数字双胞胎促进预测性维护- ejournal - 亚博首页官网手机登录,亚博yabovip2019进入

工业设施里塞满了各种形状和大小的昂贵机器。如果这些小流氓中的任何一个出了问题，它就会让生产线崩溃。幸运的是，在MathWorks拥有21世纪的水晶球，可以帮助预测机器何时会故障。

我喜欢早上闻新鲜机油的味道。这听起来可能很奇怪，但我真的很喜欢在工业设施周围闲逛，倾听着声音，观察着机器的运转，大量浓重的工程香味逗着我的鼻孔。

世界各地的工厂里有价值数万亿美元的机器。这些大胆的美女从简单的(尽管可能是巨大的)泵，电机和发电机，到尺寸为几十米的巨大复杂的野兽，再到执行太多任务的复杂机器人。

当然，也有无数的机器在工厂的范围之外自由地运行。这些小流氓中的许多人在极端条件下过着艰苦的生活。所有这些机器所要求的只是以维护的形式来保持它们的正常运行，但是人们如何知道哪些机器需要哪些维护呢?“啊，这就是问题所在，”如果莎士比亚把注意力转向维持一个工业社会运转所固有的问题，他可能会这样说。

头发花白、脾气暴躁的老工程师

有一种技术已经很好地为我们服务了几代人，那就是让拥有领域专业知识的人随时待命。我花了太多的时间在工厂里闲逛，周围都是头发花白、脾气乖戾的老工程师，他们似乎有一种不可思议的能力，可以判断什么时候事情不应该是这样(就像我亲爱的90岁的母亲一样，她的记忆力非常敏锐，有时甚至还记得还没有发生的事情)。

任何事情都能提供线索——角落里闪闪发光的一小滩液体，垫圈周围意想不到的污点，一种不寻常的气味，或者50步外冒出的一小股蒸汽。有时他们会停下来捂住耳朵，因为他们听到了一些“不太正确”的声音——可能是低频的悸动或高音的吱吱声。或者，他们可能会随意地把手放在机器上，让他们检测到不寻常的振动。有时他们会被一些潜意识的东西提醒，告诉他们某些事情，某些地方出了问题。

问题在于，这些人并不像人们所希望的那么多，尤其是如果你是一家工厂的经理，而你期待已久的(可能已经提前花掉的)奖金取决于能否让一切正常运转。

响应式、先发制人式和预测性维护

作为一种替代，或者可能是一种附属品，对于那些好奇的、脾气暴躁的工程师来说——“链轮”是一群工程师的集合名词(其他可以接受的替代词是“一个笨拙的”、“一个设计”和“一个极客”)——最简单的维护策略被称为“反应性维护”(又名“运行到失败”或“运行到失败”)。在这种情况下，故意允许机器运行，直到它们崩溃并烧毁，此时维护工程师到达现场拾取碎片。

另一种传统方法是采用“先发制人的维护”。在这种情况下，定期检查和/或更换零件，或在预定的工作时数后进行。为了尽量减少计划外停机的风险，先发制人的维护需要比平均故障间隔时间更频繁地进行。这意味着，虽然先发制人的维护策略是有效的，但它也会在组件、时间和资源方面产生成本。

一种与21世纪的愿望更接近的技术是“预测性维护”。这里的想法是使用传感器来持续监控机器的运行，并根据他们的观察，估计系统当前的健康状态，并预测它在未来的行为。理想情况的一个例子是，预测维护算法检测到某些系统参数的异常或逐渐变化，并发出如下的报告:“机器Y中的X组件正在磨损，需要在72小时内更换。”除了优化工程资源和降低成本外，由于部件只在“需要时”更换，预测性维护有助于安排维护活动，以适应生产需求。

人工智能、机器学习和深度学习

相对而言，预测维护领域的新人是人工智能(AI)、机器学习(ML)和深度学习(DL)。为了这些讨论的目的和简单起见，我们将采用术语AI来包含ML和DL的概念AI, ann, ML, DL和dnn的常见问题是什么?）

