400-608-2558
029-86698003
400-608-2558
029-86698003
伴隨裝備制造業(yè)的不斷革新，產(chǎn)生了自主維修、狀態(tài)檢修等新型設(shè)備健康管理模式，極大地推進(jìn)了設(shè)備健康管理的創(chuàng)新與發(fā)展。而這些新模式的基礎(chǔ)和核心就是故障預(yù)測(cè)與健康管理（Prognostics and Health Management, PHM）技術(shù)。
一、什么是PHM？
PHM技術(shù)是指釆用傳感器信息、專家知識(shí)及維修保障信息，借助各種智能算法與推理模型進(jìn)行設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)、預(yù)測(cè)、判別以及管理，實(shí)現(xiàn)低虛警率的故障檢測(cè)與隔離，解決傳統(tǒng)維修過(guò)程中存在的“維修不足”及“維修過(guò)?！钡葐?wèn)題，有效提高設(shè)備的可用性、減少保障費(fèi)用，并最終達(dá)到設(shè)備狀態(tài)的智能維護(hù)及智能任務(wù)規(guī)劃的目的。
PHM 技術(shù)將設(shè)備管理與運(yùn)維從事后維修、計(jì)劃?rùn)z修推向了狀態(tài)檢修階段，提供故障從發(fā)現(xiàn)到解決全過(guò)程一體化方案。核心功能包括：狀態(tài)監(jiān)測(cè)、故障預(yù)測(cè)、原因分析、策略匹配、計(jì)劃保障、維修輔助、維修保障等。
二、統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)在PHM的應(yīng)用
為保障系統(tǒng)功能的精準(zhǔn)性與高效性，以統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)等大數(shù)據(jù)挖掘技術(shù)為代表的故障預(yù)測(cè)與診斷方法逐漸被應(yīng)用于PHM領(lǐng)域，快速推進(jìn)了PHM 技術(shù)的發(fā)展。
相關(guān)技術(shù)和方法包括統(tǒng)計(jì)分析、概率推理、分類預(yù)測(cè)、綜合評(píng)價(jià)等，已經(jīng)在實(shí)時(shí)狀態(tài)監(jiān)控、故障判別、健康預(yù)測(cè)及輔助決策等多個(gè)場(chǎng)景得到應(yīng)用和落地，并取得了非常不錯(cuò)的效果。
1、實(shí)現(xiàn)設(shè)備的多層級(jí)監(jiān)控預(yù)警
監(jiān)控狀態(tài)是設(shè)備健康管理體系中重要的一環(huán)，設(shè)備狀態(tài)監(jiān)測(cè)需要對(duì)設(shè)備運(yùn)行參數(shù)、運(yùn)行狀態(tài)等數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控和預(yù)報(bào)警推送。
目前，設(shè)備的安全預(yù)警閾值更多是依賴人工經(jīng)驗(yàn)對(duì)設(shè)備當(dāng)前監(jiān)控指標(biāo)設(shè)定安全警戒線，缺乏科學(xué)的依據(jù)，容易出現(xiàn)由于預(yù)警值設(shè)定較低導(dǎo)致虛警率過(guò)高問(wèn)題，或是因?yàn)樵O(shè)置預(yù)警閾值過(guò)高，導(dǎo)致報(bào)警時(shí)就已經(jīng)發(fā)生了不可逆的故障。
基于這種情況，企業(yè)期望在傳統(tǒng)經(jīng)驗(yàn)預(yù)警的基礎(chǔ)上加入更加科學(xué)的數(shù)據(jù)分析方法，實(shí)現(xiàn)多級(jí)預(yù)警。
基于統(tǒng)計(jì)分析實(shí)現(xiàn)科學(xué)的閾值劃分
