cookieOptions = {...}; .IIoT 最大應用場景:預測性維護機會到來 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

3S MARKET
2018年6月6日 星期三

Predictive Maintenance Solution by IoT WoRKS



來源: OFweek物联网



隨著物聯網技術的快速發展,在各個行業中產生了不同的結果。物聯網進入了工業領域,被叫作工業物聯網(IIoT),它正在給傳統自動化設備,帶來全新的變革,同時也為設備廠商,創造更多的增值機會。

作為物聯網的一個子集,工業物聯網為營運技術(包括遠端管理和營運分析)增加了新的功能。

到目前為止,工業物聯網最大的價值,在於預測性維護,新型物聯網設備收集了大量的生產數據,再透過機器學習和人工智慧分析,從而讓管理者更好地理解,生產系統是如何工作和維護的。


blob.png



預測性維護是提前維護的最佳辦法,當分析到工業設備的組件,可能出現故障時,設備管理者就可以預先維護,以便在進行維修之前,可以對其進行更換或修理,從而避免更高成本的損壞和停機時間。

預測性維護融合大數據、機器學習等多項技術,為人與機器互動交流提供了機會。

預測性維護的關鍵是什麼?
要預測出一套設備的可能性故障,除了從設備數據中,整理出關鍵的指標,還要結合更多的歷史事件進行分析,最終形成一個,與設備對應預測性維護模型。預測性維護的複雜性在,於這套基於機器學習的生產系統模型,必需隨著時間而改變。

以火車的維護為例,隨著火車零件的老化,它們對壓力的反應與新的時候不同。因此,維護計劃應該隨著時間的推移,進行調整,以考慮不斷變化的故障率,這些時間表可以使用機器學習輸出新的模型。

設備在全生命週期的不同階段,有著不同的表現,設備故障有一個「浴缸曲線」的說法,把設備壽命劃分為三個主要階段:早期故障率階段、穩定狀態階段和損耗階段。

通常機器在使用壽命開始時,會經常出現故障。但隨著時間的推移會進入穩定期,維護過程會逐漸消失,故障更為罕見。而到了後期機器故障會率會飆升,最終報廢。


IIoT应用场景:预测性维护的巨大潜力


浴缸曲線
因此,機器學習需辨識出,設備處於哪個生命階段,並不斷調整預測模型,如日立開發的Lumeda的平台,引入了數據科學家,可以用來更精確地調整機器學習模型,在模型投入生產後,能夠監控機器學習模型的準確性。

該平台會創建集中的數據庫,供數據科學家進行實驗,測試不同模型時,公司可以改變它的輸入,並更準確地預測生產線將會發生什麼。

汽車預測性維護的應用場景
汽車一般都會有一個OBD-II的系統,它是一個車載自動診斷系統。該系統主要用於監控發動機的運行,和排氣系統的工作狀態,一旦發現排放超標就會發出警示。

OBD-II系統會把故障資訊寫入儲存器,透過標準的診斷儀器,可以讀取故障代碼,然後根據故障資訊逐一排除疑點,幫助維護人員快速準確地,找出故障源頭。

一家新創公司TheCarForce,希望利用這些數據,來幫助司機和製造商實現預測性維護,他的做法是利用SIM卡,將汽車的診斷數據發送回中央伺服器,現在的汽車可能收集比航太飛機更多的自我診斷數據,這些數據一旦收集到伺服器,就可以用於分析。

blob.png
圖片來源:TheCarForce

這種方案潛在的受益者眾多,能為4S店以及汽車製造商,帶來新的機會。在4S店使用案例中,維修師傅可以從他們服務的車輛,獲取即時維護數據,這樣既可以警告客戶,即將發生的問題,也可以將大型數據關聯在一起,以幫助預測未來的可靠性問題。

這是一個增值服務,因為4S店可以在機器問題之前,先一步做出動作,在意識到某客戶,可能會在特定的日子更換零件,維修者可以進行計劃和安排採購,然後聯繫客戶預約維修。這樣不就會出現在機器問題時,要花大量時間在購買零件上。

採集數據是預測性維護的基礎,只有收集充分的設備參數,才能讓人工智慧發揮出效果,TheCarForce的採集方案,為汽車預測性維護提供了更多的可能,隨著數據的不斷收集和案例對比分析,維護者可以更準確、快速完成工作。

物聯網幫助農場獲得更高產出
在大面積的農場不乏有各種拖拉機、收割機等農業機械設備,在密西西比河三角洲的一個20,000英畝的大型農場裡,種植著棉花、粒米、大豆、玉米和小麥,這個農場擁有20多台拖拉機和多台收割機、採棉機和噴霧機,這些設備都透過物聯網進行了連接。

農場負責人表示,他們需要採用物聯網技術來跟蹤並查看機器狀態的發展,如果設備發生了什麼問題,他們就會馬上修復它,不允許出現停機時間。因為,他每天都靠天氣、土壤和時間來獲得更好的產出,時間對於他們來說是十分寶貴的。

3月到10月都是農業的繁忙季節,這些時間內必需保證機器設備是可用的。這就需要從連接的機器獲得的數據,進行高級分析,他們甚至會分析一些次要的警報,可能被視為對實際操作員「滋擾」警報,並用它們繪製關於可靠性,和服務數據的模式和結論。


圖片來源:John Deere



例如,在發動機的前部安裝風扇,這會導致一個小的振動。系統會檢測到這個變化,併發送錯誤代碼。獲取更多的外部和內部數據,將可以分析出機器的所有可能事件。發現機器設備的初期故障跡象,及早做好防護和避免事情的發生,這比在故障發生後再處理要節省掉很大的費用。

小結:
機器學習模式管理設備,將對一些重型工業領域產生重大影響,例如物流運輸、裝備製造、汽車等,這對於一些低利潤高資本的領域十分有價值。

因為設備的故障維修,不僅讓用戶支付昂貴的費用,停機可能使得企業失去更多創造產能的機會。預測性維護方案很好解決了裝備密集型產業的痛點,同時也開啓了一個巨大的增值服務市場。

Managing the issues and risks of the Internet of Things (IoT) and ...

人工智慧和機器學習算法的不斷進步,對於大數據的分析將有很大的幫助。物聯網保證了設備數據的穩定獲取,這些數據將儲存到雲端,然後透過機器學習進行分析,給設備管理者提供最好的營運策略。

隨著自動化設備的普及應用,預測性維護帶來的經濟價值將是巨大的。



0 comments: