预测分析管道：现实世界的 AI、预测性维护和时间序列数据

作者：Jason Myers / 开发者
2024年7月23日

导航至

现实世界的 AI

如今关于 AI 的讨论如此之多，以至于我们很快就会忘记 AI 不仅仅是一种技术。它是一个类别，几乎是一个涵盖广泛不同技术、应用和方法的总称。术语“生成式 AI”和“机器学习 AI”（通常称为“现实世界 AI”）描述了在更广泛的 AI 范畴下的两个不同分支。

生成式 AI 指的是设计用于生成新内容的模型和算法，如文本、图像、音乐，甚至与训练这些模型的相同数据的类似代码。然而，我们更关注现实世界的 AI。这种机器学习使用依赖于模式和推理的算法和统计模型，使计算机能够在没有明确指令的情况下执行特定任务。当我们谈论创建更智能的系统时，现实世界的 AI 是其背后的驱动力。

工业运营不断追求优化和改进。即使是 1% 的效率提升，也可能为公司节省数百万美元。现实世界的 AI 使公司能够利用数据驱动改进，并提高其底线。在工业领域，基于数据的预测可以产生巨大影响。让我们看看预测过程包括哪些，然后考虑一个现实世界的例子。

预测分析

预测分析使组织能够预见未来的事件和结果。这允许企业提高运营效率，降低风险，并获得竞争优势。

理解预测分析

预测分析利用统计模型和数据分析，根据历史和当前（在时间序列数据的情况下，是实时）数据预测未来的事件。这种方法有助于识别潜在的风险和机会，从而实现积极主动的决策。公司不必依赖基于过去经验“anec-data”的传统方法或直觉。

预测分析帮助公司跨越广泛的行业简化运营，减少停机时间，并有效地分配资源。例如，在制造业中，通过分析维护记录和传感器数据，预测分析可以预测设备故障，从而进行及时维护并减少运营中断。

工业运营中预测分析的关键益处

当正确实施和使用时，预测分析为工业和制造业领域的组织提供了显著的优势。

  • 减少停机时间：反应性维护，也就是等待设备出现故障再进行维修，非常具有破坏性。通过预测设备故障，组织可以主动安排维护。这样可以确保他们可以采取措施来最小化停用生产线的影响，更好地协调服务人员，并提高整体生产力。
  • 提高运营效率：整体设备效率（OEE）是工业操作员的关键指标。生产设备越高效、越一致，对公司越好。预测分析可以识别复杂工业过程中的低效和瓶颈。这使操作员能够确定问题区域并做出更明智的决策。
  • 提高产品质量：与上一个观点相关，工业设备越一致、越可靠，其输出越一致。实时数据分析有助于识别生产异常，确保高质量的输出。这减少了浪费，并节省了资金。
  • 增强库存和供应链管理：预测分析的影响也会波及供应链。公司可以更好地理解和预测原材料的需求。优化库存采购、存储和管理可以降低成本并提高服务水平。

预测分析的应用

在介绍了一些预测分析的关键效益之后，现在让我们快速了解一下公司为实现这些效益所采用的某些技术和方法。

随着我们深入到工业4.0，使用人工智能变得越来越普遍。在工业环境中的预测分析涉及使用历史数据、统计算法和机器学习技术来预测未来的结果。

工业传感器和系统产生各种数据，其中大部分是时间序列数据（即带时间戳的数据）。跟踪随时间的变化对于建立基线和了解机械设备与基线的功能相比是至关重要的。

时间序列数据和机器学习是预测分析的基础。让我们看看预测分析的一个真实世界示例——预测性维护。《InfluxDB 是一个专门用于管理和处理时间序列数据的时间序列数据库。

LBBC技术

LBBC技术 是全球领先的工业压力蒸汽灭菌器技术的研发和制造商。航空航天客户使用这种设备来制造高性能铸件，如涡轮叶片。LBBC为全球客户提供支持。所有LBBC设备都配备了工业网关，简化了工业PLC和Web服务（如AWS）之间的数据连接。LBBC使用这些技术为客户提供了“连接支持”和Web SCADA。

我们可以看到LBBC向许多航空航天制造商提供的核心浸出机上的真实世界人工智能和时间序列数据的应用。核心浸出工艺使用氢氧化钾，这是一种危险且昂贵的化学品。在这个过程中，氢氧化钾会缓慢地生成硅酸盐，这会逐渐损害机器浸出核心的能力。

高硅含量会增加质量缺陷的可能性，但测量硅含量和预测客户何时需要更换氢氧化钾是一个技术挑战。通过使用InfluxDB收集和可视化这些核心浸出机的数据，LBBC发现了一种数据模式，使他们能够监控氢氧化钾条件，而无需复杂的、敏感的、非常昂贵的在线分析设备或繁琐的实验室测试。

最终，数据显示硅酸盐的积累影响了强氢氧化物的自然低蒸汽压。确定了这种关系后，LBBC使用InfluxDB处理数据来量化氢氧化物质量，而不是对机械设备本身进行机械改动或投资于其他检测方法。

在一年期间，LBBC收集了用于计算的数据，包括关于压力、温度、阀门、泵和其他重要特性的工艺细节。数据点跨越了150个周期，包括新鲜和废弃的氢氧化钾，构成了超过130万个数据点。图1显示了这些周期中的一个数据可视化。数据处理算法为每个周期隔离某些数据集，并应用最小二乘回归生成一个名为静态蒸汽压（RVP）的新变量。

图1

使用此算法，LBBC确认随着硅酸盐的积累，RVP增加，而当客户刷新氢氧化钾供应时，RVP下降。凭借从时间序列数据生成此类信息的能力，LBBC跟踪RVP，并在RVP达到表明更换氢氧化钾可以减轻质量问题水平时主动通知客户。

图2

随着LBBC在处理时间序列数据方面获得更深入的专业知识，他们继续优化他们的预测性维护方法和最佳实践。

要开始使用您的时间序列数据，今天尝试InfluxDB。