通常設(shè)備出廠設(shè)定的閾值叫做其安全預(yù)警，也是多級(jí)預(yù)警體系中的一級(jí)預(yù)警。在此基礎(chǔ)上，可以通過(guò)數(shù)據(jù)分析的方法來(lái)構(gòu)建二級(jí)預(yù)警，二級(jí)預(yù)警的解決思路是運(yùn)用異常檢測(cè)的方法，對(duì)歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，形成靜態(tài)或動(dòng)態(tài)工況的參數(shù)閾值。
此類方法常見的有基于箱線圖的異常檢測(cè)、基于分位數(shù)的異常檢測(cè)、基于Z-Score的異常檢測(cè)以及基于拉依達(dá)準(zhǔn)則的異常檢測(cè)等。在實(shí)際使用過(guò)程中，可以通過(guò)模型的不斷更新來(lái)生成動(dòng)態(tài)參數(shù)閾值，這樣做的好處是使得參數(shù)更加符合設(shè)備當(dāng)前的運(yùn)行狀況。
比如，我們?cè)谄啓C(jī)設(shè)備監(jiān)測(cè)預(yù)警過(guò)程中，針對(duì)主汽母管溫度閾值的確定，使用了基于箱線圖的異常檢測(cè)方法。如下圖左側(cè)是箱型圖方法，右側(cè)是基于這種方法得出的閾值。與設(shè)備根據(jù)經(jīng)驗(yàn)確定的一級(jí)預(yù)警值共同提供預(yù)警服務(wù)，圖中不連續(xù)的點(diǎn)是因?yàn)椴⑽磳?duì)全部的工況進(jìn)行劃分，這主要是考慮到數(shù)據(jù)量的因素。
基于回歸預(yù)測(cè)實(shí)現(xiàn)異常提前發(fā)現(xiàn)
設(shè)備狀態(tài)監(jiān)測(cè)指標(biāo)為運(yùn)維人員提供當(dāng)前的設(shè)備運(yùn)行情況，但如果設(shè)備出現(xiàn)狀態(tài)異常時(shí)，比如已經(jīng)或即將達(dá)到設(shè)備故障的臨界點(diǎn)，則留給運(yùn)維人員的維修時(shí)間較少，因此，需要提前對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行異常預(yù)警。
關(guān)于設(shè)備運(yùn)行狀態(tài)的指標(biāo)預(yù)警，主要是對(duì)各個(gè)運(yùn)行指標(biāo)進(jìn)行預(yù)測(cè)。其中，不但要考慮指標(biāo)自身變化，還需要考慮其它指標(biāo)變化對(duì)該指標(biāo)的影響。
針對(duì)這類問(wèn)題，常用回歸預(yù)測(cè)方法進(jìn)行建模預(yù)測(cè)，包括線性回歸、嶺回歸、SVR、梯度提升回歸樹、XGboost回歸等等。而關(guān)于回歸算法的選擇，可以嘗試多種算法進(jìn)行預(yù)測(cè)與對(duì)比，并從中選取誤差較小的一種算法。當(dāng)然，在指標(biāo)選擇時(shí)還會(huì)運(yùn)用到相關(guān)分析、方差分析等方法進(jìn)行指標(biāo)選取。
以汽輪機(jī)上“低溫省煤器入口溫度”預(yù)測(cè)為例，通過(guò)相關(guān)指標(biāo)分析確定影響該指標(biāo)的因素有發(fā)電機(jī)功率、鍋爐給水流量、主汽門蒸汽壓力、冷段再熱母管蒸汽壓力。同時(shí)，確定上述指標(biāo)與目標(biāo)指標(biāo)之間的時(shí)間差，并基于此來(lái)構(gòu)造200多個(gè)指標(biāo)，然后運(yùn)用線性回歸、嶺回歸、SVM回歸、XGBoost回歸四種方法進(jìn)行建模預(yù)測(cè)，其中XGBoost回歸效果最佳。
值得一提的是，隨著預(yù)測(cè)時(shí)間長(zhǎng)度的變化，預(yù)測(cè)準(zhǔn)確度評(píng)判指標(biāo)R方有一個(gè)衰退趨勢(shì)，在這組數(shù)據(jù)預(yù)測(cè)中，預(yù)測(cè)近1分鐘的數(shù)據(jù)R方為0.97，10分鐘的值R方衰退到0.91,30分鐘R方衰退到0.78。在實(shí)際使用中需要根據(jù)業(yè)務(wù)需要確定預(yù)測(cè)時(shí)間范圍，同時(shí)，如何減緩衰退也是模型要改善的目標(biāo)之一。
