在 2000 年代中期，位于肯塔基州乔治城的丰田北美工厂的压缩空气系统平均每年崩溃一次以上。这让工厂的一些人怀疑利用机器学习和人工智能是否可以通过提供异常检测、故障识别以及最重要的是在故障发生前预测即将发生的故障来解决这个问题。
解决浪涌控制问题对 Mark Rucker 和从事该工厂工作的团队来说，在丰田北美工厂取得成功是一个巨大的胜利。当然，压缩空气系统的意外停机意味着整个工厂都存在问题。喷漆车间使用压缩空气为新车辆喷漆。该系统使气动工具栩栩如生，与吹掉打磨和其他残留物的压缩空气相比，没有什么比这更重要的了。
完成车辆滚动在两个班次期间，每 25 秒关闭工厂三条线路中的一条，如果压缩空气设施出现故障，后果将非常严重。
“如果线路出现故障，费用是巨大的，”Mark Rucker 说，工厂的项目经理和电气主题专家。 “所以，有一个很好的动机去拥有一个良好、可靠、稳定的公用事业。”
价值数百万美元的压缩空气系统由十几个 Ingersoll Rand 离心式空气压缩机组成，每个压缩机的大小为小型半挂卡车每台压缩机的末级叶片以 20,000 rpm 的速度旋转，距离它们的外壳只有几分之一英寸。如果刀片的运行稍微超出规格并接触到外壳，它就完蛋了。整台机器必须以大约 100,000 美元的成本进行重建。
不过，刀片的摆动并不是坠机的原因；这就是结果。
崩溃 - a.k.a.浪涌或逆流——当某事导致 th 时发生空气从压缩机到管道的正常流动试图自行反转，管道中的空气被推回。
撞车的频率、成本和后果促使丰田致电 Intelligent 的创始董事 Jay Lee Maintenance Systems，寻求帮助。
Jay Lee 走在了工业 4.0 曲线的前面
在新千年之初，在接到丰田电话之前，Lee 是辛辛那提大学设想工厂中的所有机器都连接起来并为智能维护提供数据。不过，当时还没有实现李的愿景所需的大部分技术。
丰田北美工厂的压缩空气系统自从 Jay Lee 和他的公司以来的 15 年里没有发生过计划外停机来自 Intelligent Maintenance Systems 的团队与汽车制造商合作o;s 员工应用 AI。“二十年前，很少有人相信这是可能的，”Lee 说，他目前正在休假，是威斯康星州富士康科技集团的副董事长兼董事会成员。
在他的工业愿景中，机器就像病人，从监控机器的传感器收集的数据提供了有关它们健康的信息。专家通过解释他们收集和分析的数据得出预测。
“我说，‘为什么不测试机器的血液？’机器的血液是什么？”李说。 “数据。问题是，“你想得到什么数据？”这取决于你想分析什么。我们需要了解上下文和内容，并进一步制定不可见未知之间的关系模型。”
隐藏在数据中的是关于机器或过程的异常行为的含义。解开那个意义导致预测质量，确定稳定性机器或过程的完整性并防止潜在的故障。 “这正是今天工业 4.0 的意义所在，”Lee 说。
当然，“工业 4.0”一词直到 2013 年德国政府提出倡议时才得到普及。
自 2006 年以来未发生事故
在丰田后，Lee 和他的数据分析师团队与 Rucker 以及一群熟练的维修工人和工厂工程师一起解决压缩空气系统问题。
他们问题的简单性掩盖了未来任务的复杂性。
“我们能否在导致崩溃之前预测逆流问题？”鲁克说。 “我们能及时看到事情的发展并采取措施吗？”
通过 2005 年数月的反复试验，该团队收集并分析了其中一台压缩机的高保真数据，并寻找异常情况.有时，团队会创造激增或接近激增的条件，因此y 可以迫使机器开始表现出异常行为，并查看数据集中的行为。
最终，团队的工作得到了回报。其成员发现，在第二阶段（压缩机从正常压力到每平方英寸 120 磅压力 (PSI) 的四个阶段中运行的四个阶段）发生了初期喘振情况的最佳预测指标。
“这背后的物理学是什么，为什么这是预测因子？”鲁克说。 “不知道，不关心。我们刚刚看到，这可以可靠地预测未来的激增，并在几秒钟内发出警告。”
下一步是在每个压缩机上放置一个差分传感器，并为中央控制器创建一个机器学习算法控制单元。测试证实，一旦二级开始“摆动”，压缩机就会开始后退。
“每次我们测试它时，它都会让我们远离麻烦，”他说。 “我们没有发生过事故自 2006 年以来。”
Predictronics 首席执行官 Edzel Lapira 和他的团队与希望使用 AI 来保持工厂运转的客户合作。虽然压缩机喘振项目取得了成功，但另一个专注于预测寿命的项目压缩空气巨兽中的轴承发生故障。 Rucker 说，该团队找不到足够可靠的维护数据并将其与机器运行数据配对以得出任何有用的相关性。
