昆仑数据线上课No.7 | 从误解到新知,设备工程师的数据思维养成之路
来源: | 作者:pmod6d781 | 发布时间: 2020-03-31 | 1915 次浏览 | 分享到:

在很多工业企业内部,谈到数字化,很多工程师第一反应就是OA系统、办公系统、ERP系统、公司内部管理系统……有的系统突破重重阻力上线,一线的操作人员和工程师并不买单,在现场运维时,不得不把一些动作在系统里更新,但只是为了交差,而日常自己要做的事情有另外的记录方式。甚至有公司把系统的月度使用率当KPI来逼员工去用。

谈到大数据、人工智能,很多工程师都会认为,好像这个事情离我挺远。实际上呢?

大数据离工程师并不遥远

科学的科,也是工科的科。把科字拆开了,是“禾”“斗”,一年收上来的粮食,把它放在斗里,知道自己生产了多少。“科”就是把一个现象量化、衡量,甚至这种衡量方法可重复,这就是科学。

工程师的工作和数据息息相关

工科,是把一个工程现象量化描述。工程师的职责就是用数据来描述、设计你要做的事。

举个例子,针对某设备的温度分析,设备温度每降低0.1度—0.2度,会对其他参数有些影响。单纯从数字上它是符合科学的。但是问到设备的老专家,会发现现场的所有加热和温度控制手段不可能做到5度以内,想控制1-2度都很难,更不可能控制到0.1度。做数据分析要考虑现场的实际条件。

为什么刚大学毕业的学生和老工程师在做一个设计的时候,明显路子不同?最大的差异就在于刚毕业的学生由于工程实际经验不足,他脑子里的数字就是数字,而一个成熟的工程师,他看到了一个数字,见到一张图纸,脑子里反映的是一个物理现象。

工程师日常工作中常见的数据类型

实验数据,做设计要有大量的实验,其实你每天都在处理实验数据。

工况数据,一台设备的运行状况都是被数据描述的,比如温度、震动的速度、加速度等,这是工程师最常见的。

经验数据,工程师的现场经验数据是实验数据里没有的。

举个例子,电机温度是否过高,有很多种国家标准,有的是95度,有的是85度。

作为现场工程师,电机测量很多次都是96度,报不报警?这个时候,有老工程师告诉你,这个电机全国有500台,一直都是96度;或者另外一种可能性,这台电机用了20年了,一直是96度,从来没坏过,你就知道了,96度可以不报警。这就是我们所说的经验数据,但经验数据很难具有通用性。

流程数据,流程数据和我们日常说的派工单流程相关,设备一旦有问题,作为工程师,第一时间要判断这个设备哪个部分出了问题,先检查哪个部件。这就是流程数据,设备不同、经验不同、时效几率不同,导致的顺序不同。

工程师如何利用大数据技术

在过去,工程师是怎么来处理经验数据和流程数据的呢?

靠书本、经验、大脑,更多的是老师傅的口传心授。老师傅退休了,经验数据就丢了,换个设备维护人员,流程数据也丢了,设备的维护水平就会有波动。

实验数据可以记录,可是实验数据的背景、解读无法记录。

工况数据当然是最好记录的。但工况如何来理解?

虽然工程师天天都在处理数据,但是当数据成为了汪洋大海的时候,比如超过20年的设备工况数据,处理起来就麻烦了。

有了大数据分析技术和IT系统后,不需要你花20年积累经验,也不需要人工解读大量的档案资料。工业工程师可以迅速、全面的掌握工况现场和所有数据的分析结果,从而得出结论。

我们要处理数据,需要这三种能力的融合:第一,工业工程师,这个数据是怎么理解的,物理含义是什么?第二,数据科学家,庞杂的数据如何分类、整理、总结规律,第三,IT专家,如何实现这些数据采集、存储、管理、呈现等。

用数据解决工业问题时,工业工程师是业务问题的出题人和答案的理解人,要负责把数据和物理现象之间建立关联。

收集数据,需要工业专家提需求;整理数据,也需要工业专家、数据专家一起做。解读数据,更是以工业专家为主力。实现数据收集、整理、解读、呈现,系统构架,软硬件配合需要IT专家。

OT+DT+IT的技术融合,最终会让工业工程师们从繁杂的重复工作中解放出来,用更多的精力去解读数据结果,做出正确的调整和创造性的尝试,这对工程师个人技能成长和工业企业创新都将是极大的利好。

讲师:王勇 William

昆仑数据业务发展总监,电机电器及控制专业,此前就职于世界上最大的轴承公司斯凯孚,从事旋转设备/轴承方面的工作将近20年,期间也在英国石油从事过工业润滑方面的工作。如果您恰巧了解轴承领域,他就是某论坛中的传奇版主“轴承问题终结者”。