基于歷史趨勢(shì)擬合實(shí)現(xiàn)異常預(yù)警
對(duì)于結(jié)構(gòu)相對(duì)簡(jiǎn)單，或可變參數(shù)相對(duì)較少的設(shè)備，由于其指標(biāo)之間相互沒(méi)有影響，在進(jìn)行故障預(yù)警多圍繞單個(gè)指標(biāo)進(jìn)行分析。這里，可以根據(jù)歷史故障發(fā)生前后指標(biāo)的變化進(jìn)行趨勢(shì)的擬合，再以擬合好的公式對(duì)新的數(shù)據(jù)進(jìn)行判斷，提前發(fā)現(xiàn)異常。
比如，在判斷動(dòng)車上牽引變流器冷卻系統(tǒng)濾網(wǎng)是否堵塞的故障時(shí)，冷卻系統(tǒng)油溫/水溫變化就是一個(gè)非常關(guān)鍵的指標(biāo)，我們可以對(duì)濾網(wǎng)清理后到堵塞前這段時(shí)間的溫度變化進(jìn)行擬合。它們之間的關(guān)系可以是線性也可以是非線性的，根據(jù)實(shí)際情況進(jìn)行選擇，但注意在選取數(shù)據(jù)的時(shí)候一定是要選擇在相同工況下的數(shù)據(jù)，同時(shí)對(duì)于不同次故障前指標(biāo)的變化需要進(jìn)行無(wú)量綱處理。
進(jìn)一步地，對(duì)兩次濾網(wǎng)堵塞情況（一次輕微堵塞、一次嚴(yán)重堵塞）在上次清理到堵塞前的數(shù)據(jù)進(jìn)行對(duì)齊處理，通過(guò)對(duì)指標(biāo)標(biāo)準(zhǔn)化后，選擇指數(shù)擬合、logistic擬合、二次擬合、增長(zhǎng)擬合等多種方法進(jìn)行擬合，然后通過(guò)誤差分析來(lái)選擇最好的一種擬合算法。
在模型擬合好之后，再將輕微堵塞和嚴(yán)重堵塞兩種情況分別在曲線上進(jìn)行標(biāo)注，這時(shí)輕微堵塞的溫度增長(zhǎng)率為0.108，嚴(yán)重堵塞的增長(zhǎng)率達(dá)到0.21，在實(shí)際應(yīng)用中可以在列車運(yùn)行過(guò)程中對(duì)每天的溫度與上一天溫度的變化進(jìn)行預(yù)警，而預(yù)警值要在輕微堵塞之前，比如0.09。
2、實(shí)現(xiàn)智能化故障診斷
前面提到針對(duì)不同指標(biāo)/測(cè)點(diǎn)的監(jiān)測(cè)和分析，可以獲悉單個(gè)指標(biāo)/測(cè)點(diǎn)當(dāng)前是否超出范圍，以及未來(lái)一段時(shí)間的狀況。
在實(shí)際的應(yīng)用過(guò)程中，部分單個(gè)測(cè)點(diǎn)可以直接表征一類故障，但更多時(shí)候，一個(gè)故障的發(fā)生可能會(huì)引發(fā)多個(gè)測(cè)點(diǎn)表現(xiàn)異常。而且，不同的故障可能導(dǎo)致的異常程度不一致。
那么，如何根據(jù)這些異常測(cè)點(diǎn)精準(zhǔn)地定位到具體的故障類型呢？根據(jù)應(yīng)用場(chǎng)景的不同、設(shè)備的不同、采集數(shù)據(jù)類型的不同，有不同的故障診斷方法。
基于多指標(biāo)異常檢測(cè)實(shí)現(xiàn)故障預(yù)警
前面講的都是基于單個(gè)指標(biāo)通過(guò)閾值進(jìn)行異常預(yù)警，在實(shí)際應(yīng)用中，我們會(huì)發(fā)現(xiàn)一種故障對(duì)應(yīng)的異常點(diǎn)可能會(huì)出現(xiàn)多個(gè)，且多個(gè)部位之間有連鎖反應(yīng)，其中的某一個(gè)部位異常不足以說(shuō)明問(wèn)題，需要結(jié)合多個(gè)部位的數(shù)據(jù)綜合判斷才能給出明確的答案。
針對(duì)這類問(wèn)題可以選擇異常檢測(cè)方法，異常檢測(cè)方法一般分為四類：基于統(tǒng)計(jì)的Robust Covariance、基于密度的局部離群點(diǎn)檢測(cè)LOF、基于劃分的Isolation Forest以及基于分類的One-class SVM。
