欧美40老熟妇色xxxxx,免费+国产+在线观看,末成年女a∨片一区二区,久久伊人色av天堂九九,免费中文熟妇在线影片

美林?jǐn)?shù)據(jù)
ABOUT US
美林?jǐn)?shù)據(jù)技術(shù)股份有限公司（簡稱：美林?jǐn)?shù)據(jù)，NEEQ：831546）是國內(nèi)知名的數(shù)據(jù)治理和數(shù)據(jù)分析服務(wù)提供商。

美林?jǐn)?shù)據(jù)技術(shù)專家團(tuán)隊(duì) | 工業(yè)大數(shù)據(jù)分析PHM實(shí)戰(zhàn)—設(shè)備異常監(jiān)測方法

2022-11-25 19:08:32 次
Q:什么是設(shè)備異常監(jiān)測？
A:設(shè)備異常監(jiān)測，是對(duì)關(guān)鍵設(shè)備運(yùn)行進(jìn)行實(shí)時(shí)/準(zhǔn)實(shí)時(shí)觀測，輸出被觀測設(shè)備與預(yù)期模式不匹配的信息。
Q:為什么要關(guān)心設(shè)備異常監(jiān)測方法？
A:出于以下三個(gè)原因，我們必須對(duì)設(shè)備異常監(jiān)測方法給予重點(diǎn)關(guān)注：

01 設(shè)備異常監(jiān)測是重要的工業(yè)業(yè)務(wù)需求
關(guān)鍵設(shè)備是工業(yè)生產(chǎn)運(yùn)行的核心構(gòu)成，其運(yùn)行出現(xiàn)異常會(huì)在多方面造成重大影響。因此對(duì)關(guān)鍵設(shè)備建立運(yùn)維機(jī)制以保障其平穩(wěn)可靠運(yùn)行是關(guān)鍵設(shè)備利益相關(guān)方的必然舉措。然而當(dāng)前的設(shè)備運(yùn)維方法存在以下一些問題：
? 基于人的檢驗(yàn)難以保證可靠性
這既包括人在觀測中可能產(chǎn)生主觀偏差，也包括設(shè)備中存在大量核心組件無法直接被人觀測到的情形。
? 基于機(jī)理的監(jiān)測難以擴(kuò)展
使用科學(xué)方法，可以建立對(duì)軸承、齒輪等關(guān)鍵零組件的監(jiān)測能力，準(zhǔn)確識(shí)別這些零組件的早期性能衰退問題。但科學(xué)方法復(fù)雜度高，目前常用于若干類特定研究對(duì)象，難以泛化到系統(tǒng)級(jí)異常監(jiān)測。
工業(yè)數(shù)據(jù)分析
? 既有的設(shè)備異常監(jiān)測方法難以應(yīng)對(duì)關(guān)鍵設(shè)備的復(fù)雜化、智能化
傳統(tǒng)設(shè)備異常監(jiān)測通常是基于設(shè)備機(jī)理特性與運(yùn)維經(jīng)驗(yàn)所構(gòu)建的專家系統(tǒng)，結(jié)合維保人員的定期檢驗(yàn)。其中專家系統(tǒng)通常由大量閾值檢驗(yàn)，條件規(guī)則及邏輯判斷組成。當(dāng)設(shè)備運(yùn)行狀態(tài)復(fù)雜度提升時(shí)，專家系統(tǒng)的復(fù)雜度急劇上升，使得系統(tǒng)開發(fā)困難，且容易造成錯(cuò)漏。而人員定期檢驗(yàn)既造成冗余重復(fù)工作，也容易產(chǎn)生誤差。
基于上述原因，尋找合理的異常識(shí)別手段，構(gòu)建滿足當(dāng)前關(guān)鍵設(shè)備運(yùn)維需求的設(shè)備異常監(jiān)測能力是工業(yè)從業(yè)者的迫切需求。

