对于制造或操作工业机械的组织，预测性维护计划是提高运营效率和降低维护成本的关键。
然而，与此同时，无论是飞机、MRI机器、风力涡轮机还是装配线，开发和部署任何资产的预测性维护算法都是一项挑战。算法开发不仅需要在机器学习技术方面的丰富经验，还需要对系统行为的深刻理解。拥有这两种技能的工程师可能很难找到。同时，部署涉及一系列复杂的步骤和互连。该算法必须在多个资产上实现。这些资产将连接到多个边缘设备，这些边缘设备又连接到一个IT/OT系统，该系统可以是基于云的、内部部署的，或者两者兼而有之。单个算法的某些部分可能存在于该基础结构的不同元素上，从而增加了复杂性（图1）。
图1所示。部署的预测性维护系统的组成部分。
本文以一台包装机为例，介绍了如何通过开发一种预测性维护算法并使用MATLAB将其部署到生产系统中来处理这些复杂性®．
包装机维护系统
包装机有几个机械臂(图2，左)。双臂高速来回移动，将物体移动到装配线上进行包装。它们连接到与微软通信的可编程逻辑控制器(plc)®蔚蓝色的®的/不系统。该IT/OT系统从连接到机器人手臂的边缘设备收集流数据，基于这些数据运行预测性维护算法，检测异常情况，预测手臂何时可能出现故障，并将结果返回给工程师和操作人员使用的仪表盘工具。
图2。包装机械预测维护系统。
预测维护算法
该系统的预测维护算法由两部分组成。第一个是在边缘上实现，并使用特征提取技术进行数据约简。第二个是在云中实现的，使用这些特征值和机器学习模型来预测何时会发生故障，并估计机器的剩余使用寿命(RUL)。这种预测算法的结果几乎实时地流进我们的仪表板。
开发数据简化算法
我们的预测性维护算法的第一部分作用于机械臂生成的原始传感器数据。我们正在跟踪驱动每只手臂的电机的速度和电流。
用于这类机器的传感器可以以非常高的速率采集数据。存储如此庞大的传感器数据非常昂贵，而且分析这些数据也非常耗时，因为庞大的数据量使得识别感兴趣的区域变得非常困难。我们可以用特征提取来解决这个问题。
特征提取技术接受原始传感器数据流，并返回更小的捕获关键动态的特征集，显著减少存储和传输需求。机械臂上的传感器以1khz的速度捕捉数据，也就是每秒1000个样本。将一秒钟的数据压缩为一组包含五个特性的数据，可以将我们的数据存储和传输需求减少200倍。
使用预测性维护工具箱中的诊断功能设计器应用程序™, 我们导入传感器数据，使用基于信号和动态建模技术提取特征，并根据特征区分健康机器生成的数据和故障机器生成的数据的能力对特征进行排序（图3）。
图3。诊断功能设计器应用程序。
一旦我们选择了要提取的功能，我们就可以在充当边缘设备的PLC上实现和测试数据缩减算法。我们没有在真正的机器上测试算法，这可能会损坏机器，而是将PLC连接到Simscape™ 在Speedgoat实时计算机上运行的机械臂模型。这台实时计算机可以通过发送和接收数据与我们的PLC进行通信，就像它是一台实际的机器一样。我们首先使用Simulink编码器为数据简化算法生成C代码™ 并将其部署到PLC。然后，我们将我们的包装机模型部署到Speedgoat系统，并在不同的故障条件下进行仿真，以确保我们的算法能够在真实环境中正确工作（图4）。金宝app
图4。部署到PLC，并使用Speedgoat硬件进行实时测试。
开发预测算法
我们现在有了一种边缘设备，可以通过从数据中提取有意义的特征来减少传输的数据量。我们可以使用Apache™Kafka，一个运行在Azure云上的开源流处理平台，将精简后的数据流传输到我们的IT/OT系统中。我们将使用这个流数据来估计包装机电机的RUL。
随着电机的状态随着时间的推移而恶化，提取的特征值将以线性或指数速度稳步增加或减少(图5)。基于这一趋势，我们在预测性维护工具箱中选择一个指数退化模型来预测机器未来的健康状况。
图5。流数据的样本RUL图。
为了使该算法与基于云的系统兼容，我们使用MATLAB Compiler SDK™创建一个可执行文件，然后使用MATLAB Production Server™将其集成到IT/OT系统中(图6)。
图6。云部署的概述。
现在，我们有了机器学习算法，可以通过连接到单个机械臂的边缘设备从原始数据中提取特征，预测包装机的故障，以及一个基于web的仪表盘，让我们可以立即访问结果(图7)。
图7。最终的web指示板。
案例研究:IMA Active
IMA积极为制药行业设计和制造自动加工和包装机械。该公司希望开发一种预测性维护系统，用于监控平板电脑生产机器的健康状况。机器有需要精确润滑的关键运动部件。润滑剂过少会导致应力和失效。润滑油过多会导致泄漏到最终产品中。
预测维护系统将使用从机器上已有的两个传感器获得的数据，并将自动学习，不需要外部干预。
IMA主动工程师使用预测性维护工具箱为系统开发算法。他们首先从两个总共36个传感器中提取特征。
“使用MATLAB工具，我们成功地提取和选择了最佳特征，以建立分类模型。最有希望的算法使用了五个特征，准确率为89%。”
Alessandro Ferri, IMA Active
他们使用预测性维护工具箱中的诊断功能设计师应用程序从传感器数据中提取、可视化和排序特征。利用这些特征，他们训练了一个故障分类模型，该模型使用机器学习技术来评估平板电脑关键运动部件的健康状况。
预测性维修系统使机器操作员能够优化资源使用，并根据生产需要安排维修活动。