比如，對(duì)于列車齒輪箱溫度故障，僅用一個(gè)軸端溫度不足以說(shuō)明故障的產(chǎn)生，還需要結(jié)合同側(cè)溫差和溫升等數(shù)據(jù)進(jìn)行判斷。這時(shí)，使用異常檢測(cè)算法是一個(gè)不錯(cuò)的選擇。通過(guò)對(duì)比不同算法檢測(cè)出異常的準(zhǔn)確率和召回率，可以實(shí)現(xiàn)多種不同算法之間的比較，以此來(lái)確定哪種算法最優(yōu)。
基于分類預(yù)測(cè)實(shí)現(xiàn)故障診斷
對(duì)于復(fù)雜設(shè)備，由于設(shè)備故障的產(chǎn)生是由多個(gè)因素綜合導(dǎo)致的，在這種情況下，使用傳統(tǒng)方法進(jìn)行判斷的準(zhǔn)確性并不高，還需要綜合考慮各方面的因素進(jìn)行預(yù)測(cè)。同時(shí)，由于設(shè)備故障類型多樣，還需要對(duì)不同的故障分別進(jìn)行分析。在這方面,基于分類的機(jī)器學(xué)習(xí)方法得到了較為廣泛的應(yīng)用。常用的分類算法包括：決策樹算法、隨機(jī)森林分類、梯度提升樹分類、神經(jīng)網(wǎng)絡(luò)、SVM分類、貝葉斯網(wǎng)絡(luò)分類、Xgboost分類等。
比如，在針對(duì)油浸式變壓器進(jìn)行故障的時(shí)候，故障的類型有局部放電故障、高能放電故障、低溫過(guò)熱故障、高溫過(guò)熱故障、油道堵塞故障、絕緣老化故障等等。我們提取設(shè)備運(yùn)行過(guò)程中的油中溶解氣體含量指標(biāo)，包括c2h6、co2、n2、o2、c2h4、ch4、co、h2、c2h2，將故障作為目標(biāo)指標(biāo)進(jìn)行分類模型構(gòu)建。我們?cè)趯?shí)際中使用了梯度提升樹算法、支持向量機(jī)算法和隨機(jī)森林算法，并取得了不錯(cuò)的效果。
基于綜合評(píng)價(jià)實(shí)現(xiàn)設(shè)備健康評(píng)估
在實(shí)際的生產(chǎn)中，大型設(shè)備一般包含多個(gè)關(guān)鍵部件，想要了解整體設(shè)備的健康狀況，可以使用綜合評(píng)價(jià)方法進(jìn)行設(shè)備健康評(píng)估。此方法是基于業(yè)務(wù)理解及設(shè)備構(gòu)造分析,對(duì)設(shè)備關(guān)鍵部件所對(duì)應(yīng)的評(píng)價(jià)指標(biāo)進(jìn)行梳理，從而構(gòu)建綜合評(píng)價(jià)模型，并對(duì)設(shè)備及其各部位進(jìn)行全方位的評(píng)價(jià)。該方法的好處在于，一方面，可以對(duì)設(shè)備進(jìn)行綜合監(jiān)控、及時(shí)預(yù)警；另一方面，可對(duì)設(shè)備發(fā)生異常現(xiàn)象的情況進(jìn)行原因追溯，指導(dǎo)維護(hù)人員快速定位設(shè)備問(wèn)題。
設(shè)備健康狀態(tài)評(píng)估一般使用的指標(biāo)包含幾個(gè)方面：設(shè)備上監(jiān)測(cè)指標(biāo)、設(shè)備部件的消耗情況、設(shè)備生產(chǎn)過(guò)程中的生產(chǎn)效率、產(chǎn)品質(zhì)量、物耗狀態(tài)等。
例如，在對(duì)煙草生產(chǎn)過(guò)程中的某成型設(shè)備進(jìn)行健康狀況綜合評(píng)價(jià)時(shí)，我們構(gòu)建了“評(píng)價(jià)維度-評(píng)價(jià)要素-評(píng)價(jià)指標(biāo)”三級(jí)綜合評(píng)價(jià)體系，從設(shè)備效率表現(xiàn)指數(shù)、產(chǎn)品質(zhì)量放心指數(shù)、設(shè)備物耗評(píng)價(jià)指數(shù)三個(gè)維度進(jìn)行總體評(píng)價(jià)，每個(gè)維度下又分為若干評(píng)價(jià)要素，每個(gè)評(píng)價(jià)要素下分若干個(gè)評(píng)價(jià)指標(biāo)，最終得到設(shè)備健康狀況綜合得分，發(fā)現(xiàn)設(shè)備綜合得分降低后，可以快速追溯到是哪方面的原因?qū)е碌?，便于企業(yè)運(yùn)維人員快速維護(hù)。
