Üç Örnek Olay İncelemesi: Endüstriyel Zeka Oluşturmak için IoT Verileri Nasıl Kullanılır | Zor Yaratılış Açık Kursu
Nesnelerin İnterneti ve Endüstri 4.0'ın yükselişi sayesinde, son yıllarda birçok şirket Nesnelerin İnterneti aracılığıyla veri toplama, izleme ve görüntüleme için platformlar oluşturdu. Verileri akıllıca yükseltmek için en son makine öğrenimi algoritmalarını kullanmak gibi derinlemesine veri uygulamaları için, endüstriyel kullanıcıların dijital dönüşümü gerçekleştirmesinin tek yolu budur.
Mevcut trendden yola çıkarak, yapay zekanın sıcak alanları dil, görüntü etkileşimi veya iş uygulamalarında yoğunlaşmıştır. Endüstriyel alan için, Nesnelerin İnternetinden elde edilen veri akışına dayalı olarak verimlilik iyileştirmeleri elde etmek için yapay zeka nasıl kullanılır? Bu verileri kullanma sürecinde, çukurlara adım atmaktan nasıl kaçınılır ve plan sorunsuz bir şekilde uygulanır? Bu, endüstrinin çözmesi gereken bir sorundur. Bu nedenle, bu zorlu açık sınıfta Leifeng.com, endüstriyel zeka oluşturmak için IoT verilerinin nasıl kullanılacağını açıklaması için Jueyun Technology CEO'su Chang Wei'yi davet etti.
Konuk tanıtımı
Bay Chang Wei, Jueyun Technology'nin kurucusu ve CEO'sudur. Jueyun Technology'nin kurulmasından önce Microsoft Shanghai'dandı. IoT çözüm departmanının başındaydı. Bulut tabanlı IoT hizmet bileşenlerinin tasarımından ve tanıtımından sorumluydu. Azure'ın PaaS ve SasS hizmetleri Çin'de uygulanarak bulut veri erişimi, protokol dönüştürme, hizmet dağıtımı, platform entegrasyonu, analiz ve görüntüleme sağlar. Başlıca müşteriler arasında Shanghai Qoros, China Ford, China GM ve diğer şirketler bulunmaktadır.
Aşağıdaki içerik bu genel sınıftan derlenmiştir ve Leifeng.com değişmeyen bir düzenleme yapmıştır:
İnternetten Nesnelerin İnternetine, bazı problemler veriler aracılığıyla çözülebilir.
Bilgi çağında veriden bilgiye, oradan da istihbarata kadar bir süreçten geçtik, iş ve sanayi alanlarında da büyük miktarda bilgi veya veri bulunduğuna ve bu verilerin değerinin sektör tarafından kullanılması gerektiğine inanıyoruz. Zeka sorununu çözmek için piramidin tepesine gidin.
Herkesin yaygın olarak gördüğü şey, konuşma tanıma, görüntü tanıma vb. Gibi etkileşimli zekadır. Kuşkusuz, bu şu anda çok popüler bir konudur, ancak günümüzün içeriği esas olarak endüstriyel alana, endüstriyel sorunları çözmek için endüstriyel zekanın nasıl kullanılacağına odaklanmaktadır.
Algoritma temeldir
Bu resimde birkaç yaygın algoritma, sınıflandırma, regresyon, öneri, aykırı değer tespiti ve kümeleme listelenir. Sınıflandırma esas olarak farklı grupları ayırt etmek için kullanılır. Gerileme, esas olarak, bir cihazın ne zaman arızalandığını tahmin etmek gibi tahmin etmek için kullanılır; önerinin ana çözümü, kullanıcı A ürününü satın aldıktan sonra, ürün B veya C'nin önerilebilmesidir; anormal nokta tespiti esas olarak Geçmişi olmayan bir vektör kümesindeki anormallikler nasıl bulunur?