当然，关于这一切，还有更多的东西，我们不希望在这里讨论。简单地说，训练AI系统进行预测性维护通常需要从相关机器收集大量传感器数据。在发生任何其他事情之前，需要“清理”该数据，其中包括删除噪声、异常值和无效值，以及根据需要插入缺失值。

下一个问题是需要处理的大量数据。如果您有数十个传感器在数小时、数天、数周或数月的时间内每秒采样数百次，那么您很容易得到gb或tb级的数据。这里的一种解决方案是“特征提取”，即分析原始数据并提取一组称为“特征”的派生值。在某些情况下，1tb的数据可以归结为几百个特征。执行特征提取有助于数据存储、数据传输、数据搜索和检索、与其他数据进行比较的能力，以及训练AI系统的能力。

另一个问题是收集“坏数据”。我们通常从一台正常运行的机器收集“良好数据”开始。部署后，人工智能可以检测这些良好数据的异常和偏差，还可以发现诸如“该传感器的温度每天上升X°C”之类的趋势。如果人工智能知道最高允许温度，它就可以通过预测来增强最初的观察结果，比如“除非采取措施，否则这台机器将在96小时内失效。”

除了良好的数据，如果还提供从故障机器捕获的不良数据，则AI的能力可以显著增强。在某些情况下，这相对容易。例如，我目前正在使用NanoEdge AI Studio构建一个AI模型Cartesiam(见也为什么，你好FPGA和AI -多么高兴看到你在一起!）.

这个小的ragamuffin(我的AI模型，不是NanoEdge AI Studio)被部署在Arduino Nano 33物联网上，它使用电流传感器来监控为我的家用吸尘器供电的电流的波形。我还希望使用Nano 33物联网的Wi-Fi功能。我的想法是，如果由于命运的某种奇怪的巧合，我的儿子(挑战常识的约瑟夫)碰巧在打扫房子，如果需要清空集尘室，我的人工智能系统会给我发一封电子邮件或短信。我能想象当我打电话给约瑟夫说:“我认为这是你清空吸尘器的好时机。”

好的数据很容易获取。问题是——我想都没想——我在开始之前就把罐子里的水都倒光了。因为我把吸尘器带进了我的办公室，为了这个实验，我不愿意让任何人走进娱乐室，发现我在垃圾桶里翻来翻去，收集灰尘，然后把东西塞回我的吸尘器里(他们觉得我已经够古怪了)。作为一种替代方案，我简单地用一个纸盘来阻塞主过滤器进气道。(稍后我将把这些数据与从一个装满的容器中收集到的数据进行比较。)

关键是，对我来说，用我的吸尘器伪造坏数据相对容易，但在一个巨大(尺寸)和巨大(成本)的工业机器的情况下，你会怎么做?一般来说，等待野兽自己失败是不切实际的，尤其是——如果你等待它失败——那么拥有预测它失败的能力可能被认为是多余的需求。

使用测试台机器

不管我刚才说了什么，在某些情况下，使用真正的机器生成“已知的坏数据”可能最终是最佳解决方案。

虽然不是特别常见，但一些公司也不是不知道把一台已知的好机器安装在测试台上，在上面安装传感器，然后注入故障并监控结果。这些结果被捕获、清理、分析、特征提取、标记，并用于训练AI。其思想是，每种类型的故障都会产生自己独特的“特征”，嵌入到传感器数据中。将来，当人工智能在现场观察到类似的签名时，它可以说:“啊哈!我以前见过这种事。这意味着连接主链轮总成的螺丝松动了。”

使用已部署的机器

前面，我说过等待机器自动故障是不现实的。实际上，严格来说这并不正确，特别是当我们谈论的是部署在世界各地的大量此类机器时。

这里的想法是，在较长的一段时间内，我们监控大量机器的健康状况，并将数据存储在云中。每当机器遇到必须由维护团队解决的问题时，该问题都与捕获的数据有关。理想情况下，可以从数据中提取与这种特定类型的问题惟一相关的特征。