基于性能劣化的壽命預(yù)測(cè)
由于觀測(cè)設(shè)備全生命周期內(nèi)的變化非常困難，因此這里說(shuō)的壽命預(yù)測(cè)主要是針消耗類產(chǎn)品或?qū)υO(shè)備上的消耗件/周轉(zhuǎn)件（如輪胎、軸承、刀具、電池、剎車片等），不考慮設(shè)備整體的剩余壽命。此類部件壽命預(yù)測(cè)多是通過(guò)歷史數(shù)據(jù)發(fā)現(xiàn)部件在設(shè)備性能、生產(chǎn)效率、生產(chǎn)質(zhì)量等方面的劣化趨勢(shì)，然后通過(guò)曲線擬合的方式，構(gòu)建部件全生命周期內(nèi)的設(shè)備性能/效率/質(zhì)量趨勢(shì)曲線，進(jìn)而通過(guò)當(dāng)前部件的性能劣化表現(xiàn)，反推其處在生命周期的具體階段。
3、提高故障原因/策略的發(fā)現(xiàn)效率
傳統(tǒng)設(shè)備故障診斷主要依靠人工經(jīng)驗(yàn)進(jìn)行原因分析和策略匹配，企業(yè)在歷史的設(shè)備故障診斷過(guò)程中也沉淀了大量的原因診斷及策略匹配的知識(shí)，那么如何將這些知識(shí)進(jìn)行合理規(guī)整及高效利用？目前，部分企業(yè)已經(jīng)建立了故障相關(guān)的知識(shí)庫(kù)并加以利用，而機(jī)器學(xué)習(xí)在其中發(fā)揮的作用：一是在構(gòu)建知識(shí)庫(kù)的過(guò)程中，提高知識(shí)庫(kù)的構(gòu)建效率；二是在知識(shí)庫(kù)的使用過(guò)程中，提高使用的效率。這里，主要會(huì)用到的文本分類、聚類及相似度等方法。
基于聚類分析實(shí)現(xiàn)知識(shí)庫(kù)快速構(gòu)建
在設(shè)備故障診斷過(guò)程中，診斷知識(shí)庫(kù)的構(gòu)建是非常重要的一個(gè)環(huán)節(jié)，它的結(jié)構(gòu)內(nèi)容合理與否直接影響著診斷效率，但這部分工作也是最難的，這是由于企業(yè)歷史的故障原因、維護(hù)策略等數(shù)據(jù)大多都是人工填寫，而企業(yè)在早期并沒(méi)有建立一個(gè)統(tǒng)一的規(guī)范，從而導(dǎo)致整理現(xiàn)有的故障記錄、構(gòu)建故障知識(shí)體系的難度非常大?；谖谋痉治?聚類的方法能夠很大程度上減少人工工作量，從而提高知識(shí)庫(kù)構(gòu)建的效率。
例如，在構(gòu)建發(fā)動(dòng)機(jī)故障知識(shí)庫(kù)的過(guò)程中，涉及到對(duì)發(fā)動(dòng)機(jī)故障知識(shí)進(jìn)行分類。由于故障數(shù)據(jù)非常多，要想通過(guò)人工實(shí)現(xiàn)，工作量非常大。而通過(guò)文本分類的方法對(duì)所有故障進(jìn)行分詞，然后通過(guò)聚類的方式對(duì)所有故障進(jìn)行劃分，并根據(jù)劃分的結(jié)果對(duì)每一類故障進(jìn)行標(biāo)注，這樣就能夠節(jié)省很多時(shí)間。
基于相似度計(jì)算實(shí)現(xiàn)故障原因/策略精準(zhǔn)匹配
由于觀測(cè)設(shè)備全生命周期內(nèi)的變化非常困難，因此這里說(shuō)的壽命預(yù)測(cè)主要是針消耗類產(chǎn)品或?qū)υO(shè)備上的消耗件/周轉(zhuǎn)件（如輪胎、軸承、刀具、電池、剎車片等），不考慮設(shè)備整體的剩余壽命。此類部件壽命預(yù)測(cè)多是通過(guò)歷史數(shù)據(jù)發(fā)現(xiàn)部件在設(shè)備性能、生產(chǎn)效率、生產(chǎn)質(zhì)量等方面的劣化趨勢(shì)，然后通過(guò)曲線擬合的方式，構(gòu)建部件全生命周期內(nèi)的設(shè)備性能/效率/質(zhì)量趨勢(shì)曲線，進(jìn)而通過(guò)當(dāng)前部件的性能劣化表現(xiàn)，反推其處在生命周期的具體階段。