02 設(shè)備異常監(jiān)測技術(shù)在數(shù)據(jù)驅(qū)動(dòng)的PHM系統(tǒng)中起到重要作用
設(shè)備異常監(jiān)測是PHM（故障預(yù)測與健康管理）系統(tǒng)的重要構(gòu)成之一，除了其自身作為監(jiān)測設(shè)備運(yùn)行是否存在異常這一業(yè)務(wù)功能外，其對(duì)PHM中其它算法構(gòu)建與業(yè)務(wù)設(shè)計(jì)也起到輔助作用：
? 對(duì)突變故障與緩變故障的區(qū)分
設(shè)備故障可以按照發(fā)生前有無預(yù)兆區(qū)分為突變故障與緩變故障。簡單的說，緩變故障可以經(jīng)由感知設(shè)備運(yùn)行的數(shù)據(jù)進(jìn)行分析識(shí)別，而突變故障在發(fā)生前并沒有可被感知到的信息因而無從預(yù)知。突變故障的產(chǎn)生有機(jī)理的原因，比如脆性材料的疲勞斷裂確實(shí)難以預(yù)知，也有數(shù)據(jù)感知不全的原因，如設(shè)備存在難以接觸到的位置無法監(jiān)測其狀態(tài)。
設(shè)備異常監(jiān)測
無論如何，突變故障都是難以監(jiān)測和預(yù)防的嚴(yán)重問題，必須采取特別的應(yīng)對(duì)措施。好的設(shè)備故障監(jiān)測算法可用于分析設(shè)備運(yùn)行歷史數(shù)據(jù)中，發(fā)生某種故障之前的數(shù)據(jù)與正常數(shù)據(jù)之間的差異。如果這一差異微小到不足以被識(shí)別，那這種故障可以被認(rèn)為屬于突變故障。再根據(jù)該故障的影響規(guī)劃相應(yīng)的應(yīng)對(duì)方案。
? 輔助故障分類模型訓(xùn)練數(shù)據(jù)標(biāo)注
在PHM系統(tǒng)中，除需要識(shí)別出系統(tǒng)運(yùn)行的異常外，通常還要求根據(jù)異常數(shù)據(jù)識(shí)別系統(tǒng)可能會(huì)發(fā)生什么樣的故障，以形成應(yīng)對(duì)措施。在數(shù)據(jù)驅(qū)動(dòng)的實(shí)踐中，基于運(yùn)行數(shù)據(jù)判別設(shè)備的故障類型通常使用人工智能分類方法。
設(shè)備異常監(jiān)測
這類方法以歷史數(shù)據(jù)中相似故障發(fā)生前的設(shè)備運(yùn)行數(shù)據(jù)做為數(shù)據(jù)集，訓(xùn)練出最小泛化誤差的神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)等分類模型，并在后續(xù)設(shè)備運(yùn)行中基于其實(shí)時(shí)數(shù)據(jù)判別設(shè)備出現(xiàn)了哪類故障。在運(yùn)維記錄中，一般只能得到設(shè)備故障的發(fā)生時(shí)間點(diǎn)與排除報(bào)告提交的時(shí)間點(diǎn)，如下圖所示，這兩個(gè)時(shí)間點(diǎn)相關(guān)設(shè)備故障完全顯現(xiàn)的時(shí)刻與運(yùn)維人員提交報(bào)告的時(shí)刻。
如果我們以這個(gè)時(shí)間段的設(shè)備運(yùn)行數(shù)據(jù)作為訓(xùn)練集，則其既包含了不相容的多種數(shù)據(jù)類別，又不適用于故障未顯現(xiàn)前的趨勢判別。而后者是PHM系統(tǒng)重點(diǎn)關(guān)注的系統(tǒng)功能。為避免這種不相容數(shù)據(jù)集，就需要使用設(shè)備異常監(jiān)測算法對(duì)設(shè)備歷史運(yùn)維數(shù)據(jù)進(jìn)行分析，準(zhǔn)確地獲取最合理的分類用歷史數(shù)據(jù)截取時(shí)間點(diǎn)。
設(shè)備異常監(jiān)測
△使用異常監(jiān)測方法獲取設(shè)備故障數(shù)據(jù)分類訓(xùn)練集

