設(shè)備故障使工業(yè)部門陷入癱瘓，導致重大生產(chǎn)損失和計劃外停機。對于世界各地的加工制造商來說，這些損失每年高達數(shù)十億美元。例如，一條關(guān)鍵的傳送帶在中途停止運行，可能會迫使整條工廠生產(chǎn)線閑置數(shù)小時，從而可能使整個供應(yīng)鏈陷入困境。

幸運的是，現(xiàn)代機器學習 (ML) 提供了一個突破性的解決方案。通過分析大量傳感器數(shù)據(jù)，ML 算法可以在故障和積壓發(fā)生之前預測故障和積壓，從而實現(xiàn)主動維修并大幅減少停機時間。但這還不是全部，ML還揭示了生產(chǎn)數(shù)據(jù)中隱藏的模式，優(yōu)化了流程，減少了浪費，提高了整體效率。

在組織能夠釋放機器學習的全部潛力之前，他們必須從掌握團隊合作的基本組成部分開始。為了建立準確且有影響力的模型，對工業(yè)設(shè)備復雜性有深刻理解的數(shù)據(jù)科學家和領(lǐng)域?qū)＜冶仨毥⒑献骰锇殛P(guān)系。這種合作將工廠車間的知識轉(zhuǎn)化為數(shù)據(jù)語言，推動 ML 解決方案取得成果。

克服傳統(tǒng)工業(yè)數(shù)據(jù)的短板

利用 ML 洞察提高運營效率并非一蹴而就。第一個挑戰(zhàn)是理解原始工業(yè)數(shù)據(jù)。

在其原生格式中，工業(yè)數(shù)據(jù)是海量、多樣的，并且經(jīng)常充斥著錯誤或不相關(guān)的信息，例如停機日志。如果沒有指導，數(shù)據(jù)科學家通常會浪費寶貴的時間和資源來篩選無關(guān)的復雜性，浪費寶貴的時間，并經(jīng)常產(chǎn)生誤導性的模型。這就是為什么領(lǐng)域?qū)＜?包括工藝工程師和操作人員)在為準確模型準備數(shù)據(jù)方面至關(guān)重要，他們廣泛的工藝知識有助于確定正確的數(shù)據(jù)和相關(guān)時間段。

然而，識別正確的數(shù)據(jù)只是第一步。原始工業(yè)數(shù)據(jù)通常是混亂的，需要上下文才能理解。想象一下，在一個模型中，維護期間的溫度讀數(shù)與運行期間的溫度讀數(shù)混合在一起：這將使預測模型陷入混亂!毫無頭緒地將數(shù)據(jù)插入模型可能會造成嚴重破壞，這表明在執(zhí)行分析之前清理數(shù)據(jù)并將其置于情境中的重要性。過程專家可以幫助確定這樣的注意事項，減少算法錯誤，確保一致性，并確定對模型成功最重要的特定操作條件。

數(shù)據(jù)清理完畢后，仍有許多工作要做，才能為 ML 做好準備。特征工程彌補了這一差距，需要數(shù)據(jù)科學家和流程專家的持續(xù)合作，將原始讀數(shù)轉(zhuǎn)化為直接針對當前問題的上下文見解。這些信息洞察力或 "特征 "包括統(tǒng)計摘要、頻率模式以及傳感器數(shù)據(jù)的其他巧妙組合，可幫助 ML 算法發(fā)現(xiàn)隱藏的模式，提高模型的準確性，并輔助復雜的運營決策。

在工業(yè)環(huán)境中部署 ML 模型需要的不僅僅是準確性。為了真正產(chǎn)生價值，模型必須易于轉(zhuǎn)移給操作員，以便在生產(chǎn)過程中使用。這意味著界面必須易于閱讀，清晰簡潔地呈現(xiàn)預測、警報和實時數(shù)據(jù)。此外，在可行的情況下，在操作界面中包括解釋，可以在最終用戶之間建立信任和理解。

此外，工業(yè)流程會隨著時間的推移而變化，而 ML 部署的成功需要使用新數(shù)據(jù)重新訓練模型以保持準確性的方法。這需要數(shù)據(jù)科學家和運營團隊之間的持續(xù)協(xié)作，以監(jiān)控性能并繼續(xù)模型迭代。

