工業(yè)物聯(lián)網(wǎng)和機器學(xué)習(xí) 塑造預(yù)測性維護的未來

作者：Nordic Semiconductor業(yè)務(wù)開發(fā)經(jīng)理Lorenzo Amicucci

在工廠、生產(chǎn)設(shè)施和其他工業(yè)環(huán)境中，數(shù)以百萬計的機器設(shè)備助力生產(chǎn)人們所需的一切物品，從食品和藥品到汽車和計算機。然而，即便是最好的機器也不可能永遠運轉(zhuǎn)，總會出現(xiàn)各種問題。當(dāng)軸承磨損、電機過熱等內(nèi)部故障，或者濕度和溫度等外部條件導(dǎo)致這些關(guān)鍵設(shè)備資產(chǎn)出現(xiàn)失靈時，即使是短時間的故障，也會對企業(yè)造成嚴(yán)重的影響。

例如，西門子人工智能機器健康管理平臺 Senseye Predictive Maintenance 在 2022 年發(fā)布的一份報告指出，大型工廠平均每月因機器意外停機而損失 25 小時生產(chǎn)時間[1]，而停機僅一小時的損失，就從生產(chǎn)快速消費品工廠的平均 39,000 美元到汽車行業(yè)的 200多萬美元不等。德勤咨詢公司表示，每年非計劃機器停機給工業(yè)制造商造成的損失估計高達500億美元[2]。

這些數(shù)據(jù)表明，等待設(shè)備或機器發(fā)生故障后才進行維修，其實并不可行；然而，無故地盲目進行維修或更換也是行不通的。預(yù)測性維護為此提供了答案。

預(yù)防機器故障

預(yù)測性維護(傳統(tǒng)上稱為狀態(tài)監(jiān)測)并不是一個新的概念，至少可以追溯到 20 世紀(jì) 90 年代初，其目標(biāo)是在維護活動最具成本效益時，在設(shè)備性能變得不盡人意之前啟動機器維護。在實踐中，當(dāng)機器健康狀況達到指定的閾值時就會發(fā)出警報，工程師仔細(xì)檢查機器的狀況，尋找缺陷，并在問題惡化之前加以修復(fù)。

這種方法具有巨大的價值。德勤公司稱實施預(yù)測性維護平均每年可節(jié)省材料成本 5%至 10%；設(shè)備正常運行時間和可用性可提高 10%至 20%；總體維護成本可降低 5%至 10%；維修規(guī)劃時間可減少20%至50%。根據(jù)麥肯錫全球研究院數(shù)據(jù)，基于工業(yè)物聯(lián)網(wǎng)(IIoT)的預(yù)測性維護通?？蓪C器停機時間減少多達50%，將機器壽命延長 40%[3]。

預(yù)測性維護帶來的優(yōu)勢不僅限于制造業(yè)，幾乎所有依賴于有形資產(chǎn)進行服務(wù)或生產(chǎn)的行業(yè)都可以藉此獲益。例如，電力公司可以采用預(yù)測性維護和監(jiān)控工具來防止停電造，避免造成巨大損失和混亂。

工業(yè)物聯(lián)網(wǎng)推動預(yù)測性維護

在預(yù)測性維護的早期發(fā)展階段，由于缺乏合適的傳感器來收集數(shù)據(jù)，以及整理和分析信息的計算資源很有限，因而難以實施這種維護。如今，由于 IIoT、云計算、數(shù)據(jù)分析和機器學(xué)習(xí)(ML)技術(shù)的進步，預(yù)測性維護在中小型企業(yè)(SME)和大型企業(yè)中都很普遍。在西門子報告中，約有四分之三的受訪者將預(yù)測性維護視為戰(zhàn)略重點。

低功耗藍牙等功能強大的低功耗無線技術(shù)使得傳感器能夠在由數(shù)百、數(shù)千或數(shù)萬臺設(shè)備組成的網(wǎng)絡(luò)中收集數(shù)據(jù)。這些 IIoT 傳感器可監(jiān)控設(shè)備溫度和振動、壓力、氣體水平和能耗等參數(shù)，可讓服務(wù)團隊更深入地預(yù)測設(shè)備的未來狀態(tài)，并且在問題出現(xiàn)之前主動應(yīng)對，防患于未然。

