工業(yè)物聯(lián)網(wǎng)和機(jī)器學(xué)習(xí) 塑造預(yù)測(cè)性維護(hù)的未來(lái)

作者：Nordic Semiconductor業(yè)務(wù)開(kāi)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(wàn)計(jì)的機(jī)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(jì)算機(jī)。然而，即便是最好的機(jī)器也不可能永遠(yuǎn)運(yùn)轉(zhuǎn)，總會(huì)出現(xiàn)各種問(wèn)題。當(dāng)軸承磨損、電機(jī)過(guò)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(shí)，即使是短時(shí)間的故障，也會(huì)對(duì)企業(yè)造成嚴(yán)重的影響。

例如，西門(mén)子人工智能機(jī)器健康管理平臺(tái) Senseye Predictive Maintenance 在 2022 年發(fā)布的一份報(bào)告指出，大型工廠平均每月因機(jī)器意外停機(jī)而損失 25 小時(shí)生產(chǎn)時(shí)間[1]，而停機(jī)僅一小時(shí)的損失，就從生產(chǎn)快速消費(fèi)品工廠的平均 39,000 美元到汽車行業(yè)的 200多萬(wàn)美元不等。德勤咨詢公司表示，每年非計(jì)劃?rùn)C(jī)器停機(jī)給工業(yè)制造商造成的損失估計(jì)高達(dá)500億美元[2]。

這些數(shù)據(jù)表明，等待設(shè)備或機(jī)器發(fā)生故障后才進(jìn)行維修，其實(shí)并不可行；然而，無(wú)故地盲目進(jìn)行維修或更換也是行不通的。預(yù)測(cè)性維護(hù)為此提供了答案。

預(yù)防機(jī)器故障

預(yù)測(cè)性維護(hù)(傳統(tǒng)上稱為狀態(tài)監(jiān)測(cè))并不是一個(gè)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(hù)活動(dòng)最具成本效益時(shí)，在設(shè)備性能變得不盡人意之前啟動(dòng)機(jī)器維護(hù)。在實(shí)踐中，當(dāng)機(jī)器健康狀況達(dá)到指定的閾值時(shí)就會(huì)發(fā)出警報(bào)，工程師仔細(xì)檢查機(jī)器的狀況，尋找缺陷，并在問(wèn)題惡化之前加以修復(fù)。

這種方法具有巨大的價(jià)值。德勤公司稱實(shí)施預(yù)測(cè)性維護(hù)平均每年可節(jié)省材料成本 5%至 10%；設(shè)備正常運(yùn)行時(shí)間和可用性可提高 10%至 20%；總體維護(hù)成本可降低 5%至 10%；維修規(guī)劃時(shí)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(cè)性維護(hù)通?？蓪C(jī)器停機(jī)時(shí)間減少多達(dá)50%，將機(jī)器壽命延長(zhǎng) 40%[3]。

預(yù)測(cè)性維護(hù)帶來(lái)的優(yōu)勢(shì)不僅限于制造業(yè)，幾乎所有依賴于有形資產(chǎn)進(jìn)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(cè)性維護(hù)和監(jiān)控工具來(lái)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(dòng)預(yù)測(cè)性維護(hù)

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

低功耗藍(lán)牙等功能強(qiáng)大的低功耗無(wú)線技術(shù)使得傳感器能夠在由數(shù)百、數(shù)千或數(shù)萬(wàn)臺(tái)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(dòng)、壓力、氣體水平和能耗等參數(shù)，可讓服務(wù)團(tuán)隊(duì)更深入地預(yù)測(cè)設(shè)備的未來(lái)狀態(tài)，并且在問(wèn)題出現(xiàn)之前主動(dòng)應(yīng)對(duì)，防患于未然。

德勤在“預(yù)測(cè)性維護(hù)”定位文件中指出：“數(shù)據(jù)是任何預(yù)測(cè)性維護(hù)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(cè)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(guò)網(wǎng)關(guān)將關(guān)鍵信息傳回中央服務(wù)器或云進(jìn)行分析?！?/p>

無(wú)線網(wǎng)絡(luò)還具有其他優(yōu)勢(shì)，例如在危險(xiǎn)環(huán)境、不建議人們前往和難以到達(dá)的位置中實(shí)現(xiàn)資產(chǎn)監(jiān)控。無(wú)線網(wǎng)絡(luò)還能夠大大降低與預(yù)測(cè)性維護(hù)系統(tǒng)的安裝、維護(hù)和性能相關(guān)的成本。

機(jī)器學(xué)習(xí)大展拳腳

構(gòu)建每天都能產(chǎn)生數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)的無(wú)線網(wǎng)絡(luò)是一回事，而如何及時(shí)了解所有數(shù)據(jù)并對(duì)問(wèn)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(wú)奇的)，人們?cè)诰W(wǎng)絡(luò)內(nèi)部通過(guò)稱為邊緣處理的技術(shù)來(lái)完成大部分的計(jì)算工作。這就需要大量的計(jì)算能力和內(nèi)存、傳感器融合以及越來(lái)越多的 機(jī)器學(xué)習(xí) (ML)。