假设有足够数量的机器，每台机器都有自己的健康问题，随着时间的推移，将有可能建立一个丰富的“坏数据”存储库，这些坏数据将在未来帮助保护其他机器。

创建数字双胞胎

“数字双胞胎”一词指的是活体或非活体实体的数字副本。在这些讨论的背景下，实现数字双胞胎最简单的方法是创建一个基于物理的机器模型。

理想情况下，这样的模型将尽可能准确地复制现实世界对应物的物理方面和属性。现在，与使用真实机器训练人工智能系统不同，它可以使用机器的数字双胞胎进行训练。除了好数据，还可以通过向数字孪生中注入故障来生成坏数据。

此外，由于机器在现实世界中出现故障，无论是在测试台、工厂还是其他地方，除了增强人工智能的训练外，这些故障还可以在数字双胞胎中复制。在许多情况下，“调整”数字双胞胎以更准确地匹配现实世界的结果可能是有利的。在一个奇怪的命运中，模型的无数参数的优化可能最好由另一个人工智能来实现，但这是未来专栏的故事。

根据维基百科的说法，一个成熟的数字双胞胎将“……将物联网、人工智能、机器学习和软件分析与空间网络图结合起来，创建活生生的数字模拟模型，随着物理模型的变化而更新和变化。”数字双胞胎不断地从多个来源学习和更新自己，以表示其近乎实时的状态、工作状态或位置。该学习系统使用传感器数据进行自我学习，这些数据传达了其运行状况的各个方面;来自人类专家，例如具有深厚和相关行业领域知识的工程师;从其他类似的机器;从其他类似的机队;从更大的系统和环境来看，它可能是其中的一部分。数字双胞胎还将过去机器使用的历史数据整合到其数字模型中。”我说得再好不过了。

用MathWorks预测未来

我在这里胡扯的原因是我刚刚和Aditya Baru聊天，他是MathWorks的高级产品营销经理，他的旗舰产品是MATLAB．即使没有使用过MATLAB的工程师通常也会意识到，它是一种多范式的数值计算环境和编程语言，可以促进矩阵操作、算法实现、用户界面创建、与用其他语言编写的程序进行交互，以及函数和数据的绘制。

的概念可以增强MATLAB的能力工具箱．现在，虽然我知道像曲线拟合工具箱、控制系统工具箱和DSP系统工具箱这样的东西，但我很惊讶地了解到MathWorks的人们增加了新的功能，比如统计和机器学习工具箱、深度学习工具箱，以及……等等……等等……预测维护工具箱。

然后是动态仿真模块，既可以驱动MATLAB，也可以用MATLAB编写脚本。Simulink是一个基于matlab的图形化编程环境，用于建模、模拟和分析多域动力系统。Simulink的主要接口是一个图形块图工具和一组可定制的块库。在这种情况下，我很惊讶地发现MATLAB和Simulink有一个附加组件叫做Simscape，它提供了建模和模拟多域物理系统的工具。

MATLAB、Simulink和Simscape的组合允许我们做上面讨论的几乎所有事情。我们可以从多个传感器收集到大量的数据文件，将这些数据导入MATLAB，清理数据，执行特征提取，并使用结果来训练AI系统。我们还可以创建机器的数字双胞胎，并使用这些模型来训练和完善我们的人工智能系统，从而使它们具备提供极其复杂的预测维护能力的能力。

就我个人而言，我对这一切感到非常兴奋。除了对工业进行预测性维护的明显优势外，我认为用不了多久，我们家里的每一件电器——微波炉、洗碗机、洗衣机、干衣机、热水器、暖通空调等等——都配备了预测性维护功能。就我个人而言，我已经洗了一辈子的冷水澡了，所以我等不及这个勇敢的新世界了。

一如既往，我很乐意听到你们的评论、问题和建议。同时，如果您有兴趣进一步阅读，我可以提出以下建议: