公司发展的企业 公司发展的企业 公司发展的企业
资产状态管理

数据农场:一种最大化利用数据进行机械状态监测的方法




思科系统公司(Cisco Systems Inc.)进行的一项调查显示:

  • 60%的物联网项目在概念验证阶段停滞不前;
  • (仅)26%的受访公司认为其IOT部署和举措是成功的;
  • 总体而言,近四分之三的物联网倡议被视为失败,而所有项目的项目中的三分之一都是被认为是成功的。

计划、管理和扩展到工业4.0的过渡,并将其销售给组织的执行层,是大多数可靠性和维护(R&M)从业者所不具备的技能集。然而,R&M人员确实拥有技能和经过验证的方法,如以可靠性为中心的维护(RCM),非常适合支持受控过渡到使用工业物联网(IIoT)、高级分析、云计算、人工智能(AI)和相关领域的早期最大投资回报和更大的机械可靠性。这种新旧工具的联系被称为数据耕作。
本文展示了如何最大化地使用数据进行状态监视。它还描述了数据农场如何帮助克服当今数字化转型的另一个主要问题——只有一小部分正在积累的数据被以任何有意义的方式分析。II这些问题的成本可能相当大,对组织的底线没有明显的好处。

过去、现在和未来

今天和明天的能力包括无线技术、内部分析、大数据管理、物联网和/或物联网、云计算和高级分析。30多年前,大量的条件和性能数据必须通过手工开发和管理,而计算机和外围设备的性能要差得多,与此相比,我们可以考虑今天的网络和设备所带来的优势。凭借工业物联网和物联网数据容量和速度,加上内部和外部无线网络协议提供的相关通信能力,数据几乎可以立即从机器流到远程数据中心。此外,目前使用的移动4G长期演进(LTE)蜂窝网络能力,或在不久的将来,将被在不久的将来远超5G移动网络的速度和容量(比4G高出50至1000倍两倍)所掩盖3)。这些通信能力都不存在于20世纪80年代。


图1:示例:2019年中期机械监测计划,显示分析水平和反馈性质(来源:小杰克r尼古拉斯,版权所有)


最重要的是,为数百名客户开展现代预测分析计划所需的人员数量远远低于以前。可用的各种分析方法具有显着增长,变得更加复杂。随着AI,人类参与只会减少到最困难的分析和解释任务。通过云中共享计算机资源,由于涉及更少的人员和数字形式数据存储的单位成本看似连续降低成本,成本正在降低。

20世纪80年代,模式识别、回归分析、相关性、极限和范围测试、相对比较和统计分析等分析能力得到了应用,但计算机的存储和召回能力、速度和成本使其主要局限于国防等最高优先级的项目。IV.

到2019年年中,对于世界经济的工业和公用事业部门,涉及内部和外部无线连接和应用于关键机械的工业物联网的典型状况和性能监测计划可能如图1所示。

对于状态和性能监测,越来越多的易于安装的数字无线传感器应用于机械。现在,传感器和无线连接的能量大多来自电池,电池的寿命取决于电池设计技术、容量和数据传输频率。替代能源,如燃料电池,正在开发中。与目前的电池相比,这些电池有望大大提高功率输出和寿命。然而,这一领域最大的进展可能是开发利用机械、热、自然、光、磁场和核辐射能量的环境收集或清除方法来给原电池电源电路充电。v这些传感器通常提供原始数据,并直接或通过相关的可编程逻辑控制器(PLC)向附近的计算机发送到基本分析(例如,检查警报和警报限制,相对比较)以及指定人员的异常条件的通信。

现代状态和性能监控的一个关键原则是尽可能在接近网络边缘的地方进行分析。随着智能传感器的引入,这将成为可能,智能传感器可以定制,以适应应用程序,并提供可操作的信息。6应该评估每个传感器点是否有能力单独指示实际的或可能的故障模式,或与任何其他数据来源(例如可能与计算机卡一起完成的数据)结合。但首先,必须确定故障模式和相关的缓解数字分析任务。

最有效的方法是RCM。为了在RCM中获得最早的投资回报,无论最理想的结果是什么,都应该进行帕累托分析,以确定应该调查哪个最糟糕的参与者。vii.

