PLCnext預(yù)測(cè)性維護(hù)初應(yīng)用
異常檢測(cè)基礎(chǔ)概念
異常檢測(cè)
通過采集監(jiān)控設(shè)備的實(shí)時(shí)數(shù)據(jù)判斷設(shè)備運(yùn)行中是否出現(xiàn)異常情況。
基于人工智能算法的異常檢測(cè)
使用人工智能神經(jīng)元網(wǎng)絡(luò)算法模型對(duì)采集到的實(shí)時(shí)數(shù)據(jù)進(jìn)行推理，判斷設(shè)備整體運(yùn)行中是否出現(xiàn)異常情況。
??傳統(tǒng)異常檢測(cè)局限性
在上次的推文中，我們?yōu)榇蠹医忉屃祟A(yù)測(cè)性維護(hù)的相關(guān)知識(shí)。預(yù)測(cè)性維護(hù)中重要的一個(gè)環(huán)節(jié)就是異常檢測(cè)，傳統(tǒng)的異常檢測(cè)一般針對(duì)單個(gè)數(shù)據(jù)，規(guī)定出固定的正常范圍，超限則為異常。但是設(shè)備的數(shù)據(jù)往往不一定是線性變化的，內(nèi)部數(shù)據(jù)之間會(huì)相互影響，同時(shí)也會(huì)被外界的因素所影響。
如軸承的異?？赡軙?huì)導(dǎo)致溫升，可以從溫度值來判斷軸承是否出現(xiàn)異常。但是還有一些別的因素，比如連續(xù)運(yùn)行的時(shí)間，比如設(shè)備周圍的環(huán)境溫度，都會(huì)很大程度上影響采集到的溫度值。
所以不難發(fā)現(xiàn)如果只是指定一個(gè)范圍值，很難準(zhǔn)確的發(fā)現(xiàn)設(shè)備是否處于異常狀態(tài)，往往還需該領(lǐng)域的專家對(duì)多個(gè)數(shù)據(jù)異常情況進(jìn)行綜合分析才能得出結(jié)論。
傳統(tǒng)異常檢測(cè)的局限性，限制了預(yù)測(cè)性維護(hù)的發(fā)展，但魔高一尺，道高一丈!工程技術(shù)人員就結(jié)合新技術(shù)，開發(fā)出了更高級(jí)的異常檢測(cè)方法---基于神經(jīng)元網(wǎng)絡(luò)的異常檢測(cè)。
??基于神經(jīng)元網(wǎng)絡(luò)的異常檢測(cè)
通過神經(jīng)元網(wǎng)絡(luò)的算法進(jìn)行異常檢測(cè)，則會(huì)把整個(gè)設(shè)備以及一些外部環(huán)境的因素視為一個(gè)整體，建立一個(gè)包括了所有采集數(shù)據(jù)點(diǎn)的模型。
并且在模型中會(huì)建立各個(gè)因素之間的相互關(guān)系，它們形成一個(gè)動(dòng)態(tài)的平衡，在綜合考慮到各個(gè)因素的變化情況后，給出一個(gè)設(shè)備是否有異常的總體評(píng)估結(jié)果。
當(dāng)下，工業(yè)數(shù)字化浪潮發(fā)展迅猛，相信有越來越多的工廠開始采集并且存儲(chǔ)設(shè)備的數(shù)據(jù)。基于神經(jīng)元網(wǎng)絡(luò)的異常檢測(cè)技術(shù)就是將人工智能部署在工業(yè)現(xiàn)場(chǎng)的第一步。
#數(shù)學(xué)建模#
#系統(tǒng)性診斷#
#算法迭代優(yōu)化#
#人工智能自主判斷#
??算法實(shí)現(xiàn)步驟
這種高級(jí)算法異常優(yōu)秀，那我們?nèi)绾螌?shí)現(xiàn)呢?
比把大象放冰箱里復(fù)雜些，攏共分四步，第一步，選擇設(shè)備的關(guān)鍵數(shù)據(jù)，并采集和存儲(chǔ)設(shè)備在正常工況下的數(shù)據(jù)值。
可以使用PLCnext將數(shù)據(jù)采集并存儲(chǔ)于MySQL等數(shù)據(jù)庫中或存儲(chǔ)在本地。
第二步，進(jìn)行數(shù)據(jù)預(yù)處理，可選用MLnext Framework或自己編寫數(shù)據(jù)處理的程序進(jìn)行數(shù)據(jù)預(yù)處理。
第三步，建立神經(jīng)元網(wǎng)絡(luò)，讀取采集到的數(shù)據(jù)，得出異常值。
同樣可選用MLnext Framework或自己編寫模型訓(xùn)練的程序，根據(jù)預(yù)處理后的程序進(jìn)行神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。
最后一步，即可將算法部署于PLCnext控制器中，進(jìn)行實(shí)時(shí)推理。
在部署的過程中可使用Docker的方式，建立一個(gè)與PLCnext環(huán)境相同的Docker，并將算法運(yùn)行于Docker中。通過rsc的方式讀取PLCnext中采集到的變量值，并將推理出的異常值寫入PLCnext。
部署完成后即可在PLCnext Engineer軟件中實(shí)時(shí)查看推理的結(jié)果并進(jìn)行測(cè)試，如下圖中進(jìn)行異常的模擬。
在微調(diào)了相關(guān)參數(shù)的系數(shù)后，采集的參數(shù)的值并沒有發(fā)生肉眼可見的變化，但通過神經(jīng)元網(wǎng)絡(luò)的分析后，反饋出了異常值，明顯的反應(yīng)了異常工況的出現(xiàn)?？梢钥吹酱藭r(shí)運(yùn)行參數(shù)明顯異于正常值。
由于PLCnext獨(dú)特的開放性，使得各種人工智能算法在PLC中部署變?yōu)榭赡堋９I(yè)設(shè)備的異常檢測(cè)為預(yù)測(cè)性維護(hù)提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。也使得PLCnext在未來工業(yè)中的應(yīng)用前景變得更為廣闊!
（轉(zhuǎn)載）