德勤在“預(yù)測性維護”定位文件中指出：“數(shù)據(jù)是任何預(yù)測性維護引擎的燃料。數(shù)據(jù)的質(zhì)量和數(shù)量是分析根本原因和提前預(yù)測故障的限制因素。IIoT可以提供源源不斷的'燃料'。傳感器連續(xù)收集數(shù)據(jù)，然后通過網(wǎng)關(guān)將關(guān)鍵信息傳回中央服務(wù)器或云進行分析。”

無線網(wǎng)絡(luò)還具有其他優(yōu)勢，例如在危險環(huán)境、不建議人們前往和難以到達的位置中實現(xiàn)資產(chǎn)監(jiān)控。無線網(wǎng)絡(luò)還能夠大大降低與預(yù)測性維護系統(tǒng)的安裝、維護和性能相關(guān)的成本。

機器學(xué)習(xí)大展拳腳

構(gòu)建每天都能產(chǎn)生數(shù)百萬個數(shù)據(jù)點的無線網(wǎng)絡(luò)是一回事，而如何及時了解所有數(shù)據(jù)并對問題需求做出響應(yīng)，則是另一回事。為了最大限度地降低傳輸大量數(shù)據(jù)的成本和能耗(其中大部分?jǐn)?shù)據(jù)是平平無奇的)，人們在網(wǎng)絡(luò)內(nèi)部通過稱為邊緣處理的技術(shù)來完成大部分的計算工作。這就需要大量的計算能力和內(nèi)存、傳感器融合以及越來越多的 機器學(xué)習(xí) (ML)。

傳感器融合是將傳感器數(shù)據(jù)進行組合，這樣所得到的信息相比來自單獨傳感器的信息具有更高的確定性(即更精確或更完整)。ML 是人工智能(AI)的一種應(yīng)用，允許計算機在沒有直接編程或指令的情況下進行學(xué)習(xí)。ML 算法從數(shù)據(jù)中學(xué)習(xí)，然后對未見過的數(shù)據(jù)進行推斷，從而在沒有明確指令的情況下做出決策。其結(jié)果是不斷增強機器的能力和高度自主性。

邊緣處理和傳感器融合使得物聯(lián)網(wǎng)設(shè)備能夠?qū)?shù)據(jù)進行本地篩選，以確定哪些是普通情況的數(shù)據(jù)，哪些表明情況正在發(fā)生變化，應(yīng)予以標(biāo)記。通過添加 ML，邊緣設(shè)備不僅能夠檢查數(shù)據(jù)是否超過預(yù)設(shè)閾值，還可以推斷(根據(jù)已知信息對事物的未來狀態(tài)得出結(jié)論)這些變化意味著什么，然后采取相應(yīng)的措施。

一個預(yù)測性維護相關(guān)示例是監(jiān)測機器軸承的溫度傳感器。該傳感器可使用ML模型來推斷，例如軸承溫度的逐漸升高僅僅是機器在預(yù)熱，而無需擔(dān)心；但軸承溫度若快速升高，則表明可能出現(xiàn)潤滑故障，并觸發(fā)傳感器在機械損壞發(fā)生前關(guān)斷機器。

助力分析性預(yù)測維護

當(dāng)今許多先進的 ML 模型都需要大量的計算資源和高能耗來執(zhí)行推理。然而，如今大量的物聯(lián)網(wǎng)連接設(shè)備雖然能夠執(zhí)行一些邊緣計算和傳感器融合，但卻無法獲取這些資源。

微型機器學(xué)習(xí)(Tiny Machine Learning)或 TinyML 就是解決方案。這項技術(shù)是 ML 的一個分支，但簡化了軟件，使得基于微控制器的電池供電嵌入式設(shè)備(如無線系統(tǒng)級芯片(SoC))也能夠運行機器學(xué)習(xí)。

