 1. 简介 . 3 2. 工业分析工作流程 . 4 3. 实现 工业分析 的拓扑 结构 . 5 4. 分析项目的典型阶段 . 7 4.1 离线分析 . 7 4.2 预测性维护的 在线分析 . 7 5. 结论 . 8 3 1. 简介 基于模型监测方法的优点 自动化系统 面向数字化的技术发展带来了许多优势和机会，比如灵活小批量的生产，以及生产 过程的优化。 但除此之外， 对于 设备制造商 而言，面临的挑战是如何 提高设备可靠性和正常工作时间 。另外一项挑战就是 如何 在实现更加高效 维护 的同时降低成本 。 如今，基于规则 的监测 系统在 机器设备 中已经很好地 建立， 这主要是由于 这种 方法 比较 简单， 各个信号的边 界（ 如传感器值） 由 相应的工程师设定在系统中 。例如，如果需要监测电机，就定义针对特定故障指标的限 值（例 如温度，电流消耗）。如果任何被监测的信号超出定义的边界 就会 生成 报警。对于简单的应用，基于 规则的方法非常适合。然而， 对于 现在 的 很多 应用 来说，许多信号的动态转换与故障检测 具有相关性， 则该 任务对于基于规则的方法 来说 将会变得过于复杂。此外， 这种方法 无法检测 基于规则的监测系统所定义的边 界之间发生的 信号行为的变化 ，如图 1所示。 图 1：基于规则的监测与基于模型的方法 基于模型 的方法可用于改善监测系统的性能。模型可以同时表示多个维度，因此可以很好地识别机器状态。 开发适当的模型可能非常具有挑战性，需要具备 高技能的 专家 。但是 ，通过使用 工业分析 方法（例如机器学 习算法）和数据 处理 来提取 机器 模型 ，将可显著降低实施监测功能的复杂性【 1】。因为可以检测 到 基于规则 的 方法 无法识别的更 复杂的故障 ，最终改善监测的 质量 。 基于 规则的阈值 机器 学习边界 规则 方法 无法检测 异常 4 2. 工业分析工作流程 从数据采集到可视化 工业分析 功能通常由不同 的 任务组成，如图 2 所示。 该图 显示 了 工业分析 应用的典型工作流程，其 中来自 设 备 不同方面 的数据首先整合到 单个数据源（数据存储） 中 。接下来的步骤就是 对数据进行预处理，以便为学 习过程进行准备 （预处理） 。在该步骤中 将会从原始数据信号 提取 相关特征，其中涉及将统计方法与 设备应 用 领域知识相结合，以便选择有意义的特征 。 图 2： 工业分析 应用的典型工作流程 接下来的步骤就是选择，训练和调整 机器 学习算法，以便从选定特征中 提取 模型（模型学习）。 在这期间 ， 分析专业知识和 设备应用 领域知识相结合是开发 高效模型的关键。 开发完成后， 模型可 用于 在运行 中 监测机 器 的工作状态 （模 型执行）。 对于最终的应用 ， 需要对结果 进行适当的可视化（可视化）。可视化 的设计 应 根据使用该信息的人员 角色（如业主，设施或维护经理等）进行选择。在自动 化系统中集成 工业分析 功能可 以在不同 区域 完成，比如在机器 端 ，或 使用云平台。这些可能性将在下一节中探讨。 客户 魏德米勒 模型 评估 / 客户 反馈 模型 执行 可视化 预 处理 数据 采集 模型 学习 5 3. 实现 工业分析 的拓扑 结构 从传感器到云 实现分析功能的基本操作（数据存储，预处理，模型学习，模型评分，以及可视化）可以在不同 级别 完成， 例如 使用传感器套件 在组件（驱动器， 桥箱 ，门）以及现场收集数据， 例如 使用远程 I/O系统采集信号。 由 于数据源可能是 采用不同的数 据协议 ，因此需要将 数据变换成统一格式，以便进行进一步的分析处理。根据 客户 应用 条件 和用户 需求 ，数据可以 存储在本地 （比如通过主控制器或 I/O网关控制器 ） ，或者使用适当的 存储服务存储在云中，如图 3所示。分析处理可在各种设备或平台上进行，或者 在云平台上 执行分析服务 进 行。虽然自动化 系统 主要用于过程控制， 但如果 有富余的运算资源的话 ，它们也可用于实施分析数据处理。 6 图 3：在组件和现场采集数据的拓扑 结构 （以电梯为例） 除了给定的硬件资源之外， 根据执行的任务 ， 处理和存储要求会 有所 不同。特别是，提取机器模型 经常 比执 行模型 需要 显著更多的资源。有各种 数据分析 架构 选项 可 用于储存和处 理数据， 选择那种架构需根据现有的 控制系统 架构， 数据 处理需求，数据 类型 ，以及存储复杂性 要求来综合考虑 。 灵活性 对于数据 分析功能 在 各 种 工业应用 是非常重要的 。 以电梯 应用 为例 ，数据主要从控制器实时 工作 生成。采用的算法需要具有低延 迟，并且数据量比较小，并且彼此 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，比如缩短反应时间和减少网络流量。 维护 经理 云 服务 数据 储存 数据 分析 物联网 网关 电梯 系统 远程 I/O采集 传感器 信号 主 控制器 7 4. 分析项目的典型阶段 从目标定义到部署 分析项目 需要一个组织良好的工作流程， 它 通常包括 5 个阶段，如图 4 所示。