通过预测故障获得成功:人工智能初创企业使用基于工厂的传感器预防停工

作者 Daniel Saaristo

人工智能如何更快、更精确地进行预测性维护。

在高度依赖机器的世界中,机器故障可能带来棘手的问题,有时候可能造成灾难性的后果。

对于汽车制造商来说,一个小时的系统故障可能带来 130 万美元的经济损失。海上石油钻井平台停工 1 天将损失 350 万美元。

而且,技术故障的代价不仅仅是金钱,还可能将员工置于危险境地,使客户关系岌岌可危,甚至对环境带来威胁。

为解决这一问题,许多公司引入了预测性维护项目,在故障发生前,对设备进行缺陷检测。传统技术主要是在机器上安装大量专用传感器,并检测特定机器的性能。

但是这种检测方法狭隘且孤立,通常无法发现重大的整体性问题,或者无法从根源上解决问题。这可能会导致日后发生额外的、原本可以阻止的故障。

Reliability Solutions 正在另辟蹊径。这家总部位于波兰克拉科夫市的初创企业,利用客户预先安装的众多传感器收集的海量数据,现场进行故障预测。

作为 NVIDIA 初创加速计划的成员,Reliability Solutions 是率先采用此种方法的公司之一,并且已经开始与众多知名企业合作,包括能源供应商 Tauron、汽车制造商欧宝大众

正确高效地预测故障

预测性维护旨在预测设备故障可能发生的时间,并为采取预防措施留出充足的时间。

Reliability Solution 的预测性维护方法采用深度神经网络,其数据中心由 NVIDIA Tesla P100 GPU 集群提供支持。

Reliablity Solutions 首席执行官 Mateusz Marzec 解释道:“通过使用深度学习,我们可以避免传统预见性维护模型的常见痛点,也就是高硬件成本、高工程成本以及长生产周期。”“有了 NVIDIA GPU 的帮助,我们可以在几个小时内对模型进行 Terabyte 级数据的训练。”

欧洲最大的能源企业之一希望 Reliability Solutions 为其建造可以检测流化床燃烧锅炉故障的预测模型。这些系统在低温条件下燃烧固体燃料以产生能量,从而减少硫化物的排放。

这个锅炉网络每年为超过 550 万用户提供将近 50 太瓦时的电量,任何设备故障都会产生严重的影响。

Reliability Solutions 利用工厂预先安装的传感器收集的 700GB 历史数据开发了一个预测模型。同时,它也将 2013 年至 2015 年这 3 年间出现的所有对锅炉产生影响的事件导入模型中。这些数据用于对 NVIDIA GPU 集群的一系列深度神经网络进行训练。

当使用 2016 年的运行数据进行验证时,该系统能以 100% 准确率预测出所有故障,没有任何误报。每次都能够在实际故障发生前 2.5 到 17 个小时之间预测到流化床锅炉故障。这使得维护团队有充足的时间来阻止故障发生,或者至少能够将破坏降到最低。

预测性维护模块现已全部安装到位,该公司每年可节省 4 百万欧元。

从预测到规范

Reliability Solutions 正在将注意力转到开发规范性维护。这使他们不仅能发现哪里会出问题、什么时候出问题,也能就操作流程给出建议。

这一方法也适用于想要优化机器性能、而非解决问题的企业。在这些情况下,规范性模型可以就下一步的行动提出建议,比如说,如何帮公司节省开支或者减少企业的二氧化碳排放量。

Reliability Solutions 已经在与中欧最大的化学企业之一合作,通过优化设备配置来帮助其实现资源消耗最小化、产出最大化的目标。

Reliability Solutions 建立了一个基于深度神经网络的化学装置元模型,然后将其配置应用到现实生产中。他们发现,该元模型的准确率可达到 90%。

使用规范模型,Reliability Solutions 已帮助该企业将双氧水的用量减少 2% 以上,这将帮助企业每年节省数百万欧元。