清华大学邓仰东:机器学习与设备预测性维护

2020-06-18 14:37:41

来源:CIO时代网

       2020年6月13日,由CIO时代学院主办,小鱼易连协办的“2020中国制造业数字化高峰论坛”于线上成功举办。本次论坛上清华大学软件学院副教授邓仰东发表主题为《机器学习与设备预测性维护》的精彩演讲。以下为精彩演讲实录:
\

       人工智能经过六七十年的发展,已经进入我们的生活,而且必将不断的深化改变我们的生活。

  背景

       工业人工智能是由两方面进步所决定的。第一方面是AI数据,有足够的数据驱动数据分析。其次是算力的提高,通过云计算、边缘计算、CPU训练复杂的深度神经网络。信息技术的发展为提高工业效率提出了全新的可能性。

       从传统工业来看存在两方面的驱动因素。一方面是发达国家普遍存产业空心化、利润高、就业不足等问题,另一方面是发展中国家以牺牲环境为代价获得收入和就业,但产业利润低。所以全世界都通过工业革命,第四次工业革命是继蒸汽技术革命(第一次工业革命 ,电力技术革命(第二次工业革命 ),计算机及信息技术革命(第三次工业革命)的又一次科技革命。

  预测式维护是通过离线或在线监测设备状态,利用AI技术,预测设备状态的未来趋势,从而确定在设备发生故障前、成本效益最优的维护时机和方法。

  机遇和挑战

  机遇,预测式维护是在未来的潜力是最大的。93%的制造和运维企业认为其维护过程效率不高(McKinsey报告),其次每年机器故障引起的损失达到6470亿美元(国际自动化协会),2025年AI将为制造业节约6300亿美元(McKinsey报告)。挑战来自四个方面,分别是数据与业务紧耦合、样本分布不均衡、应用场景繁多、智能处理能力受限。

  技术体系

  核心技术1:工业智能边缘计算硬件。硬件既包括可编程的硬件,也包括多个CPU,使终端设备具有一定的计算能力,支持主流机器学习工具和各种神经网络计算。

  核心技术2:针对工业装备的预测式学习技术。建立预测式模型,通过模型监控设备的运行状态,作为异常检测的健康基线。

  核心技术3:基于对抗网络的小样本学习。利用对抗网络的数据生成能力增加样本实现特征学习。

  核心技术4:基于深度神经网络的感知和识别技术。终端智能硬件分别有TTempNet-设备温度的预测网络、电容软测量网络、TAcousNet-声学信号检测网络、TDetNet-专用目标检测深度网络、TCNet-图像分割网络等。

  核心技术5:工业领域知识图谱。适用于各种工业领域的知识库建设和自动推理。

  应用

  智能感知:综合数据采集

  综合多种来源多模态、多物理数据,并根据需要引入新型传感设备。例如基于机器学习的状态监测。

  诊断:机车故障诊断

  根据数据异常或者是故障报警进行故障诊断。例如机车故障推理机,已在肯尼亚机车项目、丰台机务段和201所试验应用。

  预警:机理和数据联合驱动故障预测

  根据数据预测它将来可能会发生的故障。以上海地铁为例,准确预测上海地铁17号线(02号车)近期发生的一次走行部故障。该故障由轴承保持架断裂引起,体现为轴温急剧上升。

  基于预测的智能决策

  基于深度神经网络预测,便于支持修程修制优化和精准后期规划。例如根据历史数据和发展趋势估计剩余寿命。

  总结

  第四次工业革命,通过AI和互联网技术缩短了响应时间、降低成本、提高生产率,同时以先进制造业为基础,通过服务提高盈利能力。中国的制造力空前强大,问题是存在效率低,能耗大。优势是数据样本最为丰富,利用现代人工智能技术,发展资源节约型、环境保护型现代装备运维体系,支撑课持续发展。

  谢谢大家。




相关资讯

五大方面:机器学习如何在不久的将来改变教育

2020-03-23

制定机器学习训练数据策略的6个技巧

2019-09-04

机器学习是云原生安全的未来

2019-07-23

想让机器学习与商业结合,最重要的是什么?

2019-07-23
博评网