維修人員在設(shè)備故障定位及維修過(guò)程中，由于經(jīng)驗(yàn)的缺乏可能會(huì)導(dǎo)致故障的排查和處理速度較慢，針對(duì)此類情況，企業(yè)會(huì)建立輔助排故系統(tǒng)來(lái)幫助維修人員快速的定位故障原因和匹配策略。具體來(lái)說(shuō)，通過(guò)對(duì)問(wèn)診過(guò)程中獲取的設(shè)備現(xiàn)象描述與故障知識(shí)庫(kù)中現(xiàn)有的故障現(xiàn)象、原因進(jìn)行匹配，發(fā)現(xiàn)與當(dāng)前設(shè)備現(xiàn)象相似的故障，將歷史原因及解決措施進(jìn)行推薦，幫助用戶快速解決問(wèn)題。相似度計(jì)算的方法包括歐氏距離、皮爾遜相關(guān)系數(shù)、余弦相似度、廣義Jaccard相似系數(shù)。
例如，對(duì)汽輪機(jī)設(shè)備進(jìn)行輔助排故的過(guò)程中，通過(guò)數(shù)據(jù)的自動(dòng)采集獲取到設(shè)備當(dāng)前運(yùn)行狀態(tài)數(shù)據(jù)，明確部分指標(biāo)發(fā)生異常，但是無(wú)法定位到具體原因，這時(shí)可以通過(guò)對(duì)當(dāng)前設(shè)備運(yùn)行狀態(tài)與歷史發(fā)生的異常情況進(jìn)行相似性計(jì)算來(lái)定位原因。
通過(guò)對(duì)設(shè)備當(dāng)前運(yùn)行狀態(tài)與歷史異常情況進(jìn)行相似度分析，發(fā)現(xiàn)當(dāng)前設(shè)備運(yùn)行狀況與歷史編號(hào)為“9890”的異常情況相似度最高，對(duì)此我們可以將“9890”對(duì)應(yīng)的故障原因、排查步驟、維修策略等歷史知識(shí)推送給維修人員，提升維修效率。
三、結(jié)束語(yǔ)??
本文介紹了幾種常用的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)分析方法在設(shè)備故障診斷中的應(yīng)用，我們稱之為基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷。在實(shí)際設(shè)備故障診斷過(guò)程中，除了使用數(shù)據(jù)驅(qū)動(dòng)的方法，還需要結(jié)合設(shè)備機(jī)理知識(shí)、專家經(jīng)驗(yàn)知識(shí)等對(duì)設(shè)備健康狀況進(jìn)行綜合分析。
此外，在數(shù)據(jù)驅(qū)動(dòng)的診斷過(guò)程中也會(huì)存在一些特殊的數(shù)據(jù)處理及分析方法，例如針對(duì)信號(hào)類數(shù)據(jù)（設(shè)備上的震動(dòng)、聲音、電流等）采用信號(hào)處理方法進(jìn)行故障判斷。當(dāng)然，還有一些設(shè)備故障判斷的方法，如曲線相似度法、歷史數(shù)據(jù)包絡(luò)算法、特征相似度法，受篇幅的限制，我們會(huì)在今后的文章中再跟大家詳細(xì)分享。
隨著企業(yè)對(duì)生產(chǎn)過(guò)程智能化要求的提高，設(shè)備健康管理將越來(lái)越受重視。同時(shí)，伴隨數(shù)據(jù)采集的全面性，基于數(shù)據(jù)驅(qū)動(dòng)的方法在故障診斷中發(fā)揮的作用將會(huì)越來(lái)越大。利用機(jī)器學(xué)習(xí)基本知識(shí)，探索/組合新的智能化模型，更加高效、準(zhǔn)確的解決異常預(yù)警、故障發(fā)現(xiàn)、原因分析、策略匹配等設(shè)備運(yùn)行維護(hù)過(guò)程中的問(wèn)題，是企業(yè)數(shù)據(jù)分析人員的責(zé)任，是企業(yè)智能化必經(jīng)之路。
陜公網(wǎng)安備 61019002000171號(hào)
友情鏈接
