工業過程和機械依賴可預測性和精確性。傳感器數據中的意外模式（稱為異常）可能表明存在問題，例如組件故障或傳感器性能下降。基于 AI 的異常檢測有助于工程師盡早發現這些潛在問題，從而使他們能夠優化維護計劃并提高流程效率。鑒于 86% 的制造業高管認識到智能工廠將在未來五年內提升競爭優勢，AI 將在制造業中發揮重要作用。

隨著現代工廠中的機器日益復雜，事實證明傳統的異常檢測方法已相形見絀。工程師和技術人員過去依賴手動數據檢查或在傳感器值超出定義的閾值時自動發出警報。工程師無法同時對數千個傳感器進行分析，這就不可避免地會遺漏在許多傳感器中表現為復雜且不明顯模式的異常情況。

面對這些挑戰，當今制造業的工程師正在使用 AI 來提高異常檢測的規模和準確度。AI 算法可以基于來自數千個傳感器的海量數據進行訓練，以精確定位人類無法用肉眼識別的復雜異常。通過將 AI 的規模與工程師的相關領域專業知識相結合，制造組織可以打造一個全面的異常檢測解決方案。

設計基于 AI 的異常檢測解決方案

設計基于 AI 的異常檢測解決方案是一個綜合過程，涵蓋規劃、數據采集一直到部署和集成。工程師必須對算法開發和運營環境都有深刻的了解，才能開發出能夠有效識別潛在問題的解決方案。

規劃和數據采集

設計基于 AI 的異常檢測系統一般從定義問題開始。這涉及評估可用的傳感器數據、組件或過程以及可能發生的異常的類型。對于不熟悉 AI 的組織來說，有必要先從限定范圍的概念驗證項目開始，成功實現該項目將為組織清晰展現價值，然后組織再轉向更大的計劃。

高質量的數據對于 AI 系統至關重要。工程師必須首先定義異常的構成以及將數據歸類為異常的條件。采集數據涉及使用傳感器持續監控設備和過程，以及手動檢查以確保數據準確度。

數據探索和預處理

工業異常檢測的大部分數據都來自采集時間序列數據的傳感器，如隨時間采集的溫度、壓力、振動、電壓和其他測量值。它可能還包括相關數量，如環境數據、維護日志和運營參數。設計異常檢測算法的第一步是組織和預處理數據，使其適用于分析。這包括重新格式化和重構數據，提取問題的相關部分，處理缺失值，以及去除離群值。

傳感器數據中的意外模式（稱為異常）可能表明存在問題，例如組件故障或傳感器性能下降。

下一步是選擇異常檢測方法，這需要評估數據的特征、異常的性質以及可用的計算資源。

模型的選擇和訓練

最好對 AI 模型嘗試不同訓練方法以找到最適合特定數據集的方法，這非常重要。從較高的層面講，AI 方法可以根據可用數據的類型分為有監督和無監督學習方法。

有監督學習

當歷史數據塊可以清楚地標注為正常或異常時，使用有監督學習進行異常檢測。標注通常由工程師手動完成，他們可以根據維護日志或歷史觀測值進行調整。通過基于此標注數據集進行訓練，有監督學習模型能夠學習數據中的模式及其對應標簽之間的關系。像 MATLAB 中的分類學習器[2]這樣的工具可以幫助工程師同時試驗多種機器學習方法，以了解哪種模型表現最佳，就像 Mondi Gronau預測塑料制造機的潛在故障一樣。經過訓練的模型可以預測新傳感器數據塊是正常的還是異常的。

無監督學習

許多組織不具備有監督學習方法所需的已標注異常數據。這可能是因為異常數據尚未存檔，或對于大型訓練數據集而言異常發生的頻率不夠高。當大多數或所有訓練數據都正常時，就需要無監督學習。

在無監督學習方法中，對模型進行訓練以理解正常數據的特征，任何超出正常范圍的新數據都標記為異常。無監督模型可以分析傳感器數據以識別可能指示問題的異常模式，即使該類型的故障以前沒有遇到過或標注過也是如此。

特征工程

盡管一些 AI 模型是基于原始傳感器數據訓練的，但更高效的做法通常是從數據中提取有用的特征，然后通過特征工程這一過程進行訓練。特征工程是從原始數據中提取有用數量的過程，這有助于 AI 模型更高效地從底層模式中學習。有經驗的工程師可能已知道從傳感器數據中提取的重要特征類型。Predictive Maintenance Toolbox提供了交互式工具，用于提取和排列數據集中最相關的特征，以增強有監督或無監督 AI 模型的性能。

某些類型的數據（如圖像或文本）可通過深度學習方法得到改進，因為這些方法可以自動提取模式，而不需要顯式特征提取。IMCORP將時間序列和基于圖像的異常檢測相結合，使用深度學習來識別地下電力電纜中的故障。這些深度學習方法雖然功能強大，但也需要更大的訓練數據集和更多的計算資源。

驗證和測試

驗證和測試 AI 模型可確保其可靠性和穩健性。通常，工程師將數據分為三部分：訓練集、驗證集和測試集。訓練數據和驗證數據用于在訓練階段調節模型參數，測試數據用于在模型訓練后確定其對未知數據的性能。工程師還可以使用性能度量（如準確率和召回率）評估模型，并執行微調以滿足特定異常檢測問題的需求。

部署和集成

經過訓練和測試的 AI 模型在部署到運營中并開始對新數據進行預測時會發揮作用。在選擇適當的部署環境時，工程師會考慮計算需求、延遲和可擴展性等因素。其中包括接近制造過程的邊緣設備、本地服務器以及具有幾乎無限計算能力但延遲更高的云平臺。像 MATLAB Compiler和 MATLAB Coder 這樣的部署工具使工程師能夠生成可以集成到其他軟件系統中的獨立應用和代碼。Aerzen Digital Systems部署了基于云的集成異常檢測解決方案來檢測廢水處理廠等關鍵工業綜合體中的問題。

集成需要開發用于訪問模型預測的 API，并建立數據管道以確保模型接收經過正確格式化和預處理的輸入。這可以確保模型與應用或系統的其他組件一起工作，并充分體現其價值。

結束語

基于 AI 的異常檢測是追求制造效率和成本效益的重大進步。通過將 AI 與工程師的專業知識和最新的先進技術相結合，制造商能夠顯著降低缺陷發生率，優化維護計劃，并提高整體生產力。將 AI 集成到制造過程中可能很復雜，但在效率、成本節約和競爭優勢方面的潛在回報是巨大的。隨著制造業的發展，AI 在推動創新和卓越運營方面的作用將日益顯著。

關于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 產品經理。她之前是一名應用工程師，為客戶提供關于使用 MATLAB 的預測性維護項目的支持。在加入 MathWorks 之前，Rachel 是美國海軍的空氣動力學和推進仿真工程師。Rachel 持有馬里蘭大學航空航天工程碩士學位、塔夫茨大學數學教育碩士學位和普林斯頓大學航空航天工程學士學位。