Nordic設(shè)計合作伙伴 Edge Impulse 提供TinyML 軟件，該軟件可在Nordic的 nRF52840、nRF5340 和最新的 nRF54H20 SoC上運行。Nordic 提供可用于其Thingy:53 IoT 原型平臺上訓(xùn)練和部署嵌入式 ML 模型的應(yīng)用程序。這款應(yīng)用程序允許開發(fā)人員通過移動設(shè)備將原始傳感器數(shù)據(jù)上傳到基于云的 Edge Impulse Studio，并通過低功耗藍牙將完成了訓(xùn)練的 ML 模型部署到 Nordic Thingy:53 上。

Nordic物聯(lián)網(wǎng)原型平臺可用于測試ML模型

這項功能促進了傳感器的發(fā)展，例如采用 Nordic nRF52840 SoC 的 Atomation Atom。該傳感器可測量振蕩以確定機器電機是否比昨天振動得更厲害，或者監(jiān)測溫度以檢查機器運行時軸承是否發(fā)熱。每個 Atom 使用 3.6 V鋰離子電池可工作長達三年時間。

由 Nordic 的 nRF52840 SoC 驅(qū)動的 Atomation Atom 可監(jiān)測振動以掌握機器的健康狀況

這些傳感器在本地監(jiān)控和處理信息，而不是向中央系統(tǒng)發(fā)送源源不斷的數(shù)據(jù)流。當(dāng)超出閾值或設(shè)備運行超出正常參數(shù)范圍時，數(shù)據(jù)會通過低功耗藍牙無線連接發(fā)送到網(wǎng)關(guān)。例如，Atom 設(shè)備可以確定并回答 "設(shè)備是開啟還是關(guān)斷？"、"電機振動是否比昨天更大？" 或 "機器運行時軸承溫度是否過高？" 等問題。

Atomation 首席執(zhí)行官 Steve Hassell 解釋道：“Nordic SoC 是我們Atom產(chǎn)品的真正大腦，這個大腦必須接收原始傳感器數(shù)據(jù)，將其轉(zhuǎn)換為有用信息，并且在嚴(yán)苛的射頻環(huán)境中進行通信之前做出獨立的決策?！?/p>

下一步是什么？

預(yù)測性維護越來越多地使用由 ML 支持的自動分析技術(shù)。這將意味著減少人工參與并獲得更好的結(jié)果，但這也增加了對邊緣計算能力的需求。Nordic 已經(jīng)預(yù)見到這一市場需求，因此推出了下一代短距SoC產(chǎn)品nRF54 系列。

新型SoC 集成了多個 Arm Cortex-M33 處理器和 RISC-V 協(xié)處理器，每個處理器都針對特定類型的工作負(fù)載進行了優(yōu)化。通過結(jié)合嵌入式大容量非易失性內(nèi)存和 RAM，nRF54H20 SoC 為開發(fā)人員提供了運行復(fù)雜的 ML 驅(qū)動型預(yù)測性維護應(yīng)用所需的更多計算和內(nèi)存資源。更妙的是，結(jié)合使用nRF54H20 與 Nordic 的 nPM1300 等電源管理 IC (PMIC)，能夠?qū)崿F(xiàn)超低功耗，延長電池壽命，降低維護需求并減少浪費。

Nordic nRF54H20 SoC 支持 TinyML，帶來強大的計算能力和內(nèi)存資源以實現(xiàn)預(yù)測性維護應(yīng)用

未來，由 nRF54H20 SoC 等新一代 SoC 支持的預(yù)測性維護解決方案將更加靈活、高效和可持續(xù)。這將推動所有類型機器的運營商充分發(fā)揮資產(chǎn)的潛力，同時延長運行壽命。在短短三十年間，預(yù)測性維護已取得了長足的進步。

參考資料

1. “The True Cost of Downtime 2022”, https://blog.siemens.com/2023/04/the-true-cost-of-downtime/

2. “Predictive Maintenance”, https://www2.deloitte.com/content/dam/Deloitte/de/Documents/deloitte-analytics/Deloitte_Predictive-Maintenance_PositionPaper.pdf

3. “Manufacturing: Analytics unleashes productivity and profitability”, https://www.mckinsey.com/capabilities/operations/our-insights/manufacturing-analytics-unleashes-productivity-and-profitability