Bu algoritmalar zaten mevcuttur ve bizim görevimiz bu algoritmaları ticari uygulamalara veya endüstriyel uygulamalara uygulamak için kullanmaktır.
Endüstriyel Nesnelerin İnterneti, veri iletimi, toplama, iletişim ve platform ekranı dahil olmak üzere geniş bir kapsama sahiptir. Jueyun şu anda endüstriyel algoritmalar ve modüller yapıyor. Bu, endüstriyel Nesnelerin İnternetinin orta konumundadır, yani endüstriyel alanda kaybolan verileri aldıktan sonra, sonucu elde etmek için akıllı analizler gerçekleştirecek ve daha sonra bunu kurumsal uygulama sistemi ile entegre edecektir.
Endüstriyel zeka nasıl yapılır?
Endüstriyel zekada, genellikle kullanılan veriler akış verileridir ve toplanan verilerin çoğu, ekipmanla ilgili değişkenler olan pompalar, dişli kutuları ve takım tezgahları gibi ekipman tarafı verilerinden gelir.
Verilerin toplanmasının ardından algoritma modeli modelleme ve değerlendirme için kullanılabilir, değerlendirme sonrasında müşterilere kestirimci bakım, enerji verimliliği yönetimi ve kalite yönetimi sağlanabilir.
Farklı iş alanları için algoritma modelleri sağlayın, bu algoritma modelleri bazı sonuçları da beraberinde getirecektir. Son olarak, farklı dağıtım yöntemleri olacaktır. İki tür vardır: Birincisi, sonuçların mevcut ekipman yönetim sistemi platformuna yerleştirilmesi ve ikincisi, bir takım tezgahı teşhis modülü gibi bir SaaS hizmet platformunun inşa edilmesidir.
Büyük veri analizi projesinin temel süreci
Endüstriyel büyük veri analizi, yalnızca geçen bir veya iki yılda endüstriyel Nesnelerin İnternetinden sonra ortaya çıktı. Şu anda Jueyun, sektördeki mevcut deneyime ve bilgi birikimine dayanmaktadır ve 8 hafta içinde devreye alınabilir.
Bu dönemde, esas olarak iki ana görev yapıldı: ilk aşama, veri içe aktarma, veri temizleme ve temel görselleştirme dahil olmak üzere veri hazırlama; ikinci bölüm, özellik ve algoritma seçimi, model testi ve değerlendirmeyi içeren veri modellemedir. Bu iki ana görev, daha sonra gerçek vakalarla birlikte analiz edilecektir.
Bu iki kısım iş tamamlandıktan sonra veri işlemidir. Yukarıdaki model, görselleştirmeden sonra mevcut bir platforma veya SaaS hizmet bulutuna dağıtılacaktır. Bu bölümde uygulama dağıtımı, puan ölçümü ve ölçüm göstergeleri gibi günlük işlemler gereklidir.Sonunda ilk aşamaya geri beslenecektir. Algoritma statik değildir. Veri birikimi ve hata ayarı ile birlikte İlk aşamaya geri dönün. Yani aslında, algoritma bulutta veya yerel olarak kendi kendine öğrenen bir algoritmadır ve veri birikimi ile daha akıllı hale gelecektir.
Durum çalışmaları
1. Asansörlerin kestirimci bakımı
Asansörler büyük miktarda ekipmandır ve güvenlik ve kalite açısından yüksek gereksinimleri vardır. Asansörlerin akıllı dönüşümünde üç aşama vardır.
İlk aşama, güvenlik izlemeye odaklanır, özellikle Toshiba ve Hitachi gibi Japon şirketleri, otobüs sistemi aracılığıyla asansör operasyonunun gerçek zamanlı verilerini toplar ve önceden tanımlanmış eşiklere (maksimum hız gibi) göre alarmlar verir.