正确的根本原因分析(RCA)或缺陷消除(DE)的实际故障VIII.所进行的活动也可能产生数字分析任务。

2017年初,我们看到了信用卡大小的计算卡的引入,它提供了一种模块化的方法来设计边缘计算能力和与消费者或工业产品的连接。该卡是一个完整的计算机,具有内存,存储,输入/输出选项,WiFi和蓝牙连接。9今天,有更多的小型机、微型机和芯片被设计用于边缘分析,具有同样甚至更大的能力。这些方法包括分析方法,如回归或趋势分析,对极限或范围的测试,模式识别和相关分析,由一个集成在边缘计算机芯片中的人工智能软件支持。x

理想情况下,单个设备从一个局部区域的许多传感器接收输入,加上有效的编程,可以提供基本但非常有用的可操作的智能,如果不是一个特定的行动过程。

无线链路和网关用于将传感器连接到计算设备,然后将结构化信息传输到下一个分析级别,通常具有以太网或其他有线网络协议。在此级别,一旦建立适当的连接,可以监控整个工厂。可以创建数据湖泊或本地云存储功能以累计数据而无需在设施之外。可以使用正在监视的工厂的数字双胞胎加载本地计算机或服务器。虚拟(即数字)双工厂具有实际工厂的所有特征。虚拟双胞胎包含所有描述正常安全操作的信息,以便通过完全生产从启动到关闭与实际工厂条件进行比较。理想情况下,普通的任何事情都会引起内部分析师,运营商和维护人员的注意,以及如何做出纠正任何异常情况。

连接选项正在增加。除了蓝牙、WiFi和Zigbee等无线网络协议,一种全新的数据传输路径LiFi正在兴起。LiFi与发光二极管一起工作,发光二极管已被广泛应用于许多永久性结构和车辆,如飞机,以取代能耗更高的空间灯。它在闪光中编码信息。局域网可以以类似微波系统的方式创建,但成本更低,尽管前面提到的计算机、手机和类似设备必须经过改造才能接收信号。一家大型科技公司在2016年初透露,其新发布的智能手机的操作系统具有LiFi功能。西

图1所示的总体分析能力包括使用高级分析的离线或云计算,可能还会结合来自组织外部的数据,这些数据具有以类似方式使用的相同类型的资产。高级分析方法包括数据挖掘、聚类分析、分类和时间序列分析等。十二世好处超出了本文的讨论范围,如书中所述,资产状态监控管理。十三世

通过数据农场集中数据收集和分析工作十四

如前所述,数据耕作的肥沃土壤是方法,如RCM、RCA和DE。播种任务是从这些已被证明的方案中派生出来的任务,特别是如果这些任务是非侵入性的,并且涉及使用数学算法和/或可视化分析的数据收集和解释。
一旦执行任务,即使该值在于确保一切正常并且无需采取补救措施,即使该值也是如此,所以正在收集的数据具有值。这听起来很简单,它很简单。然而,它需要仔细资源管理(例如,通过过滤),以防止系统收集,聚合和分析数据,从变得不堪重复,并且冗余信息。十五
图2描述了整个数据农场过程。

图2:支持高级分析的数据农场过程(来源:Jack R. Nicholas, Jr.,版权所有)

最初,并不是所有的任务都可以使用这个概念来管理。因此,应该建立一个愿望列表,以搜索可能对内部未解决的未知问题有答案的解决方案提供者。当组织派遣人员参加会议和展览时,应该使用愿望清单,这些会议和展览的主题是涉及工业4.0问题的公司,如云中的机器分析、工厂或边缘。参加会议的好处之一是,你不仅可以从供应商那里,还可以从其他与会者那里获得关于你愿望清单上的具体信息,从而有机会找到难以解决的问题的答案。

可以使用商业可用的软件程序或服务提供商,如软件即服务(SaaS),从已知故障模式的已定义数据源获取结果。口译现在可能由人类来完成,但毫无疑问,在未来将使用人工智能软件程序来完成,世界各地越来越多的供应商正在提供许多现成的软件程序。