“这可能是正确的研发组合，”他说。 “你尝试了一些东西，但你不知道它是否会奏效。如果有一半的时间你能拿回你的钱，那就是赢了。每隔一段时间，您就会发现它可以为其他所有东西买单——比如浪涌控制。”
灵活性是关键
Lee 随后发布编辑了一篇关于丰田项目的论文，并在 2013 年帮助与 Intelligent Maintenance Systems 的员工 Patrick Brown 以及他的两个大学生 David Siegel 和 Edzel Lapira 共同创立了 Predictronics。棕色的。 Lapira 和 Siegel 组成了 Predictronics C 套件。
就像丰田的 Rucker 向 Lee 寻求 AI 帮助一样，公司也向 Predictronics 寻求帮助以实现他们的零停机时间愿望。
“不同的客户是通常处于不同的成熟度水平，”首席执行官拉皮拉说。 “我们有一些客户已经有了数据收集结构：他们有一个数据湖，但他们不知道如何处理这些数据。我们也有一些客户必须从头开始。”
拥有 50 或 60 年资产的客户必须在更早的阶段开始。
Predictronics 越来越成为使用旧机器的客户联系。 Lapira 和他的同事让他们购买加速度计和 tr 等组件ansducer。
Josh Person 是 Fanuc 视觉小组的高级工程师，负责公司新的“AI 防错”功能，该功能使用机器人的机器学习。“这些是我们的不同模数转换器需要取出这些数据，”他说。
自 2013 年成立以来，Predictronics 已通过 AI 解决方案帮助了 70 多家工厂，其中许多是财富 500 强公司。
Predictronics与一个客户（一家半导体制造商）合作，建立了一个虚拟计量预测解决方案，该解决方案能够了解传感器和测量变量之间的关系。
由于传感器抛出的数百个测量信号，该项目具有挑战性
但是有一些众所周知的统计方法可以缩小 tSiegel 说，可能性的数量。
“除了这些方法，在过去几年中，更多的机器学习社区开发了包含分类回归算法的方法，该算法具有内置的它的变量选择部分，”他说。 “因此，它缩小到前 10 个，或 20 个或 30 个变量。然后您与客户合作或使用您自己的知识来确定最有意义的内容包含在软件和分析模型中。”
Predictronics 是否应用从以前的经验中获得的基于模板的方法中的知识，这有助于降低成本，或者在公司的一个部门制定解决方案，然后可以在内部进行扩展，“找到一种解决方案可以直接解决最关键的问题，但也足够灵活以应用于其他问题是关键，”Brown 说。
尽职调查 AI
货比三家的工厂像丰田这样针对其压缩空气问题所做的人工智能解决方案提供商应该尽职调查以找到合适的解决方案。
Predictronics 的专家表示，知道要问的正确问题会有所帮助：
您的服务以前在哪些地方使用过？
您的解决方案是否在减少停机时间或提高质量方面对业务运营进行了明显改进？
您的解决方案是否已被在我的行业中使用？
您的团队是否具有工业领域知识？
您的解决方案是否适用于遗留设备？
您的解决方案是否适用于各种传感器？
您的解决方案是否使用机器学习？
训练模型需要多少数据？
它是否只需要来自健康机器的数据或者来自退化或故障机器的数据也可以从中学习？
机器人也需要 AI
虽然商店中的机床在 AI 的影响下表现更好，但没有理由机器人不能
Fanuc America 最近在其机器人控制器和机器人视觉功能 iRVision 中添加了“AI 防错”功能，该功能使用机器学习 (ML) 进行零件检测。
借助防错功能，操作员可以使用图像来训练机器学习来检查两种不同的情况（例如，是否存在焊接螺母）并接受或拒绝零件。
因为iRVision 可以支持多达 27 个摄像头，防错功能可以在制造过程中的多个点发挥作用。
“您想在继续为不良零件增加价值之前识别拒绝或错误”，Fanuc 机器视觉小组的资深工程师 Josh Person 说。
“通常，您可以在一个阶段看到错误，下一阶段会掩盖它，”他补充道。
在设置过程中，操作员可以展示多个工件示例，并将它们分为两类——好的和坏的。如果例子 d不属于任何一个类别，它将输出“未确定”。然后可以添加未确定的示例以改进学习模型。
