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》。