高級分析增強了工業(yè)機器學習計劃

在操作工作流中構(gòu)建和實施 ML 模型的許多步驟并不容易，但現(xiàn)代高級分析解決方案正在簡化程序，為 ML 集成到工業(yè)流程中提供整體解決方案。

這些解決方案通過實時連接多種數(shù)據(jù)源，打破了常見的工業(yè)數(shù)據(jù)混亂局面。除了聚合，這些軟件工具還能自動進行數(shù)據(jù)清理，省去了大量的人工數(shù)據(jù)處理和調(diào)節(jié)工作 (圖 1)。

圖 1：Seeq 使用一系列內(nèi)置的平滑方法自動進行數(shù)據(jù)清理，以提供工廠性能的情境化圖片。例如，兩個不良溫度讀數(shù)會自動從凈化的過程變量中刪除，該變量用于建模和創(chuàng)建過程見解。

當流程發(fā)生變化時，這種適應(yīng)性至關(guān)重要，因為它可以使 ML 模型保持最新狀態(tài)，并提供相關(guān)信息以反映當前的操作條件。例如傳送帶故障場景，高級分析解決方案使工程師能夠快速識別異常、處理不一致并立即提取有意義的信息。然后，這些高質(zhì)量的數(shù)據(jù)可以為故障排除步驟提供信息，提供可操作的 ML 見解，并增強運營決策的信心。

特征工程對于機器學習在工業(yè)環(huán)境中的成功至關(guān)重要，但它需要協(xié)作。高級分析解決方案通過為不同專家的角色構(gòu)建的明確策劃的用戶檔案，以及在各個運營團隊之間無縫共享發(fā)現(xiàn)所需的工具，有助于促進這種所需的協(xié)同作用(圖 2)。

圖 2：Seeq 可以輕松構(gòu)建自動化報告和儀表板，工程師和數(shù)據(jù)科學家可以在其中與業(yè)務(wù)線和運營團隊共享他們的分析結(jié)果，從而實施 ML 以推動日常價值。

例如，Seeq 的數(shù)據(jù)實驗室使數(shù)據(jù)科學家能夠輕松部署模型，供工程和運營團隊直接使用，他們可以提供反饋以幫助完善模型。然后，預測和警報將流向 Workbench、Organizer 和外部可視化工具，這些工具通常可供管理用戶訪問。高級分析解決方案彌合了這些歷史上分離的部門，將模型轉(zhuǎn)換為強大的工具，以實現(xiàn)更嚴格的流程控制、運營優(yōu)化和整個組織更明智的決策。

利用預測分析控制壓縮機故障

實際結(jié)果表明，高級分析解決方案可有效減少代價高昂的停機事件。例如，一家大型化工制造商深受關(guān)鍵壓縮機意外故障的困擾，他們使用 Seeq方案來識別壓縮機從一個運行周期到另一個運行周期的細微偏差。每起事故的損失估計達 100 萬美元，因此尋找一種方法來預測和預防這些故障很快就成為當務(wù)之急。

該公司開始收集大量的過程數(shù)據(jù)，但數(shù)量龐大且復雜，超過 170 個變量，因此很難從噪聲中辨別出真正的模式。傳統(tǒng)的分析方法無法確定可能導致故障的因素組合。

該制造商于是求助于 Seeq，利用軟件內(nèi)置的 ML 工具，使其領(lǐng)域?qū)＜夷軌蛟诓煌耆蕾嚁?shù)據(jù)科學家的情況下解決模型開發(fā)問題。該解決方案的用戶友好界面將 ML 的強大功能直接交到了擁有全面壓縮機專業(yè)知識的工藝工程師手中，幫助縮小了中小型企業(yè)與數(shù)據(jù)科學家之間的知識差距，而這種差距在傳統(tǒng)分析中更為嚴重。這有助于確保預測模型包含正確的領(lǐng)域理解和演化。

