如何讓機器學習賦能工業應用？

設備故障對工業部門造成了嚴重的問題，導致生產損失和計劃外停機。這種情況對全球加工製造商來說是一個嚴重的挑戰，每年造成的損失可高達數十億美元。例如，如果一個關鍵的生產設備突然出現故障，可能會導致整個生產線停擺數小時，進而影響整個供應鏈的運作。

幸運的是，現代機器學習 (ML) 提供了一個突破性的解決方案。透過分析大量感測器數據，ML 演算法可以在故障和積壓發生之前預測故障和積壓，從而實現主動維修並大幅減少停機時間。但這還不是全部，ML還揭示了生產資料中隱藏的模式，優化了流程，減少了浪費，提高了整體效率。

在組織充分發揮機器學習潛力之前，必須先著手加強團隊協作的基本要素。為了打造準確且有影響力的模型，資料科學家和領域專家需要建立密切合作關係，深刻了解工業設備的複雜性。他們的合作將把車間內的專業知識轉化為數據語言，推動機器學習解決方案的成功應用。

克服傳統工業數據的短板

利用 ML 洞察提高營運效率並非一蹴可幾。第一個挑戰是理解原始工業數據。

在其原生格式中，工業資料是大量、多樣的，並且經常充斥著錯誤或不相關的訊息，例如停機日誌。如果沒有指導，資料科學家通常會浪費寶貴的時間和資源來篩選無關的複雜性，浪費寶貴的時間，並經常產生誤導的模型。這就是為什麼領域專家(包括製程工程師和操作人員)在為準確模型準備資料方面至關重要，他們廣泛的製程知識有助於確定正確的資料和相關時間段。

然而，辨識正確的資料只是第一步。原始工業數據通常是混亂的，需要上下文才能理解。想像一下，在一個模型中，維護期間的溫度讀數與運行期間的溫度讀數混合在一起：這將使預測模型陷入混亂!毫無頭緒地將數據插入模型可能會造成嚴重破壞，這表明在執行分析先前清理資料並將其置於情境中的重要性。過程專家可以幫助確定這樣的注意事項，減少演算法錯誤，確保一致性，並確定對模型成功最重要的特定操作條件。

資料清理完畢後，仍有許多工作要做，才能為 ML 做好準備。特徵工程彌補了這一差距，需要資料科學家和流程專家的持續合作，將原始讀數轉化為直接針對當前問題的上下文見解。這些資訊洞察力或 "特徵 "包括統計摘要、頻率模式以及感測器資料的其他巧妙組合，可幫助 ML 演算法發現隱藏的模式，提高模型的準確性，並輔助複雜的營運決策。

在工業環境中部署 ML 模型需要的不僅僅是準確性。為了真正產生價值，模型必須易於轉移給操作員，以便在生產過程中使用。這意味著介面必須易於閱讀，清晰簡潔地呈現預測、警報和即時數據。此外，在可行的情況下，在操作介面中包括解釋，可以在最終用戶之間建立信任和理解。

隨著時間的推移，工業流程會發生變化，因此成功部署機器學習需要定期使用新資料對模型進行重新訓練，以確保其準確性。這需要資料科學家與營運團隊之間的密切協作，以監測效能並持續進行模型迭代。

高級分析增強了工業機器學習計劃

在操作工作流程中構建和實施ML 模型的許多步驟並不容易，但現代高級分析解決方案正在簡化程序，為ML 集成到工業流程中提供整體解決方案。

這些解決方案透過即時連接多種資料來源，打破了常見的工業資料混亂局面。除了聚合，這些軟體工具還能自動進行資料清理，省去了大量的手動資料處理和調節工作 (圖 1)。

圖 1：Seeq 使用一系列內建的平滑方法自動進行資料清理，以提供工廠效能的情境化圖片。例如，兩個不良溫度讀數會自動從淨化的製程變數中刪除，該變數用於建模和建立流程見解。

當流程發生變化時，這種適應性至關重要，因為它可以使 ML 模型保持最新狀態，並提供相關資訊以反映當前的操作條件。例如傳送帶故障場景，進階分析解決方案使工程師能夠快速識別異常、處理不一致並立即提取有意義的資訊。然後，這些高品質的數據可以為故障排除步驟提供信息，提供可操作的 ML 見解，並增強營運決策的信心。

特徵工程對於機器學習在工業環境中的成功至關重要，但它需要協作。進階分析解決方案透過為不同專家的角色建立的明確策劃的使用者檔案，以及在各個營運團隊之間無縫共享發現所需的工具，有助於促進這種所需的協同作用(圖 2)。

