“制造智慧”难传承?工业人工智能系统来了

2019-07-08  |  作者:天泽智云  |  来源:天泽智云  |  浏览:

工业人工智能系统则融合工业领域知识、智能建模技术及计算机科学,基于多方位学习,具有系统性、标准化、流程化、敏捷性和可持续传承性,能够稳步提升系统性能,实现“制造智慧”的可持续传承。

近日,一则国内首例轨道交通“夕阳红”特聘计划的招聘信息火了,该计划主要针对临近退休、已退休或内退的专家型管理人才和应用型技能人才。据了解,人才断层的尴尬局面已愁煞很多制造企业。
 
01
 
经验丰富的专家及核心技术人员对制造企业的产品开发、技术突破、工艺优化、设备维护等多个环节起着关键作用。例如有的“老师傅”仅凭人耳听、眼睛看等方式,便能通过电机发出的一丝异响,或者设备的一个微小变化,准确找到“病因”。
 
在工业和制造领域,这样的高人不在少数,但专业经验往往随着人员的离开而逐渐消失,使很多制造企业解决问题的能力无法持续得到保证,运营效率和核心竞争力也难以维持。因为经验和知识虽然可以传授,但由于难以被确切和完整地表达而无法长久传承。
 
在大数据、物联网、人工智能等技术的共同驱动下,工业人工智能技术应运而生,将传统依靠人类经验的传承方式,转向通过数据分析、智能建模等手段挖掘数据中的隐性线索,将知识转换为模型,使得制造知识能够更加高效和自发地产生、利用和传承。
 
02
 
以轴箱轴承为例。轴箱轴承是车辆运行中最易磨耗的部件之一,由外圈、内圈、滚动体和保持架四部分组成,其健康状态直接关系到车辆的安全运行。车辆启停、转弯、载客数量等都会不同程度地对轴箱轴承造成磨耗。
 
天泽智云,工业智能实践者
目前对轴箱轴承的维护大多采用定期维护的方式,其维护机制按照行驶里程共分为六级,静态维护和监测强依赖于老师傅的经验,通过人耳识别及目视的方法检查故障。
 
对于车辆现场运行声音,即便是有多年经验的工程师一般也很难直接通过这段声音来判断是否有故障。老师傅们则在听到声音后,通过辨别其中蜂鸣声,并将其与大脑中基于多年经验积累的故障/非故障信号进行对比,根据对比结果判断故障类型和定位故障位置。
 
随着产业和科技的高速发展,依靠人的知识和经验驱动系统已经几乎无法满足生产和运营的价值转型需求。相较于人类获取经验和知识的效率,工业人工智能在知识获取的速度、能力的深度和应用的规模化等方面都具有明显的优势,既能提升知识的产生、利用和传承过程效率和规模,又能重新优化生产组织要素的价值链关系,以最优的方式服务最终用户实现业务的发展和创值。
 
03
 
工业人工智能系统的工作过程与老师傅大脑中的分析流程和决策机制类似,以CPS的5C架构作为指导框架进行逐层分解。
 
天泽智云,工业智能实践者
CPS 5C架构
 
首先通过传感器等设备(耳朵)进行原始信号和数据采集,之后清除干扰信号,基于分析将其转变为有用的信息(类似于耳朵在杂乱的环境中自动过滤其他声音,关键听自己关注的信息),再进行镜像建模和知识挖掘(人耳听到的已过滤的信息与大脑中已有的基于经验的信息作对比),将其转变为“支持决策的知识”(判断结果和故障定位),最后通过可视化界面与人类协同,同步到其他系统指导执行。
 
以轨交车辆的轴箱轴承故障预测与健康管理为场景,具体分解流程如下:


 
▽ 基于CPS架构的工业人工智能系统 ▽
 
Connection智能感知层——统一的数据环境
 
由于车辆运行现场声源很多,如果想更准确的判断问题,我们需要从物理层面将声音还原为振动信号,通过传感器等方式采集数据,并在边缘端进行处理,将“原始数据”变为“规范的数据”。
 
