在制造業生産線上，工業生産裝置都會受到持續的振動和沖擊，這導緻裝置材料和零件的磨損老化，進而導緻工業裝置容易産生故障，而當人們意識到故障時，可能已經産生了很多不良品，甚至整個工業裝置已經奔潰停機，進而造成巨大的損失。
如果能在故障發生之前進行故障預測，提前維修更換即将出現問題的零部件，這樣就可以提高工業裝置的壽命以及避免某個裝置突然出現故障對整個工業生産帶來嚴重的影響。随着工業4.0的到來，智能工廠的工業裝置都配上了各種感應器，采集其振動、溫度、電流、電壓等資料顯得輕而易舉，通過分析這些實時的傳感資料，對工業裝置進行故障預測将是一種行之有效的措施。
是以裝置故障預測方案成為了制造行業所青睐的解決方案，其具備的核心功能有：
- 故障超前預警，減少裝置停機時間；
- 分析結果實時推送，減少人工成本；
- 适用于企業各種類型的裝置，通用性強。
本次就裝置故障預測方案分享一個落地的案例，就案例本身的效果來為大家介紹他的核心功能和實作的應用價值。
項目背景：
該客戶主要是已開發、設計、制造、銷售汽車及汽車零部件（包括新能源汽車及其電池、電機、整車控制技術）、電子電器、金屬機械、鑄金鍛件、粉末冶金、裝置、工具和模具的一家汽車制造商公司。在整車生産過程中，需要利用沖壓裝置将鋼闆鍛造成型，沖壓裝置故障會對生産過程帶來不必要的損失，并存在以下三個痛點：
- 傳統的裝置運維運維人員需要積累豐富的運維經驗，時間、人力成本高；
- 對于裝置故障的類型和程度等級難以做出準确的判斷；
- 對故障的發生時間以及可能性無法做出精準的預測。
溝通調研：
根據通過遠端以及現場溝通的方式先為客戶提供了基于裝置故障預警方案應用的全面咨詢服務。根據咨詢回報項目組團隊入駐客戶現場調研，針對客戶現場生産狀況以及客戶訴求，結合大資料分析産品，完成定制項目搭建方案。通過前期的咨詢與調研，項目組團隊基于客戶訴求啟動項目研發工作，項目組完成裝置故障預警的算法子產品，離線測試通過（不和生産線對接）。
資料準備與方案實施：
資料描述：液壓測試狀态監控平台，共有17個傳感器，每個傳感器每秒鐘每赫茲讀取的資料。标簽共有五類，也就是五種故障類型，分别是冷卻狀态(3個類别)，閥門狀态(4個類别)，内泵洩露(3個類别)，水壓累積(4個類别)，穩定性(2個類别)。
資料特征提取：調用慧都AI DRIVER的時間序列特征抽取工具的API，計算一些特征的統計矩、熵、譜，進行特征組合後，一共有2205條樣本，85個特征。
資料的特征選擇和降維：運用了Filter方法，Wrapper方法，Embedded方法，進行特征選擇，結合降維方法PCA、LDA，對資料進行降維處理，以減少特征數量、資料降維，使模型泛化能力更強，更穩定，同時增強對特征和特征值之間的了解（如圖一）。再加上資料歸一化處理，讓資料區分度明顯提高（如圖二），
圖一
圖二
建立故障預測模型：為了找到的合理預測時長，比較了慧都AI模型的多個模型對裝置五個故障預測目标的準确率名額和F1分數随時間變化的趨勢。整體預測效果在時間步長為10分鐘時是最佳的，建議企業按照10分鐘來進行預測，同時安排裝置維護計劃。
完成了咨詢、調研、研發後通過實施工程師和客戶對接，将我們的産品和方案，內建到客戶裝置運維系統中，實作裝置故障預測和分析。
效果展示：
團隊對資料進行處理，選擇最優的預測模型，對傳感器的資料進行相關性探索，找到故障發生的所有相關資料特征（如圖方框選擇的資料區域所示），進而預測出故障會在接下來的某個時間點出現故障（如圖橢圓形區域）。我們的預測模型準确度在90%以上。
模型效果
沖壓裝置故障5分鐘的預測狀況
沖壓裝置故障10分鐘的預測狀況
總結：
項目團隊在實施完成後，為客戶進行了一個月的項目運作維護，做到了三分鐘響應，半小時處理，能夠完美融入客戶現場生産過程，客戶非常滿意。最終實作：
- 故障預測準确率93%以上；
- 預測時間隻需要100毫秒；
- 節省人工成本現在隻需要1個運維人員；
- 方案線上全自動預測，實作了完全的自動化。