03 設(shè)備異常監(jiān)測算法目前仍屬于技術(shù)研究前沿
從技術(shù)的角度看設(shè)備異常監(jiān)測方法，可以將其分為基于機(jī)理的方法與數(shù)據(jù)驅(qū)動(dòng)的方法兩類。其中基于機(jī)理的方法如前所述，存在復(fù)雜度高與難以泛化的問題。而數(shù)據(jù)驅(qū)動(dòng)的設(shè)備異常監(jiān)測方法收益于近來快速發(fā)展的物聯(lián)網(wǎng)和人工智能技術(shù)，對(duì)處理問題提供了新的思路。
并且，數(shù)據(jù)驅(qū)動(dòng)的方法在智能制造領(lǐng)域表現(xiàn)優(yōu)異，已經(jīng)取得了許多成就。同時(shí)，數(shù)據(jù)驅(qū)動(dòng)方法目前還處于研究、發(fā)展階段，其在工業(yè)領(lǐng)域的應(yīng)用還有待進(jìn)一步檢驗(yàn)?？偟膩碚f，我們認(rèn)為以下工業(yè)領(lǐng)域特點(diǎn)對(duì)設(shè)備異常監(jiān)測方法構(gòu)建產(chǎn)生影響：
?工業(yè)設(shè)備監(jiān)測數(shù)據(jù)有其特殊性
具體而言：數(shù)據(jù)結(jié)構(gòu)上包括高維度、多模態(tài)、時(shí)序性強(qiáng)、采樣率不一致等特點(diǎn)；數(shù)據(jù)統(tǒng)計(jì)特性上包括信噪比低、數(shù)據(jù)分布單一、內(nèi)稟低維流形嵌入、缺少標(biāo)簽與特性描述等特點(diǎn)。
工業(yè)設(shè)備監(jiān)測
這些特性都影響到設(shè)備異常監(jiān)測方法設(shè)計(jì)，一般而言，這些特性通常會(huì)降低異常監(jiān)測算法準(zhǔn)確識(shí)別問題的能力。此外，工業(yè)數(shù)據(jù)的獲取與存儲(chǔ)等特性也會(huì)影響到設(shè)備異常監(jiān)測方法乃至其所在的整個(gè)PHM軟件架構(gòu)設(shè)計(jì)，這方面本文暫不討論。
? 設(shè)備異常監(jiān)測方法關(guān)鍵共性技術(shù)
如上所述，設(shè)備異常監(jiān)測工作有其特殊的數(shù)據(jù)特征、業(yè)務(wù)需求以及重要性，因此無法直接使用常見的數(shù)據(jù)分析算法與策略，需要進(jìn)行針對(duì)性規(guī)劃。我們認(rèn)為性能良好滿足運(yùn)維要求的設(shè)備異常監(jiān)測方法的構(gòu)建涉及下述若干關(guān)鍵共性技術(shù)。
1. 數(shù)據(jù)處理技術(shù)
? 合理的數(shù)據(jù)選擇
從運(yùn)行中的設(shè)備中可以感知到海量的數(shù)據(jù)，這些數(shù)據(jù)有代表某種物理特性的數(shù)值數(shù)據(jù)，表示狀態(tài)的狀態(tài)數(shù)據(jù)以及圖像、指令等等。這就是數(shù)據(jù)的多模態(tài)特征。在構(gòu)建設(shè)備異常監(jiān)測方法時(shí)需要引入數(shù)據(jù)融合方法，將多模態(tài)數(shù)據(jù)轉(zhuǎn)化為便于數(shù)據(jù)分析，同時(shí)能充分表達(dá)設(shè)備運(yùn)行狀況的標(biāo)準(zhǔn)化數(shù)據(jù)。在數(shù)據(jù)選擇方面，東京大學(xué)的矢入健久教授給出四種應(yīng)從分析數(shù)據(jù)中去除的數(shù)據(jù)：
⇒具有極低采樣率的數(shù)據(jù)。
⇒基本保持常量，方差極小的數(shù)據(jù)。
⇒僅在特定時(shí)間窗口期才能獲取的數(shù)據(jù)（不能提供實(shí)時(shí)幫助）。
⇒與設(shè)備健康無關(guān)的數(shù)據(jù)。
工業(yè)設(shè)備監(jiān)測
? 特征數(shù)據(jù)構(gòu)建
對(duì)設(shè)備進(jìn)行感知所獲取的數(shù)據(jù)中存在大量表示物理特性的數(shù)據(jù)，這些數(shù)據(jù)往往需要進(jìn)行數(shù)據(jù)變換，轉(zhuǎn)化為容易識(shí)別的特征表達(dá)。例如對(duì)軸承振動(dòng)的感知數(shù)據(jù)應(yīng)計(jì)算抽取其峭度因子，對(duì)高采樣緩變數(shù)據(jù)應(yīng)進(jìn)行包絡(luò)解調(diào)處理等等。
完成了數(shù)據(jù)選擇后，通常還需要進(jìn)行數(shù)據(jù)的預(yù)處理，以提升數(shù)據(jù)質(zhì)量。這部分工作與數(shù)據(jù)的信噪比、業(yè)務(wù)要求有關(guān)，暫不討論。
2. 算法設(shè)計(jì)考量
除數(shù)據(jù)處理技術(shù)外，在算法設(shè)計(jì)方面還有以下兩方面工作需要加以考量。
? 數(shù)據(jù)降維與聚類處理
通常到這一階段，數(shù)據(jù)的維度仍然較高。高維度數(shù)據(jù)會(huì)造成模型收斂速度慢且難以泛化，樣本數(shù)據(jù)量要求高等問題。因此需要對(duì)高維度數(shù)據(jù)進(jìn)行降維處理。此外，如果設(shè)備運(yùn)行不是總處于一種恒定狀態(tài)，就應(yīng)當(dāng)對(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行聚類處理。
工業(yè)數(shù)據(jù)分析
這是因?yàn)椴煌\(yùn)行狀態(tài)的設(shè)備其數(shù)據(jù)通常會(huì)在高維空間中形成不同的集簇，這些集簇表征了設(shè)備在每種運(yùn)行狀態(tài)下其數(shù)據(jù)的分布規(guī)律。如果不進(jìn)行聚類分析，則其后建模過程會(huì)將其視為一個(gè)集簇進(jìn)行處理，在這種情況下異常往往不容易被發(fā)現(xiàn)。
下圖是輔助理解這一問題的一個(gè)示例。圖中左側(cè)數(shù)據(jù)被劃分為兩個(gè)聚類，右側(cè)數(shù)據(jù)被劃分為一個(gè)聚類。兩種劃分方法會(huì)使得算法識(shí)別圖左中黃色標(biāo)識(shí)的異常數(shù)據(jù)存在性能差異。
設(shè)備異常監(jiān)測
△數(shù)據(jù)聚類條件下數(shù)據(jù)取值閾值相對(duì)精確，利于發(fā)現(xiàn)異常信息
?算法選擇：動(dòng)態(tài)閾值與概率模型
由于工業(yè)實(shí)際中缺少數(shù)據(jù)標(biāo)簽，因此設(shè)備異常監(jiān)測算法通常需要使用無監(jiān)督學(xué)習(xí)方法。其中傳統(tǒng)上一般會(huì)選擇部分關(guān)鍵變量，使用動(dòng)態(tài)閾值方法去評(píng)估設(shè)備運(yùn)行是否正常。這種方法成熟且適用于很多場景，但難以應(yīng)對(duì)具有高度相關(guān)性的變量組。
使用主成分分析對(duì)數(shù)據(jù)進(jìn)行降維后，數(shù)據(jù)各維度的相關(guān)性會(huì)顯著減少，從而使變換后數(shù)據(jù)使用動(dòng)態(tài)閾值較為可行，但這仍無法應(yīng)對(duì)前述多種運(yùn)行模式的設(shè)備數(shù)據(jù)。
異常識(shí)別模型
為此，可以選擇無監(jiān)督智能化算法構(gòu)建異常識(shí)別模型。為量化表達(dá)出數(shù)據(jù)的異常程度，我們應(yīng)當(dāng)避免使用判別式智能模型，而應(yīng)選擇生成式模型，即概率模型去刻畫設(shè)備運(yùn)行數(shù)據(jù)。其中高斯混合模型、基于核方法的非參數(shù)概率模型等均是設(shè)備運(yùn)行狀態(tài)的良好數(shù)值描述方法。

