对于制造或操作工业机械的组织来说，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，开发和部署预测性维护算法到任何资产，无论是飞机、MRI机器、风力涡轮机或装配线，都是具有挑战性的。算法开发不仅需要在机器学习技术方面的丰富经验，而且需要对系统行为的深刻理解。拥有这两种技能的工程师很难找到。与此同时，部署涉及一系列复杂的步骤和相互联系。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，这些设备依次连接到一个IT/OT系统，该系统可能是基于云的，或基于前提的，或两者兼有。单个算法的部分可能存在于此基础结构的不同元素上，这增加了复杂性(图1)。
图1。已部署预测维护系统的组成部分。
本文以包装机为例，通过开发预测性维护算法并使用MATLAB将其部署到生产系统中，展示了如何处理这些复杂性®．
包装机维护系统
包装机有几个机械臂(图2，左)。机械臂来回高速移动，将物体移动到流水线上进行包装。他们被连接到可编程逻辑控制器(plc)，与微软通信®Azure®基于IT/OT系统。该IT/OT系统从连接到机械臂的边缘设备收集流数据，根据这些数据运行预测性维护算法，以检测异常，预测机械臂可能发生故障的时间，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。第一种是在边缘上实现，并使用特征提取技术执行数据缩减。第二种是在云中实现的，使用这些特征值和机器学习模型来预测故障发生的时间，并估计机器的剩余使用寿命(RUL)。这个预测算法的结果几乎实时地流到我们的仪表盘上。
数据约简算法的开发
我们的预测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。我们正在追踪驱动每只手臂的电机所产生的速度和电流。
用于这类机器的传感器可以以很高的速率对数据进行采样。存储如此大量的传感器数据可能是昂贵的，分析这些数据是耗时的，因为庞大的数据量使识别感兴趣的区域变得困难。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，并返回捕捉关键动态的更小的特征集，显著减少了存储和传输需求。机械臂上的传感器以1khz的速度捕捉数据，即每秒1000个样本。将一秒钟的数据压缩为5个特性，将使我们对数据存储和传输的需求减少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，并根据特征在区分正常机器和故障机器生成的数据方面的能力对特征进行排名(图3)。
图3。诊断功能设计器应用程序。
一旦我们选择了我们想要提取的特征，我们就可以在作为边缘设备的PLC上实现和测试数据缩减算法。我们没有在真实的机器上测试算法，这可能会损坏机器，而是将PLC连接到在Speedgoat实时计算机上运行的机械臂的Simscape™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，就像它是一台真正的机器一样。我们首先用Simulink Coder™生成数据缩减算法的C代码，并将其部署到PLC。金宝app然后，我们将包装机模型部署到Speedgoat系统中，并在不同的故障条件下进行模拟，以确保我们的算法能在真实环境中正确工作(图4)。
图4。部署到PLC，并使用Speedgoat硬件进行实时测试。
预测算法的发展
我们现在有了一种边缘设备，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(运行在Azure云上的开源流处理平台)将精简后的数据集流到我们的IT/OT系统中。我们将使用这些流数据来估计包装机电机的RUL。
随着时间的推移，电机的状况恶化，提取的特征值将以线性或指数速率稳步增加或减少(图5)。基于这一趋势，我们在预测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RUL图示例。
为了使该算法与基于云的系统兼容，我们使用MATLAB Compiler SDK™创建可执行文件，然后使用MATLAB Production Server™将其集成到IT/OT系统中(图6)。
图6。云部署概述。
我们现在有机器学习算法，利用连接到单个机械臂的边缘设备从原始数据中提取的特征来预测包装机器的故障，以及一个基于web的仪表板，让我们可以立即访问结果(图7)。
图7。最后一个网页仪表盘。
案例研究:IMA Active
IMA Active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，可以监测压片机生产机器的健康状况。这台机器有需要精确润滑的关键运动部件。润滑剂太少会导致压力和失败。润滑剂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，并且将是自动教学的，不需要外部干预。
IMA Active工程师使用预测维护工具箱为系统开发算法。他们首先从两个传感器(共36个)中提取特征。
“利用MATLAB工具，我们成功地提取和选择最佳特征，建立分类模型。最有前途的算法使用了5个特征，准确率达到89%。”
亚历山德罗·费里，IMA活跃人士
他们使用预测性维护工具箱中的诊断功能设计器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估计压片机关键运动部件的健康状况。
预测维护系统使机器操作员能够根据生产需要优化资源使用和安排维护活动。
