首先,如果局限于“死”阈值的方式,最多做到多级阈值。DT可以先从99%都是正常样本的历史数据中,通过机器学习的方法将设备正常运行下的多参数进行融合处理,形成所谓的设备正常模型——这一方面避免了故障有效数据不足的问题,另一方面可以很容易通过同一套模型,基于每台机组历史的正常数据,生成符合每个设备自己DNA的动态阈值。
选择合理的工况变量并进行相应识别,例如:可以通过电流、功率和负荷等数据进行启停、调节和平稳工况的识别;
选择出从设备机理方面与设备健康最相关(或者是最应该相关)的参数作为设备健康指标,并且提供相应数据处理的逻辑:例如振动的瞬时值不用关注,因为已经有报警逻辑在监控;而是主要对振动幅值的趋势进行预警。
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。
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。
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》。