案例剖析 | 基于状态信息的电机轴承健康监测(下)
来源: | 作者:pmod6d781 | 发布时间: 2022-05-27 | 2074 次浏览 | 分享到:
 
更重要的是模型验证,不仅仅是DT在数学上的验证,更需要OT在业务逻辑的验证。一个业务闭环的数据模型应用,一定需要模型的可解释性和可调整性——OT需要理解模型是如何工作的,设备A和设备B的模型不一样在机理上是否有合理解释?部署模型的时候,OT对试运行结果进行评估,当满足基本期待的时候,投入使用。
 
上述模型的生成其实是按照如下步骤进行:

  • OT通过机理认识,帮助DT确定了分析方向;

  • OT和DT一同确定了分析具体方式;OT帮助DT选择了模型的边界参数;

  • DT发挥专业技能规避了OT的“死阈值”问题,给出了“智能”的方法;

  • OT和DT一同形成对于超出动态阈值的评价机制;

  • DT将模型开发成工程化代码并执行;

  • OT对模型运行结果进行评价。


这个设备健康模型,目前为止已经在现场自动运行上万小时,运行效果得到相关人员的一致认可


总结

我们认为,工业数智化平台的落地不是横向的,而是纵向的,需要将一个平台化的思维拆解成一个个具体的小问题思考。比如客户想实现全厂设备的健康管理,牵扯到成千上万的设备,很难一蹴而就。可以先将某一台电机的健康管理作为目标,一次性击穿、做透、落地,再进行横向拓展,将设备健康和诊断的目标扩展为齿轮箱、压缩机等等。这样的横向迁移与大开大合的项目比,具有更高效率。因为基本的方法、步骤、数据、模型形式、业务应用等经过实践,仅需要根据不同的设备进行小范围调整即可。

本系列文章作者

李令莱博士,毕业于清华大学自动化系,昆仑数据数据科学家,20年以上机器学习、过程建模、故障诊断及智能优化算法经验,发表学术文章约20篇,美国专利约10个。曾任职罗克韦尔自动化上海研究中心。

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,期间也在英国从事过工业润滑方面的工作。著有《电机轴承故障诊断与分析》、《滚动轴承使用常识》、《电机轴承应用技术》。