近幾年工業(yè)部門已逐漸意識到數(shù)碼化的價值,并投入了更多的發(fā)展資金。隨之而來的,便是反應式(reactive)維護至預測性(proactive)維護的模式轉移。在引進機器學習技術后,預測性維修的效率還可獲得進一步提升。
報導指出,工業(yè)物聯(lián)網(wǎng)(IIoT)最大的賣點,便在于資料分析所產(chǎn)生的洞見,有助于提升設備的性能與生產(chǎn)效率,增加企業(yè)收益。預測性維護除了能將設備意外停機的時間最小化,也能大幅縮短預定的停機時間,在不增加額外資金支出的情況下,提升整體生產(chǎn)力。
工廠在引進工業(yè)物聯(lián)網(wǎng)后,設備維修的依據(jù)不再是機器的預期使用年限,工程師也不是只有在設備發(fā)生狀況后才能做出反應,而是能根據(jù)機器的現(xiàn)況,事先判斷維修的時機。
龐大的資料量以及后續(xù)的分析工作,是達成預測性維護所會遇到的最大挑戰(zhàn)。由于要考慮的層面除了感測資料、機器健康訊號外,還有過往維修紀錄、機器作業(yè)歷史、外在條件等,因此光憑一般人力不可能有效率的完成這項復雜的工作。
經(jīng)過訓練的機器學習算法,能夠辨識資料內(nèi)的相關因素,并藉此標示出問題與造成問題的根本原因,便可在此時派上用場。例如,GE Digital的Predix平臺與資產(chǎn)績效管理(APM)套件,能透過機器學習算法對設備狀態(tài)進行分析,讓工廠人員清楚何時適合進行維修,以及之所以要維修的原因。
機器學習算法還能參考歷史資料,歸納某一問題發(fā)生的頻率,辨識出問題發(fā)生前的各種征兆。如果能將算法與管理系統(tǒng)集成,便能在機器需要維修時,通知工程人員。
機器學習使得維修資料分析過程更加自動化。事實上,已有一些工業(yè)應用可讓算法直接對機器進行重新配置。隨著算法學到越多,效率提升也將越明顯。
英國數(shù)學家Clive Humby曾在2006年時宣稱,資料是新一代的石油。不論是食品加工廠或是汽車制造廠,生產(chǎn)流程的各項資料將成為提升效率與效益的關鍵。
-
人工智能
+關注
關注
1789文章
46401瀏覽量
236644 -
工業(yè)物聯(lián)網(wǎng)
關注
25文章
2349瀏覽量
63432 -
智能工廠
+關注
關注
3文章
975瀏覽量
42322
原文標題:DLI每周一課 | 用自動編碼器實現(xiàn)渲染圖像去噪,動手實驗
文章出處:【微信號:NVIDIA-Enterprise,微信公眾號:NVIDIA英偉達企業(yè)解決方案】歡迎添加關注!文章轉載請注明出處。
發(fā)布評論請先 登錄
相關推薦
評論