İkinci aşama, Mitsubishi Elevator'ın geçmiş verileri depolaması ve ardından delik sayısı ve çalışma süresi hakkında istatistikler yapmasıdır. İstatistikler, asansörün sağlığını tahmin etmek için veri analizini ifade eder. İlk aşama ve ikinci aşama, analiz için temel olarak geçmiş verileri veya manuel istatistikleri kullanır.
Üçüncü aşama akıllı tahmindir.Bu aşamada, motor barası ve harici sensörler aracılığıyla gerçek zamanlı veriler toplanabilir.Bu veriler, sistem seviyesinden arızaları ve enerji tüketimini analiz edebilir. Aynı zamanda bu verilerin birikmesi ile bir onarım uzman sistemi kurulabilir, OTIS ve ThyssenKrupp gibi firmalar zaten işin bu kısmını yapıyor.
Gartner bir keresinde ThyssenKrupp'un çözümü hakkında yorum yapmıştı: Asansörlerin kestirimci bakımı için ilk çözümdür. Kalifiye işçilere bunun nasıl korunacağını söyleyebilir. Thyssen, Kuzey Amerika'da faaliyet gösteren toplam bir milyon asansöre sahip bir Alman üst düzey asansör şirketidir. Thyssen, Microsoft ve CGI ile işbirliği yapmaktadır.Nesnelerin İnterneti izleme platformu BlueBox aracılığıyla veriler gerçek zamanlı olarak buluta yüklenebilir, bulutta veri depolama ve analiz yapılabilir ve son olarak terminale görüntülenebilir, böylece satış sonrası ekip asansör durumunu önceden bilebilir. Kesinti süresi yarı yarıya azaltılabilir.
Birçoğu gerçek zamanlı izleme gerçekleştirebilse de, büyük verilerin yapması gereken şey, gerçek zamanlı analiz için bulutu kullanmaktır.
Bu resim, belirli bir konumdaki belirli bir asansörün sağlığını göstermektedir. Şekilden de görülebileceği gibi, bu ekipmanın sağlık endeksi% 70 olup, sıcaklık, asansör hızı ve asansör kapısı kapanma süresi vb. Toplanır ve bu değerlerin kapsamlı bir değerlendirmesiyle asansörün sağlık değerini puanlar.
Bir sonraki adım gerçek zamanlı tahmindir. Bu asansör değişkenleri toplandıktan sonra analiz yoluyla bir tahmin yapılabilir ve ardından personele ekipmanın birkaç gün içinde arızalanacağı bildirilir.
Bu, Thyssen Elevator'un uygulama mimarisidir
Şekilden de görülebileceği gibi, BlueBox verileri aldıktan sonra, ön uç işleme ve depolama gerçekleştirir. Aslında bu aşamada depolama kolay değildir.Akış verilerinin toplanması, görüntülenmesi ve analizi yüksek veri kalitesi gerektirir. Ayrıca, gerçek zamanlı izlemeyi değerlendirmek için makine öğrenimi de kullanılabilir.
Büyük veri analizi için başlangıç noktası, kullanıcının sorunlu noktalarını çözmektir.Geleneksel etkileşimli deneyimin yapay zekası ile karşılaştırıldığında, endüstriyel Nesnelerin İnterneti arasındaki en büyük fark, endüstriyel zekanın görüntü sorununu çözmesidir. Öngörücü bakım, müşterilerin erken uyarıda bulunmalarına, stoklamalarına ve işçilik maliyetlerini azaltmalarına yardımcı olabilir; yeni güvenilirlik standartları oluşturabilir; gerçek zamanlı izleme, asansör sağlayıcılarına, işletmelere ve kullanıcılara güvenlik sağlayabilir.
2. Şanzımanın kestirimci bakımı
Bir asansör gibi, dişli kutusu da bir motor, bir redüksiyon kutusu, bir sürücü ve bir tel halattan oluşan eksiksiz bir ekipmandır. Eksiksiz bir ekipman setinin kestirimci bakımı, eksiksiz bir ekipman setinin yaşam döngüsünü tahmin etmekle ilgili değildir.Sonuçta, soruna odaklanmak için sistemin bileşenleri üzerinde kestirimci bakım yapmakla ilgilidir.
