大数据+设备检测： 助力制造业生产体系提质增效！

业务背景

在“智能制造”、“工业4.0”、“中国制造2025”等背景下，大数据时代下的制造业迫切需要在生产制造、定位客户需求、优化供应链、协调资源关系等环节的技术和产业模式上创新。而伴随着复杂大型的设备在制造业中的发展和应用，其研制、生产、维修的成本也越来越高。同时，由于施工环境和影响因素的增加，故障的发生率逐渐加大。基于复杂系统可靠性、安全性的考虑，故障预测也越来越受到重视和应用。

痛点需求

在工业制造过程中，机器设备发生异常是生产过程中比较常见的问题，产生的原因也是多种多样的，包括原料添加错误、设备老化、技术人员调机、保养不好等等。这些异常问题的出现难以预料，并且在异常问题出现之后，人工定位具体异常原因十分困难。

过去，由于产品故障诊断和预测的技术手段限制，企业不能及时发现设备异常或故障隐患，快速定位，并迅速采取措施排除故障或故障隐患，导致生产企业的资源浪费及安全事故的发生。

基于此，如何才在确认设备发现异常后，有效判定异常原因，并快速定位给与对应的解决措施？

解决方案

根据机器设备在生产过程中产生的问题，我们利用大数据技术，建立针对这些问题的解决模型，这个模型主要重点在于建立合适的分类模型判断机器是否发生异常，并且进一步分类出异常产生的具体原因，有助于技术人员对问题的查找和设备的检修。

针对设备情况有异常与正常两种情况，我们采用分类算法建立模型，对其异常进行检测并分析其原因。

模型建立如下：

1.决策树分类模型：根据设备情况判断是否发生异常

2.随机森林分类模型：在设备发生异常的情况下，判断异常产生的原因

具体步骤：

第一步：数据准备与特征工程

第二步：训练和测试决策树分类模型，检测设备异常

第三步：训练和测试随机森林分类模型，识别异常原因

第一步：数据准备和特征工程

数据质量对数据分析结果有重要的影响，由于人的错误、测量设备限制、数据收集过程漏洞等都会导致数据质量很差，利用相关算子，可以快速的进行数据准备，提高数据的质量，提升数据分析模型的准确性。

1.数据集描述

属性概要：生产线、生产线编号、日期、具体时间、设备的编号、设备的类型、设备元件类型、异常的原因、采取的措施、采取措施的时间等等。

2.数据预处理

主要包括剔除掉无效数据和异常数据，替换掉丢失数据，并给分类的目标属性建立标签。

3.属性分析

主要是分析各个属性的信息增益率，选择更高信息增益率的属性作为之后决策树的结点特征，可以提高决策树分类的准确率。分析结果如图8所示。

图8 数据预处理和属性分析模型

第二步：训练和测试决策树分类模型，检测设备异常

快速检测出设备异常情况对于生产有重大的意义，设备是否异常是一个二分类问题，通过建立决策树分类模型，可以较好的检测出设备的情况。将设备是否异常作为标签属性，通过selectWeight算子选择信息增益率高的Topk个属性作为决策树的特征结点，通过训练决策树模型预测设备是否产生异常，并对结果进行评估，建立如图工作流。

图9设备异常检测模型

（评估结果显示，通过建立好的算法模型能有效正确检测出设备是否发生异常。）

第三步：训练和测试随机森林分类模型，识别异常原因

识别异常的原因是一个多分类的问题，将上一步分类得到的负类（产生异常的类别），根据异常产生的原因进行进一步的划分（划分成A,B,C,D,E,F类），并将异常的具体原因设为标签属性。通过训练出随机森林分类模型，来判断发生异常的具体原因，并对结果进行评估，建立如图10所示工作流。

图10 结果评估模型

（利用随机森林的结果，在众多个类别的分类情况下可以准确的判断设备异常产生的原因类型。）

实施效果

工业大数据异常诊断和预测方案帮助制造业企业及时处理海量设备传感器状态数据，通过决策树分类和随机森林分类构建的诊断和预测模型，利用可视化技术实现对设备运行状态和故障信息的快速直观显示，有效降低设备全生命周期维修成本，实现预测性维修，使设备始终处于可靠受控状态，在提升经营效率的同时保障关键制造业的产品安全。

来自：数之联微信公众号