傳感器融合是將傳感器數(shù)據(jù)進(jìn)行組合，這樣所得到的信息相比來(lái)自單獨(dú)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(jì)算機(jī)在沒(méi)有直接編程或指令的情況下進(jìn)行學(xué)習(xí)。ML 算法從數(shù)據(jù)中學(xué)習(xí)，然后對(duì)未見(jiàn)過(guò)的數(shù)據(jù)進(jìn)行推斷，從而在沒(méi)有明確指令的情況下做出決策。其結(jié)果是不斷增強(qiáng)機(jī)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(jìn)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(guò)添加 ML，邊緣設(shè)備不僅能夠檢查數(shù)據(jù)是否超過(guò)預(yù)設(shè)閾值，還可以推斷(根據(jù)已知信息對(duì)事物的未來(lái)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(gè)預(yù)測(cè)性維護(hù)相關(guān)示例是監(jiān)測(cè)機(jī)器軸承的溫度傳感器。該傳感器可使用ML模型來(lái)推斷，例如軸承溫度的逐漸升高僅僅是機(jī)器在預(yù)熱，而無(wú)需擔(dān)心；但軸承溫度若快速升高，則表明可能出現(xiàn)潤(rùn)滑故障，并觸發(fā)傳感器在機(jī)械損壞發(fā)生前關(guān)斷機(jī)器。

助力分析性預(yù)測(cè)維護(hù)

當(dāng)今許多先進(jìn)的 ML 模型都需要大量的計(jì)算資源和高能耗來(lái)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(jì)算和傳感器融合，但卻無(wú)法獲取這些資源。

微型機(jī)器學(xué)習(xí)(Tiny Machine Learning)或 TinyML 就是解決方案。這項(xiàng)技術(shù)是 ML 的一個(gè)分支，但簡(jiǎn)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(wú)線系統(tǒng)級(jí)芯片(SoC))也能夠運(yùn)行機(jī)器學(xué)習(xí)。

Nordic設(shè)計(jì)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(yùn)行。Nordic 提供可用于其Thingy:53 IoT 原型平臺(tái)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(kāi)發(fā)人員通過(guò)移動(dòng)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(guò)低功耗藍(lán)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(tái)可用于測(cè)試ML模型

這項(xiàng)功能促進(jìn)了傳感器的發(fā)展，例如采用 Nordic nRF52840 SoC 的 Atomation Atom。該傳感器可測(cè)量振蕩以確定機(jī)器電機(jī)是否比昨天振動(dòng)得更厲害，或者監(jiān)測(cè)溫度以檢查機(jī)器運(yùn)行時(shí)軸承是否發(fā)熱。每個(gè) Atom 使用 3.6 V鋰離子電池可工作長(zhǎng)達(dá)三年時(shí)間。

由 Nordic 的 nRF52840 SoC 驅(qū)動(dòng)的 Atomation Atom 可監(jiān)測(cè)振動(dòng)以掌握機(jī)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(yùn)行超出正常參數(shù)范圍時(shí)，數(shù)據(jù)會(huì)通過(guò)低功耗藍(lán)牙無(wú)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(kāi)啟還是關(guān)斷？"、"電機(jī)振動(dòng)是否比昨天更大？" 或 "機(jī)器運(yùn)行時(shí)軸承溫度是否過(guò)高？" 等問(wèn)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(gè)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(jìn)行通信之前做出獨(dú)立的決策?！?/p>

下一步是什么？

預(yù)測(cè)性維護(hù)越來(lái)越多地使用由 ML 支持的自動(dòng)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(duì)邊緣計(jì)算能力的需求。Nordic 已經(jīng)預(yù)見(jiàn)到這一市場(chǎng)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(gè) Arm Cortex-M33 處理器和 RISC-V 協(xié)處理器，每個(gè)處理器都針對(duì)特定類型的工作負(fù)載進(jìn)行了優(yōu)化。通過(guò)結(jié)合嵌入式大容量非易失性內(nèi)存和 RAM，nRF54H20 SoC 為開(kāi)發(fā)人員提供了運(yùn)行復(fù)雜的 ML 驅(qū)動(dòng)型預(yù)測(cè)性維護(hù)應(yīng)用所需的更多計(jì)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(zhǎng)電池壽命，降低維護(hù)需求并減少浪費(fèi)。

Nordic nRF54H20 SoC 支持 TinyML，帶來(lái)強(qiáng)大的計(jì)算能力和內(nèi)存資源以實(shí)現(xiàn)預(yù)測(cè)性維護(hù)應(yīng)用

未來(lái)，由 nRF54H20 SoC 等新一代 SoC 支持的預(yù)測(cè)性維護(hù)解決方案將更加靈活、高效和可持續(xù)。這將推動(dòng)所有類型機(jī)器的運(yùn)營(yíng)商充分發(fā)揮資產(chǎn)的潛力，同時(shí)延長(zhǎng)運(yùn)行壽命。在短短三十年間，預(yù)測(cè)性維護(hù)已取得了長(zhǎng)足的進(jìn)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