3. 必須考慮數(shù)值方法與業(yè)務(wù)機(jī)理的結(jié)合
由于設(shè)備異常監(jiān)測方法應(yīng)用于工業(yè)實(shí)際，因此一定不能單純的從數(shù)學(xué)方法或數(shù)據(jù)分析方法角度考慮工作開展，而必須結(jié)合業(yè)務(wù)實(shí)際。這表現(xiàn)在很多方面，前述對(duì)算法精確度與召回率的平衡即為一例，針對(duì)特定業(yè)務(wù)對(duì)象設(shè)計(jì)相應(yīng)的數(shù)據(jù)特征抽取策略也是如此。
此外再舉一例：在數(shù)據(jù)的聚類時(shí)需要考慮設(shè)備運(yùn)行狀態(tài)與聚類結(jié)果之間的相符性。如下圖所示，圖左與圖右是對(duì)圖中數(shù)據(jù)兩種不同的聚類策略。
異常識(shí)別模型
其中圖左使用了類似kmeans的基于數(shù)值間歐式距離的聚類策略，圖右的聚類則考慮了數(shù)據(jù)本身的分布特征，將具有相似分布特征的數(shù)據(jù)聚為一類。針對(duì)設(shè)備異常監(jiān)測需求，這種聚類策略具有顯著的優(yōu)勢。

總結(jié)
本文從技術(shù)角度出發(fā)，討論了作為PHM核心功能之一的設(shè)備異常監(jiān)測方法。說明了這一方法在多個(gè)層面上的重要性，并探討了構(gòu)建設(shè)備異常監(jiān)測功能所需的關(guān)鍵共性技術(shù)。美林?jǐn)?shù)據(jù)深耕行業(yè)應(yīng)用，在PHM及相關(guān)工業(yè)數(shù)據(jù)分析領(lǐng)域具有豐富經(jīng)驗(yàn)，愿與各界同仁共同致力于行業(yè)發(fā)展。
服務(wù)熱線
400-608-2558
咨詢熱線
15502965860
美林?jǐn)?shù)據(jù)
微信掃描二維碼，立即在線咨詢