物联之家网|如何将机器学习应用于预测性维护?( 二 )


通常 , 我们使用两种预测建模方法:
回归模型可预测部件的剩余使用寿命 。 它告诉我们机器还有多少时间会出现故障 。 为了使回归模型起作用 , 必须提供历史数据 。 每个事件都会被跟踪 , 理想情况下 , 各种类型的故障都会被表示出来 。
回归模型提供的假设是 , 基于系统的固有(静态)方面及其当前性能 , 可以预测其剩余生命周期 。 但是 , 如果系统发生故障的方式有多种 , 则必须为每种可能性创建一个单独的模型 。
分类模型可预测特定时间内的机器故障 。 我们不需要提前太久知道机器要发生故障 , 而是只需要知道故障即将发生 。
分类和回归模型在许多方面是相似的 , 但是在某些方面确实有所不同 。 首先 , 分类着眼于一个时间窗口 , 而不是一个确切的时间 。 这意味着需要的数据不那么严格 。
工作原理
一旦建模 , 就可以通过以下方式进行预测性维护:
机器学习模型收集传感器数据 , 并基于历史故障数据 , 识别故障之前的事件 。
我们预先设置了所需的参数 , 以触发潜在故障的警报 。 当传感器数据超出这些参数阈值时 , 将启动警报 。
机器学习的作用在于检测正常系统操作之外的异常模式 。 借助高质量数据对这些异常有了更好的认识 , 我们预测故障的能力将大大提高 。
总之 , 机器学习支持以最少的人为干预分析大量数据 。
【物联之家网|如何将机器学习应用于预测性维护?】通过应用机器学习 , 结合从工业物联网设备收集的数据 , 可以改进流程、降低成本、优化员工效率 , 并显著减少机器停机时间——这是组织成功的关键 。