圖2：Seeq 可以輕鬆建立自動化報告和儀表板，工程師和資料科學家可以在其中與業務線和營運團隊共享他們的分析結果，從而實施ML以推動日常價值。

例如，Seeq 的資料實驗室使資料科學家能夠輕鬆部署模型，供工程和營運團隊直接使用，他們可以提供回饋以幫助完善模型。然後，預測和警報將流向 Workbench、Organizer 和外部視覺化工具，這些工具通常可供管理使用者存取。高階分析解決方案彌合了這些歷史上分離的部門，將模型轉換為強大的工具，以實現更嚴格的流程控制、營運最佳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

實際結果表明，進階分析解決方案可有效減少代價高昂的停機事件。例如，一家大型化學製造商深受關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週期到另一個運行週期的細微偏差。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之急。

該公司開始收集大量的製程數據，但數量龐大且複雜，超過 170 個變量，因此很難從噪音中辨別出真正的模式。傳統的分析方法無法確定可能導致故障的因素組合。

該製造商於是求助於 Seeq，利用軟體內建的 ML 工具，使其領域專家能夠在不完全依賴資料科學家的情況下解決模型開發問題。此解決方案的使用者友善介面將ML 的強大功能直接交到了擁有全面壓縮機專業知識的製程工程師手中，幫助縮小了中小型企業與資料科學家之間的知識差距，而這種差距在傳統分析中更為嚴重。這有助於確保預測模型包含正確的領域理解和演化。

透過利用高階分析解決方案中的專用功能，該公司將模型結果轉化為近乎即時的營運見解。這些模型關注了壓縮機參數的細微偏差，這些偏差表明出現了問題，可視化儀表板有助於及早提醒營運和工程團隊採取預防措施，以避免代價高昂的故障。這種預測性方法使團隊能夠將被動維護轉變為主動策略。

透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支柱，而且還提供了新的資料流暢性，使工程師能夠更好地控制設備運作狀況。

解決儀表凍結問題，優化氣體輸送

凍結的儀表威脅到石油和天然氣供應商的盈利能力，導致測量錯誤和昂貴的產品浪費。一家營運商龐大的網路跨越 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模。事實證明，混亂的數據和對基於規則的方法來識別凍結事件的依賴既耗時又不可靠，而且維護規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存取其大量儀表資料。領域專家使用軟體工具來提高資料品質並標註過去的凍結事件，而資料科學家則與工程師合作開發精確的模型，超越僵化的規則並採用ML。

在進階分析解決方案中，操作員建立了一個全自動化的工作流程，包括資料預處理、模型配置和自動再訓練，以在操作條件變更時保持模型準確性。模型預測直接饋送到可視化儀表板和填充的報告，為利害關係人提供潛在凍結問題的即時洞察。

這種簡化的工作流程能夠主動幹預，緩解凍結問題，即使某些地方的準確性略有提高，也會因減少產品贈送而每年節省數百萬美元。除了提高準確性外，該解決方案還促進了數據驅動的協作，這對於不斷提高營運效率至關重要。

這項工作為供應商帶來了三個重要啟示：

• 可擴展性：進階分析解決方案可處理公司的大量資料集，這是大規模資產管理的關鍵優勢。
• 作為效率倍增器的ML：自動偵測任務使工程師能夠專注於價值更高的問題。
• 從洞察到獲利：進階分析解決方案簡化了從預測到節省成本的過程，這是ML有效部署的重要指標。

在工業環境中有效引入機器學習

不可否認，機器學習正在改變製造流程。與傳統方法相比，它能夠自動執行複雜任務、優化生產週期並實現預測性維護，從而具有明顯的優勢。透過延長資產正常運作時間、提高產量和增強決策流程，ML 在許多工業領域提高了效率並節省了成本。

雖然實作 ML 本身就存在挑戰，但其巨大的好處遠大於障礙，高階分析解決方案有助於確保成功部署。這些軟體工具提供強大的數據分析功能，專門設計用於處理工業環境中時間序列數據和 ML 應用程式的需求。憑藉用戶友好的介面和對協作的關注，這些解決方案使公司能夠完全採用基於機器學習的見解，在競爭日益激烈的製造市場中提供顯著的效率和盈利能力優勢。

以上是如何讓機器學習賦能工業應用？的詳細內容。更多資訊請關注PHP中文網其他相關文章！