美国动力公司2020年6月 美国动力公司2020年6月 美国动力公司2020年6月
资产状态管理 资产状态信息

操作机器学习成为主流

随着各个领域的公司开始认识到这种新技术的威力,机器学习市场正在爆炸式增长。一个持续受到关注的领域是工业运营领域,运营机器学习已经成为人工智能(AI)的一个新类别,在所有行业都得到了越来越多的采用。

该技术使运营团队能够通过使用机器学习和预测分析本身创造巨大的商业价值,而不需要数据科学家。图1中的信息图提供了操作机器学习的概述,以及它如何在多个行业和应用中提高生产吞吐量、正常运行时间、质量和安全。

分析人士预测,在未来五年内,机器学习和预测分析的制造商使用率将从15%增加到50%以上。这背后的驱动因素是,这项技术不再局限于数据科学家。一些公司已经开发出了有效的“盒子里的数据科学家”机器学习系统,这意味着这些系统可以被制造工程师或流程工程师轻松地直接使用和部署,无论是在云中还是在现场。

使用操作机器学习,公司可以实现初步结果在不到三周,5到10%的材料成本储蓄,增加10到20%在设备正常运行时间和可用性,减少20 - 50%的维护计划时间,减少五到10%总体维护成本。这些收益为一个组织每年节省了数百万美元。

利用现有数据

机器学习在工业操作中变得如此流行的另一个原因是,它利用了当今大多数离散制造和工业过程操作中的设备和生产系统已经产生的时间序列数据。这些数据在历史上一直未被用于运营,但机器学习可以帮助工业制造商发现数据中隐藏的模式,这些模式无法被人类或传统分析观察到。反过来,这些模式提供了对操作状态的洞察,并确定了出现在不希望发生的事件之前的条件,从而提供早期警告。根据所监测的过程,这种早期预警可能提前数小时、数天甚至数周出现,每年可以节省数百万美元的运营成本。图1:操作性机器学习概述

它是如何工作的

机器学习系统的四个关键功能可以让行业从业者很容易地开始获益:

  • 学习自动化功能—系统从时间序列数据中发现模式。一旦在数据中发现了这些模式,就可以应用机器学习。
  • 预测—您可以选择一个在事件之前始终出现的模式,并将其标记为前兆。基于用例,前兆可以在事件发生前几个小时到几天提供早期警告或预测。
  • 解释-您可以确定哪些提供的数据信号实际上需要做出预测,以及每个信号对结果的贡献。
  • 灵活的部署-除了在现场或云中运行模型,您还可以将它们部署在边缘。这可以支持低延迟的应用程序或需要靠近数据源的断开连接的环境。

模式发现在降级发生之前识别模式方面起着关键作用,对于资产尤其如此。这是至关重要的,因为它将资产管理从被动的(即,降级已经发生,而您试图将其影响最小化)转移到主动的(即,您阻止它发生)。

通过识别不希望发生的事件或操作条件的前兆模式,这些预测系统可以为当前和未来生产系统及其产品的健康状况提供可操作的见解。在此基础上,操作机器学习系统可以对现有操作数据进行模式发现、状态监测和预测分析。

图2:机器学习使模式发现和早期预警成为可能

跨越许多行业-例子用例

由于操作机器学习在可用的时间序列数据中发现模式,它不需要开发物理系统的数学模型或在特定行业有深厚的领域专业知识的组织。因此,它具有高度的通用性,可以应用于汽车、化学、电子和半导体、采矿和金属、石油和天然气、电力和能源等行业。为了说明这项技术的威力,下面是半导体和汽车制造行业中的一些示例用例。

  • 半导体:一家主要的半导体制造商每天操作复杂、昂贵的设备,执行许多不同类型的基于步骤的操作。通过预见性维护来优化利用是一个高度优先级的问题。这些机器以传感器读数、控制参数和其他设置的形式每秒收集操作数据。事实证明,这些数据在预测故障方面是无效的。制造商决定部署一个机器学习系统,该系统迅速集成到其运营数据存储中,包含跟踪数据、质量度量、检验员和操作员日志信息。4个月的数据历史记录创建了一个模型,该模型识别多个已知的异常条件,以创建维护指标,从而在系统中创建警报。评估流程提供的预警使得维护团队能够进行早期干预,从而提高了正常运行时间和整体设备效率(OEE)。
  • 汽车:一家领先的汽车制造商需要对其焊接质量进行实时评估。机器焊接的质量随着时间的推移而变化,每台机器每天需要花费超过14 000美元的昂贵手工返工。通过使用机器学习系统,该公司能够发现机器人焊接质量变化之前的模式,并提供高级警报。这有助于显著减少下游返工和材料损失。

未来

随着操作机器学习的出现,下一次工业革命已经到来。无论你称之为工业4.0、工业物联网,还是数字转型,机器数据和运营数据的访问增加,双向通信的扩散和数据流的速度,再加上计算、连接和存储成本的降低,为工业经营转型创造了完美的环境。当这些作业产生的时间序列数据得到有效利用时,可以提供可操作的见解,以减少停机时间,并提高产量、操作人员的安全性和产品质量。

对于工业运营团队来说,现在是开始利用这些系统的最佳时机,因为不再需要数据科学家等专业资源来实施这些系统。