Bu, genel analiz çerçevesidir
Veri kaynağı, alarm verileri, analog veriler (akım, gerilim, sıcaklık, vb.), Dijital veriler (anahtar konumu), etiket açıklaması dahil olmak üzere müşteriden gelir. Verileri aldıktan sonra, verileri buna göre saklamanız ve analiz etmeniz gerekir. Burada esas olarak iki çalışma bölümü vardır: 1. Görselleştirme Ana amaç problemin zaman dağılımını bulmaktır.Şekilden topladığımız veri miktarının 175M analog veri, 10M dijital veri ve 1740 alarm geçmişi kaydı ile çok büyük olduğunu görebiliriz. Makale. .
Daha sonra makine öğrenimi ile modelleyin, hata modelini analiz edin ve analizden sonra hata tahmininin sonuçlarını görselleştirme aracına aktarın.
Önceki durumda, bu sorunların her birinin sıklığının farklı olduğunu bulduk. Dişli kutusunun aşırı ısınması normal bir sorundur. 5 ayda toplam 1.340 vaka meydana geldi, bu toplam arızaların% 77'sini oluşturuyor.Bu tür sorunlar doğru bir şekilde tahmin edilebilirse, sorunların çoğu çözülebilir.
Ek olarak, bazı sorunların da ilişkili olduğu, örneğin şanzımanın aşırı ısınmasının başka sorunlara neden olacağı unutulmamalıdır. Şanzıman aşırı ısınma sorunu bir gün özellikle yoğunlaştığında, veri modelleme, özellik analizi ve özellik mühendisliği için çok yararlı olan nedenleri analiz etmemiz gerekir.
Verileri aldıktan ve analiz ettikten sonra, bir sonraki iş projeyle ilgilenmektir.
Endüstriyel zeka verilerinin bir özelliği vardır: düşük boyutlu ve yüksek frekanslıdır, çok fazla boyutu yoktur (satın alma davranışı tahmininin birkaç değişkenine kıyasla), ancak sıklığı çok yüksektir ve her saniye toplanır. Bu nedenle, karşılık gelen işleme yöntemlerine ihtiyacımız var: toplam sensör verileri, maksimum, minimum, medyan, standart sapma, vb. Asıl amaç, başlangıç değişkenlerini zenginleştirmek ve değişkenler ne kadar fazlaysa, tahminin doğruluğu o kadar yüksek olur.
Sonra veri modelleme var. Arıza tahmini için, özellikle sınıflandırma ve anormallik tespitinde çok sayıda model seçtik. Sınıflandırma, ikili sınıflandırma, regresyon, çok sınıflı sınıflandırma ve anormal nokta tespitini kullanacak olan ekipmanın kırılıp kırılmayacağını söylemektir.
Modelleme sonrası model değerlendirme
Bu resim, önümüzdeki 5 saat içinde şanzımanın aşırı ısınma olasılığını tahmin etmek için ücretsiz bir algoritma paketindeki değerlendirmeyi göstermektedir. Sağ alt köşe, tahmin edilen karşılaştırma değeridir (lojistik regresyon, gelişmiş karar ağacı, karar ağacı, destek vektör makinesi):
Nihai değerlendirmede, gelişmiş karar ağacı algoritması, doğruluk ve hassasiyette iyi bir performansa sahiptir, bu nedenle son seçim, bu hesaplamayı şanzıman aşırı ısınmasının bir tahmini olarak kullanmaktır.
Son olarak, model dağıtımı. Modeli tamamladıktan sonra, çıktı sonucu, vites kutusunun önümüzdeki 5 saat içinde aşırı ısınma olasılığı gibi bir kayıttır. Bundan sonra, üç seçenek vardır: Birincisi yerinde bakım iş emri sistemi ile arayüz oluşturmak, ikincisi sonuçları sistem izleme platformuna göndermek ve ayrıca yönetim personeline e-posta hatırlatıcıları göndermek.