通過利用高級分析解決方案中的專用功能，該公司將模型結(jié)果轉(zhuǎn)化為近乎實時的運營見解。這些模型關(guān)注了壓縮機參數(shù)的細微偏差，這些偏差表明出現(xiàn)了問題，可視化儀表板有助于及早提醒運營和工程團隊采取預防措施，以避免代價高昂的故障。這種預測性方法使團隊能夠?qū)⒈粍泳S護轉(zhuǎn)變?yōu)橹鲃硬呗浴?/p>

通過在故障之前解決問題，該公司大大減少了代價高昂的停機事件。先進的分析解決方案不僅提供了技術(shù)支柱，而且還提供了新的數(shù)據(jù)流暢性，使工程師能夠更好地控制設(shè)備運行狀況。

解決儀表凍結(jié)問題，優(yōu)化氣體輸送

凍結(jié)的儀表威脅到石油和天然氣供應(yīng)商的盈利能力，導致測量錯誤和昂貴的產(chǎn)品浪費。一家運營商龐大的網(wǎng)絡(luò)跨越 32,000 英里的管道，每天處理 74 億立方英尺的天然氣，放大了這個問題的規(guī)模。事實證明，混亂的數(shù)據(jù)和對基于規(guī)則的方法來識別凍結(jié)事件的依賴既耗時又不可靠，而且維護規(guī)則除了篩選許多誤報和漏檢之外，還消耗了寶貴的資源。

該公司需要一種新的方法來簡化清潔和訪問其大量儀表數(shù)據(jù)。領(lǐng)域?qū)＜沂褂密浖ぞ咛岣邤?shù)據(jù)質(zhì)量并標注過去的凍結(jié)事件，而數(shù)據(jù)科學家則與工程師合作開發(fā)精確的模型，超越僵化的規(guī)則并采用ML。

在高級分析解決方案中，操作員建立了一個全自動化的工作流程，包括數(shù)據(jù)預處理、模型配置和自動再訓練，以在操作條件發(fā)生變化時保持模型準確性。模型預測直接饋送到可視化儀表板和填充的報告，為利益相關(guān)者提供對潛在凍結(jié)問題的實時洞察。

這種簡化的工作流程能夠主動干預，緩解凍結(jié)問題，即使某些地方的準確性略有提高，也會因減少產(chǎn)品贈送而每年節(jié)省數(shù)百萬美元。除了提高準確性外，該解決方案還促進了數(shù)據(jù)驅(qū)動的協(xié)作，這對于不斷提高運營效率至關(guān)重要。

這項工作給供應(yīng)商帶來了三個重要啟示：

• 可擴展性：高級分析解決方案可處理公司的海量數(shù)據(jù)集，這是大規(guī)模資產(chǎn)管理的關(guān)鍵優(yōu)勢。
• 作為效率倍增器的ML：自動檢測任務(wù)使工程師能夠?qū)Ｗ⒂趦r值更高的問題。
• 從洞察到盈利：高級分析解決方案簡化了從預測到節(jié)約成本的過程，這是ML有效部署的重要標志。

在工業(yè)環(huán)境中有效引入機器學習

不可否認，機器學習正在改變制造流程。與傳統(tǒng)方法相比，它能夠自動執(zhí)行復雜任務(wù)、優(yōu)化生產(chǎn)周期并實現(xiàn)預測性維護，從而具有明顯的優(yōu)勢。通過延長資產(chǎn)正常運行時間、提高產(chǎn)量和增強決策流程，ML 在許多工業(yè)領(lǐng)域提高了效率并節(jié)省了成本。

雖然實施 ML 本身就存在挑戰(zhàn)，但其巨大的好處遠遠大于障礙，高級分析解決方案有助于確保成功部署。這些軟件工具提供強大的數(shù)據(jù)分析功能，專門設(shè)計用于處理工業(yè)環(huán)境中時間序列數(shù)據(jù)和 ML 應(yīng)用程序的需求。憑借用戶友好的界面和對協(xié)作的關(guān)注，這些解決方案使公司能夠完全采用基于機器學習的見解，在競爭日益激烈的制造市場中提供顯著的效率和盈利能力優(yōu)勢。