在 流程开始阶段是问题分析和 目标定义，例如 哪些特别故障应当可以预测。在数据探索阶段 将会验证生成数据的质量 ， 以确定是否 可以检测 定义的故障，或者需要更高 质量 的数据 。在概念 验证 阶段 将 在 技术 可实现性和 经济 性两方面进行验证 （离线分 析）。在试 运行 阶段，将会在试点应用中运行 功能原型 （在线分析）。 在最后阶段， 经过 试点 验证 的分析解决 方案将得到 制定和部署。 1. 目标定义 2. 数据探索 3. 概念 验证 4. 试运行 5. 部署 4.1 离线分析 对机器 数据 实施 数据分析通常从离线 探索开始入手。从几台机器获取针对 选定 时间 区间 的样本数据，然后由 数据 专家 进行离线分析。 他们将会通过应用各种数据分析方法对数据进行探索，以便找出哪些方法可以提供 最佳的可操作 方法 。 市场上有很多 提供 数据分析服务的公司，但真正适用于工业设备分析工具很少 。 魏德米 勒 长期 以来 已经 建立了 广泛的数据科学和机器学习工具箱，可 在短时间 内评估样本数据。 4.2 用于 预测性维护 的在线分析 为了进行预测性维护， 需要连续监测 机器数据。从获得的数据 中 评估机器状态， 检测 异 常 事件和故障指标 ， 并用来确定 所需 的 维护。然后 向 业主，设 备 或维护经理 提供维护建议。根据 导致机器故障的 各种因素 ，一方 面可能需要近乎实时地（亚秒级延迟）处理数据， 另一方面 可能需要每天或每周进行测试。在线分析系统应 足够灵活 ，以便处理各种时间要求。 目前我们考虑三种不同类别的分析， 以 用于生成用于机器监测 和预测性维护系统的信息：直接计算，机器 健 康 状态和 运行 状态 识别，以及异常检测。 直接计算 将从 机器获取 的传感器数据作为输入 并 进行分析 计算 ， 比如 说 检测 机器部件的磨损。 机器状态识别算法将会使用机器传感器 数 据 或过程数据作为输 入 来 识别 机器 在 给定时间点的 机器状态。我们 使用机器学习技术，根据在此前指定训练阶段 学习的模型 对 机器 健康 状态和机器 运行状态 进行分类 【 2】。进 行进一步处理和推理后 ， 所 获得的机器 健康 状态和机器 运行状态 对于预测性维护将很 有用。 异常检测【 3】是另外一种非常有用的技术，用于发现故障迹象和评估维护需求。在正常 运行时， 传感器信 号通常位 于 特定 数值范围内， 或表现出特定 的正常模式。很明显，我们对于 捕捉偏离正常行为的偏差 感兴 趣 。检测到的单个异常 可能已经表明 存在故障，并用于触发 行动。 但 通常的情况是，一次异常实际上还不够 充分 ，只有 随时 间 不断增加的异常 数量才会提供充分的指示 ， 以表明 机 器没有最佳运行，或者发展出 需要由 人员加以解决的情况。此外，还有许多原因 可以 解释为何 在机器传感器数据 中检测到异常， 并且 其中 许多与 任何问题都不相关，而是由其他影响因素 所导致。例如，操作员交互 或者参数设置的变化 均可能对传感器测 量产生影响。预测性维护解决方案的一个重要特征就是理解测量背景，并 评估哪些异常与预测维护需求相 关。 8 5. 结论 在本文中，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 如 何通过 离线和在线方法 实现预测性维护， 并展示了将数据科学与 应用 领域 专业 技术知识 相结合 的主要优势。 工业分析 将 机器设备 产生的机器数据与 运维 数据相结合 ，以 产生有有效的结果 。这些数据可以变成可操作的 结果，比如 预测性维护 ， 用 于在 故障 发生前预测性地识别，分析和 解决可能 产生的 服务问题。这最终将会减 少或消除 停机时间 ，最终提高设备的使用效率， 降低设备的使用成本。 魏德米勒可以与您合作，共同 实现 工业分析 解决方案， 涵盖从概念到可扩展的智能服务，以及开发创新 数据 驱动业务模型 的各个步骤。我们提供定制的分析解决方案， 最大程度 满足客户需求。我们 的解决方案 不受 平 台 限 制 ，无论 您 采用哪种云平台，都可实现内部部署，云部署 或 混合部署。我们的分析解决方案 不受 供应商 限制 ，无论 您 采用怎样的自动化 系统 或控制系统 ，均可使用 参考文献 工业分析解决方案产品经理 Carlos Paiz Gatica出生于 1977年，曾在墨西哥的 TecnolgicodeQuertaro研究所学习电气工程。随后， 他在瑞典哥德堡的查尔默斯大学获得复杂适应系统专业的硕士学位。 2011年， 他在德国比勒费尔德大学获得 资源优化使用可重构硬件实现自适应控制算法的 博士学位。 从那时起，他一直在魏德米勒集团工作 ，并 负责 工业 4.0领域的研发项目。 Paiz Gatica博士目前负责工业分析解决方案的产品管理。 联系方式： Weidmller Interface GmbH & Co. KG Klingenbergstrae 16 32758 Detmold, Germany 电话 +49 5231 14-0 传真 +49 5231 14-2083 我们保留进行技术修改的权利， 2018年 4月