解决方案 | 基于神经元网络的设备异常检测

PLCnext预测性维护初应用

异常检测

通过采集监控设备的实时数据判断设备运行中是否出现异常情况。

“一个人或一件事要坏之前，一定有一些蛛丝马迹露出端倪！”

——鲁迅

基于人工智能算法的异常检测

使用人工智能神经元网络算法模型对采集到的实时数据进行推理，判断设备整体运行中是否出现异常情况。

“上面的话不是我说的！”

——鲁迅

▶▶

传统异常检测局限性

     在上次的推文中，我们为大家解释了预测性维护的相关知识。预测性维护中重要的一个环节就是异常检测，传统的异常检测一般针对单个数据，规定出固定的正常范围，超限则为异常。但是设备的数据往往不一定是线性变化的，内部数据之间会相互影响，同时也会被外界的因素所影响。

      如轴承的异常可能会导致温升，可以从温度值来判断轴承是否出现异常。但是还有一些别的因素，比如连续运行的时间，比如设备周围的环境温度，都会很大程度上影响采集到的温度值。

      所以不难发现如果只是指定一个范围值，很难准确的发现设备是否处于异常状态，往往还需该领域的专家对多个数据异常情况进行综合分析才能得出结论。

      传统异常检测的局限性，限制了预测性维护的发展，但魔高一尺，道高一丈！工程技术人员就结合新技术，开发出了更高级的异常检测方法---基于神经元网络的异常检测。

▶▶

基于神经元网络的异常检测

     通过神经元网络的算法进行异常检测，则会把整个设备以及一些外部环境的因素视为一个整体，建立一个包括了所有采集数据点的模型。

      并且在模型中会建立各个因素之间的相互关系，它们形成一个动态的平衡，在综合考虑到各个因素的变化情况后，给出一个设备是否有异常的总体评估结果。

      当下，工业数字化浪潮发展迅猛，相信有越来越多的工厂开始采集并且存储设备的数据。基于神经元网络的异常检测技术就是将人工智能部署在工业现场的第一步。

X

#数学建模#

▶

#系统性诊断#

▶

#算法迭代优化#

▶

#人工智能自主判断#

▶

▶▶

算法实现步骤

      这种高级算法异常优秀，那我们如何实现呢？

      比把大象放冰箱里复杂些，拢共分四步，第一步，选择设备的关键数据，并采集和存储设备在正常工况下的数据值。

      可以使用PLCnext将数据采集并存储于MySQL等数据库中或存储在本地。

     第二步，进行数据预处理，可选用MLnext Framework或自己编写数据处理的程序进行数据预处理。

      第三步，建立神经元网络，读取采集到的数据，得出异常值。

      同样可选用MLnext Framework或自己编写模型训练的程序，根据预处理后的程序进行神经元网络的训练。

     最后一步，即可将算法部署于PLCnext控制器中，进行实时推理。

    在部署的过程中可使用Docker的方式，建立一个与PLCnext环境相同的Docker，并将算法运行于Docker中。通过rsc的方式读取PLCnext中采集到的变量值，并将推理出的异常值写入PLCnext。  

     部署完成后即可在PLCnext Engineer软件中实时查看推理的结果并进行测试，如下图中进行异常的模拟。

      在微调了相关参数的系数后，采集的参数的值并没有发生肉眼可见的变化，但通过神经元网络的分析后，反馈出了异常值，明显的反应了异常工况的出现。可以看到此时运行参数明显异于正常值。

#算法实际运行效果#

     由于PLCnext独特的开放性，使得各种人工智能算法在PLC中部署变为可能。工业设备的异常检测为预测性维护提供了坚实的数据基础。也使得PLCnext在未来工业中的应用前景变得更为广阔！