工厂和设备中部署了大量的传感器用于记录数据。如果分析得当，这些数据会在改进制造工艺及确保生产质量等方面产生巨大的价值。为此，魏德米勒工业分析部门与客户密切合作，开发所需的数据分析模型。

 

　　我们从工厂和设备中提取各类数据集合，比如温度、压力、能耗和振动，称之为“特征”，并使用人工智能（AI）对其评估。之前的项目经验表明，大多数工厂和设备已经记录了全部重要数据，不必新增传感器。真正的挑战来自于找出数据背后的隐藏信息和它们之间的相关关系，而这正是魏德米勒工业分析部门擅长的。

 

 

 

　　异常分类的工作，是将已识别的数据偏差按重要程度进行分类，重要异常往往是导致设备故障的原因。有了这些信息的辅助，设备操作者可以更快地处理问题，甚至可以识别潜在故障。这样的快速诊断方式可以减少停机时间、降低成本并优化产能。

 

 

　　“特征”工程是开发可靠人工智能模型的重要技术，该方法从测量数据中找出复杂的统计相关性。例如，为了找出这样的统计相关，可以用相关系数表示在一段时间内两个或多个“特征”的关联变化。数据科学家会根据设备的历史数据来开发新的“特征”。与仅使用原始数据相比，这样做可以更可靠地识别异常情形。例如，通过振动测量或频率转换获得的高频信号，可以基于数学模型分解到相应的不同频段上。人工智能模型从设备的正常行为中学习信号的频段特性，相比于仅使用未分解的原始信号，可更好地预测故障可能性。

 

　　魏德米勒凭借“工业分析”的综合方法，在“企业对企业商务卓越奖”竞赛类别中赢得了2018年德国创新奖。工业分析业务部门研发负责人MarkusKöster博士和工业分析业务部门负责人TobiasGaukstern在柏林接受了该奖项。

 

　　图左MarkusKöster博士，图右TobiasGaukstern

 

 

　　数据集合必须根据具体的机器或工艺加以解释和评估，因此“特征”工程需要全面的应用知识。无论是数据科学家的专业知识，还是机械工程师或机器操作人员的应用知识，对于找出实际解决方案至关重要。只有应用专家才能评估一个数据异常是否代表了机器故障，在应用专家的帮助下，数据科学家才能建立准确识别正常运行和异常的算法。

 

　　目前，人工智能模型已经应用于许多领域，例如包装机、填充技术、材料处理以及机器人技术。魏德米勒基于这些数据模型向用户提供适合的定制化软件，帮助用户持续监测设备运行情况、做出预测，并将数据和分析结果可视化呈现。UI专家设计定制的用户界面，以便每个用户都能获得与其应用领域相匹配的解决方案。

 

　　对于设备历史数据中未包括的异常或故障，人工智能模型在运行之初是无法描述和预测的。因此，用户可以通过更新学习数据、扩展软件模块来不断完善工业分析模块。当然，魏德米勒数据科学家会按用户所需提供支持帮助。

 

　　数据和分析结果的可视化使我们更容易掌握机器的当前状态。为此，我们可以查看并标记各个时间范围应包含在未来数据评估中的信息。在此示例中，黄色区域显示的是通过算法标注出来的潜在异常。用户还可以查看这些区域，辨明是否存在异常。通过这种方式，该模型能继续学习并且可以更精确地对未来状态进行分类。

 

　　“特征”工程助力成功
 

 

　　“特征”工程是工业分析解决方案成功的关键，魏德米勒将应用知识与数据科学相结合。由于人工智能模型的独立性，机械工程师和设备操作者无须泄露其专业领域知识，即可显著提高设备性能。