在智能连接层的感知过程中,如果不加以侧重和筛选,屏蔽掉无用信息和噪声,同时强化关联数据的收集,则会严重影响分析的效率和准确性。所以首先要对采集到的原始数据进行清洗,筛选出真正有用的数据,建立支持CPS上层建筑的数据环境基础。
 
 ▽
Conversion信息挖掘层——隐性问题显性化
 
轴箱轴承的运行工况非常复杂,振动源多、噪声大、转速多变,这些因素将导致常规的时域分析和频域分析难以奏效。需要将采集到的信号结合行业特征与领域知识,引入特定的行业分析方法,让杂乱的数据变得有可读性,将“规范的数据”变成“有用的信息”。可使用的方法举例如下:
 
阶次跟踪算法:将等时间采样的信号转换为等旋转角度采样的信号,将频谱(Hz)转化为阶次谱(order),从而避免了转速波动对轴承故障诊断的影响。
 
包络谱分析:包络谱对短时冲击信号更为敏感,通过包络谱可以有效的增强旋转机械振动信号的信噪比,检测到在原始信号频谱上很难发现的轴承故障特征频率成分。
 
通过对包络信号进行阶次跟踪重采样,将包络信号转换成等角度采样信号,对重采样的包络信号再进行FFT变换,最终得到的是针对信号的包络阶次谱。
 
Cyber智能网络层——镜像建模和知识挖掘
 
通过对运行历史数据中的关联性和逻辑性进行挖掘,结合行业机理的特征提取分析算法,产生能够支持决策的制造知识,形成实体的镜像对称模型和大数据环境。
 
在此过程中对管理对象的镜像模型进行集群监测,管理每一个车载运行的模型终端,将“对数据的洞察”变为“支持决策的知识”。当产生了新的知识后,再进行优化和迭代。以此实现“一机一模型”,即对每一个设备,都可以利用其自己产生的数据开发针对其最有效的模型。
 
Cognition智能决策层——对状态的识别和决策
 
对上面所获得的信息进行进一步的分析和挖掘,基于对处理后信号的洞察和知识的判断,即可完成故障和状态的精准识别。根据此方法可判断出之前大家听到的音频中轴箱轴承存在外圈故障。
 
Configuration智能执行层——系统的动态优化和重构
 
得到分析结果后,通过可视化界面直观地显示出来,并同步到设备的运行和企业资源运营的执行系统中,比如大数据报表系统,以及跟ERP系统对接,实现从信息到决策的流程协同并支持工作人员可执行操作的完整闭环。


工业人工智能系统通过以上五层的整个过程将领域经验固化为工业智能资产,通过机器学习对模型分类,实现对各类轴承故障的自动实时诊断,结合人机交互技术,帮助新上手的技术人员如同有老师傅的贴身指导一般,能够快速掌握专业技能和智慧。
 
 
04
 
我们可以用下图来概括工业智能与专家经验、机器学习和专家系统之间的区别。
 
天泽智云,工业智能实践者
专家经验指技术人员必须经过长期实践后所获得的经验,这种经验在传承性方面存在巨大挑战,会随着时间的推移由于人员的离开而消失。
 
专家系统的性能的提升需要人为定期对系统进行升级更新。
 
一般的人工智能与机器学习所开发的系统在面对多变的工况和多元化的数据时,系统的鲁棒性不足。
 
工业人工智能系统则融合工业领域知识、智能建模技术及计算机科学,基于多方位学习,具有系统性、标准化、流程化、敏捷性和可持续传承性,能够稳步提升系统性能,实现“制造智慧”的可持续传承。
 
Reference:
[1] 李杰(Jay Lee)等,《工业人工智能》,上海交通大学出版社
天泽智云logo

推荐文章