必须管理分析结果。首先,决定在内部使用内容并选择将从其他来源的数据结合使用的聚集,分析和解释将从现场发送到云的内容。向任何云发送结果,无论是内部还是外部,都需要同步或构建结果术语和格式化,以避免混合“苹果”和“橙子”,浪费资源并产生毫无无用的信息。

从2016年初到2018年,时间序列数据库管理系统(DBMS)是工业4.0圈子中增长最快和最流行的数据库部分。xvi.制造业在这方面遥遥领先。第十七章这意味着组织在IIOT追求中投入最多的钱。大问题是:他们是否从这项投资中获得了资金?在时间序列分析中,分析了相对于既定范围或限制的异常模式,趋势或条件,并报告了机器或正在监控的过程的后续行动。这称为数据挖掘或探索数据挖掘。虽然这是常识,但在数据存储成本方面可以非常昂贵,并且搜索劣化条件。通常,即使在深度学习机诊断或其他AI程序的帮助下也需要长时间的群集或模式。如果结论是没有问题或未检测到任何问题,这可能是有用的。然而,数据养殖的概念是在已知的原因和缺陷被识别出现时对早期预警进行搜索。盲目搜索可以在正在执行基于数据种植的目标分析时继续。

图3描述了数据农场和数据挖掘之间的基本区别。


图3:数据农场和数据挖掘的区别

图3强调了成本因素。农业通过集中于已知的故障模式和原因,提供了一种控制成本的方法,而不抑制数据挖掘的巨大潜力。最终,数据农场的影响应该反映在基于云的非现场分析中,从而增加产出的价值。这允许组织增加正在进行有效分析的数据量。当其他数据被认为在识别老化和其他因素造成的未知问题方面有价值时,这些数据可能仍然会受到高级分析处理。

图4:未来机械监测方案示例,显示分析水平和反馈性质(来源:Jack R. Nicholas, Jr.,版权所有)

图4给出了使用工业物联网同时涉及数据农场和数据挖掘的监控方案的概念性描述。

无论是在工厂内部,还是从云计算外部,数据农场都可以带来早期和更有价值的收益。它不会降低数据挖掘的价值,但可能会极大地增加正在处理的数据的有用输出和价值,从而导致物联网和工业物联网项目的成功比例高于最近思科系统调查显示的比例。

结论

数据农场使用成熟的方法(例如,RCM, RCA, DE),通过分析传感器信息来锁定特定的故障模式和原因。与一些物联网/工业物联网(IIoT)爱好者和大数据数据库管理组织的立场相反,这些方法至少在短期内不会过时。它们在从收集、积累、结构化、过滤、分析和操作的数据中获得价值方面具有很大的优势。这将克服目前物联网/工业物联网计划在涉及机械状况和性能监控的绝大多数情况下失败的趋势。
在本文中定义的数据农场的主要优势是控制成本,允许在数字革命开始显示其在增加机械可靠性和降低制造业生产成本方面的真正潜力时获得价值。

参考文献

https://www.i-scoop.eu/internet-of-things-guide/internet-things-project-failure-success/
II从各种出版物和互联网上做出的许多估计很难判断,更难以将机器数据从云计算内部或外部收集的所有其他数据中分离出来。据作者估计,使用本地或高级分析工具进行任何类型的分析的机械数据目前不到所有数据的5%。

3吉尔,鲍勃。“工业物联网和5G的承诺,工业物联网/工业4.0。”观点,2016年5月4日。也看到https://industrial-iot.com/2016/04/industrial-iot-promise-5g/和安东尼萨巴斯蒂安。“韩国花费15亿美元的5克移动网络,比4G更快的1,000倍。”极值,2014年1月22日,https://www.extremetech.com/computing/175206-south-korea-tospend- 1 - 50亿- 5 g -移动网络-那- 1000倍-快- 4 g.为了在2018年韩国首尔平昌冬奥会期间进行5G试运行,5G部署于2017年开始。看到http://gsacom.com/global-pectrum-situations-5g-.positioning-countries/。美国移动网络供应商开始宣传2019年在一些市场部署5G LTE功能。