Mevcut bakış açısıyla veri toplama yapabilen firmalar genellikle böyle bir bakım iş emri sistemi platformuna sahiptir.
Dişli kutularının zekası, müşterilere temel olarak değerin dört boyutunu getiriyor: ekipman ve personelin üretkenliğini artırmak; arıza süresini azaltmak ve müşteri memnuniyetini artırmak; akıllı bir terminal oluşturmak ve yeni bir değer sistemi oluşturmak.
Ek olarak, bu durum aynı zamanda bir sonuç çıkarır: Eksiksiz bir ekipman seti yapmak istiyorsanız, tahmin yapmak için bileşenlerden başlamalısınız.
3. Tahmine dayalı modeller aracılığıyla araç arızası tahmini
Endüstriyel imalatta, takım tezgahlarının temel sorunu takım sorunudur. Aslında diş insan için olduğu gibi takım da takım tezgahına aittir.Eğer takımla ilgili bir sorun önceden tespit edilebilirse, en kısa sürede tamir edilebilir.
Sorun ortaya çıkarsa, onarım zaten atık üretmiş olacak ve bu da daha büyük kayıplara neden olacaktır.
Yukarıdaki şekil, bir şirketin, akım ve voltaj dahil olmak üzere kontrolör aracılığıyla farklı takım tezgahlarının çalışmasıyla ilgili verileri topladığını göstermektedir. İşte birkaç ilke: Takım ömrünü etkileyen birçok değişken olduğundan, tahmin etmek için yapay zeka algoritmalarına ihtiyaç vardır; ayrıca, yıllar süren deneyim eğrisi ile birleştirilebilir; takım ömrü doğrusal olmayan bir ilişkidir ve gerçek zamanlı verilerle çevrimiçi olarak öğrenilmelidir.
Akıllı bir takım tezgahı ekipman yönetim sistemi oluşturmak için büyük veri algoritmalarını uyguladıktan sonra, veri modellemeye dayalı olarak iki ana konuya bölünecektir: Birinci tür, aracın başarısız olup olmayacağı ve ikinci tür, arızanın ne sıklıkta meydana geldiğidir.
İlk problem türü için, çözmek için sınıflandırma modellerini kullanın, örneğin, bize kötü olup olmayacağını söylemek için lojistik regresyon, karar ağacı veya sinir ağını kullanmayı seçin ve kötüye giderse bir sonraki soruya gelin. Arızaların ne sıklıkla meydana geleceğini tahmin etmek için, karar ağaçları, Poisson regresyonu, sinir ağı regresyonu, vb. Esas olarak ekipman sağlayıcılara ekipmanın ne kadar süre başarısız olacağını söylemek için kullanılır.
sonuç olarak
Daha önce gördüğümüz akıllı algoritmalar ağırlıklı olarak iş veya interaktif alanlara odaklanmıştı, şimdi ise endüstriyel alana akıllı algoritmalar getirmeye çalışıyoruz.
Endüstriyel zekada, problemleri çözmek için kullanılan algoritma sistemi temel olarak üç kategoriye ayrılır: Birincisi, fiziksel kayba dayalı ekipman için en etkili algoritma olan kestirimci bakım; ikincisi enerji verimliliği yönetimi; üçüncüsü Kalite kontrol.
Harika Soru-Cevap
S: Proses endüstrisi üretim ortamında üretim ekipmanı arıza tahmini için, veri toplama ve özetleme aşamasında hangi faktörlerin dikkate alınması gerekiyor? Veya hangi veri girişi gerekli?