IV.Nicholas, J.“组织必须做什么才能在运营、维护和可靠性领域充分利用大数据和预测分析”。论文发表于2017年4月在美国内华达州拉斯维加斯举行的可靠性会议。描述了潜艇维护监测和支持计划,可以说是20世纪进行过的最全面的资产状态监测计划之一(从欧洲港口和向西到夏威夷的122艘核动力潜艇中,每艘潜艇上的65个系统上应用了26项预测技术”)。

v尼古拉斯,J。资产状况监控管理.Fort Myers: 欧洲杯德国意大利竞猜Reliabilityweb.com, 2016年12月(ISBN 978-1-941872-52-9),第10章,pp170-171。提供更多关于传感器电池替代电源的细节。

6智能传感器可能是相当复杂的集成微处理器。然而,这些传感器比能够周期性传输数字数据的传感器需要更多的功率,并不是在所有情况下都是首选。ABB开发了一种紧凑型传感器,安装在低压感应电动机的机架上。不需要接线。基于ABB数十年的电机专业知识,智能传感器使用车载算法,通过智能手机和/或通过互联网将有关电机健康状况的信息(如振动、温度)传递到安全服务器。这种解决方案可以将大量的电机转化为智能设备,使其受益于智能服务。该解决方案于2016年在北美市场推出。看到http://new.abb.com/motors-generators/service/advanced-services/smart-sensor

vii.汗,F.I.”糟糕的演员程序.”克罗地亚爱尔兰赔率2019年8月/ 9月,第56-60页。本文提供了一种很好的帕累托分析方法。尽管本文的目标是预防性维护优化、生命周期成本、备件预测和可靠性、可用性和可维护性(RAM)建模,但它同样有助于关注哪些系统需要进行以可靠性为中心的维护。

VIII.Ledet, W. P., Ledet W. J., Abshire, S. M.。不要只是修正它,而是改进它!Fort Myers: 欧洲杯德国意大利竞猜Reliabilityweb.com, 2009。(ISBN 978-0-9825163-1-7)。提供关于缺陷消除的详细信息。

西de Leeuw Valentijn。https://industrial-iot.com/2017/01/intel-compute-card-iot-moduless-potential-impact-product-life-cycle-,2017年1月27日。

x文森特,詹姆斯。谷歌发布了用于设备上机器学习的微型人工智能芯片。边缘2018年7月26日:https://www.theverge.com/2018/7/26/17616140/google-edge-tpu-on-device-ai-machine-learning-devkit。文章称:谷歌正在将其人工智能专业技术从云端转移下来,并揭开了其新Edge TPU的面纱,这是一个微型人工智能加速器,将在物联网/工业物联网设备中进行机器学习工作。Edge TPU被设计用来做所谓的推断。这是机器学习的一部分,算法实际执行它被训练做的任务,比如,识别图片中的物体。谷歌的基于服务器的tpu针对这个过程的训练部分进行了优化,而这些新的Edge tpu将进行推断。6个这样的芯片将适合在一个美国1美分硬币的周长之内。

西《经济学人》报纸。“在一个全新的光。”2016年9月24日,第76-77页。这篇文章指出,印度的Velmenni公司、英国的PureLiFi公司和法国的Luciom公司正在销售这种技术的各种应用。同年发布的苹果iPhone操作系统被描述为具有LiFi功能,但必须添加一个传感器(手机中没有提供)才能使该功能发挥作用。

十二世同上,参考文献v.第179页提供了一些分析方法名称的典型列表。

十三世同上,参考文献v.第10章,178-184页。

十四本文的作者无法找到该术语的特定来源,农业数据,也不能说是它的起源。这个想法来自于阅读《美国海军学院学报》上一篇完全不同主题的文章。它的定义甚至可能与《Proceedings》文章的作者的定义不同,后者使用了这个术语,却没有对其进行定义,从而引发了人们对它在数字机器监控中的价值的想法。

十五Valerio,Pablo。“管理物联网和边缘计算资源。”物联网时代2019年8月12日网站:https://iot.eetimes.com/managing-resources-on-iot-and-edge-computing/

xvi.Risse。迈克尔。“时间序列数据库的新崛起。”智能工业2018年2月26日的网站:https://www.smartindustry.com/blog/smart-industry-connect/the-new-rise-of-time-series-databases/

第十七章同前。