C: İki problem seviyesi vardır: İlki bunu yukarıdan aşağıya yapmaktır Şimdi proses endüstrisinde, DCS (Dağıtılmış Kontrol Sistemi) birçok veriyi benimsedi ve şimdi kullanıyoruz Bu DCS verileriyle, bazı temel öngörücü bakımlar yapabiliriz;
İkincisi aşağıdan yukarıya Pompayı örnek olarak alın.Bazı DCS verileri pompa hakkındadır, ancak bazı veriler değildir.Bu durumda, önceden yüklenmiş + sonradan takılmış olmalıdır. Ön kurulum, DCS'nin doğal verilerini kullanmaktır ve kurulum sonrası, mevcut olmayan bazı verileri kurmaktır, böylece işbirliği pompa veya boru hattının tahmini bakım noktalarını doğru bir şekilde tahmin edebilir.
Kurulum öncesi yöntemle elde edilen verilerin en iyisi olduğunu ve kurulum sonrasının daha zor olduğunu düşünüyorum.
S: Alibaba Cloud, ET Industrial Brain'i resmi olarak piyasaya sürdü. Bu beyin, üretim verim oranını% 1 artırabilen GCL Fotovoltaik fabrikasında kullanılmıştır. Öğretmen Chang Wei bu ürünü nasıl değerlendiriyor? Geleneksel fabrikalar için nasıl seçilir?
A: Alibaba Cloud, yukarıda bahsedilen üçüncü çözüm türü olan kalite yönetimi çözümüdür. Üretim verim oranı için her fabrikanın duruma göre analizi yapması gerekir ve geleneksel fabrikalar için kesinlikle daha güvenilir bir çözüm bulmak gerekir.
S: Küçük fabrikalar veri birikiminden yoksundur Deneyimlerinize dayanarak, büyük veri çözümüne erişmemiz için hangi konuların dikkate alınması gerekir?
C: Küçük fabrikalar için SaaS çözümlerinin kullanılmasını öneriyorum. Birçok hizmet sağlayıcı artık buluttaki mevcut fabrika makine araçlarına ve pompalarına yardımcı olmak için bazı hazır SaaS çözümleri sağlıyor ve ardından bunları verilere göre analiz ediyor. Küçük fabrikalar için bu Bu şema nispeten güvenilir ve uygulanabilirdir.
S: Yerel hükümet dijital dönüşüm çağrısı yapıyor Mevcut bakış açısına göre, yerel teknoloji olgun mu?
C: Şu andan itibaren, özellikle üretim şirketleri için, teknoloji nispeten olgunlaştı ve dijital dönüşüm, veri toplama, iletme, depolama ve analizden başka bir şey değil. Mevcut işletmelerin birkaç kısımda nispeten olgun çözümleri var, ancak bazı işletmelerin yönetim seviyesinin iyileştirilmesi gerekiyor.
Herkes nispeten düşük endüstriyel seviyemizden bahsediyor Şimdi, yönetim yeteneklerimizin Made in China 2020'yi destekleyip destekleyemeyeceğine dair bir soru var.
S: Endüstriyel dönüşümdeki en büyük zorluk nedir? Bu sorunların üstesinden nasıl gelinir?
C: En büyük zorluğun iki yönü olduğunu düşünüyoruz: Birincisi insan yönetimi seviyesi; ikincisi teknik konular.
Takım üreticisi olan Jueyun'un bir müşterisi var ve bunu geleneksel yöntemlerle geliştirmenin bir yolu olmadığına inanıyor. Bu araç için hangi malzemelerin ve süreçlerin en iyisi olduğunu söylemek için dijital yöntemlerle veri çıkarmayı umuyorlar, bu da bazı yabancı şirketlere meydan okumasına yardımcı olabilir.
Şu anda dijital dönüşüm, teknik sorunları çözmenin ana yoludur. Dijital bir platform oluşturmanın ilk adımı dijital bir tahmin oluşturmak, ikinci adım dijital bir kimyasal faturalama sistemi ve üçüncü adım ise süreçle ilişki kurmaktır.Bu adımlar en az 2-3 yıl sürecektir, bu nedenle fabrikanın bu döngü için bir planı olmalıdır. Biliş.
