基于AI的异常检测解决方案

工业过程和机械依赖可预测性和精确性。传感器数据中的意外模式（称为异常）可能表明存在问题，例如组件故障或传感器性能下降。基于 AI 的异常检测有助于工程师尽早发现这些潜在问题，从而使他们能够优化维护计划并提高流程效率。鉴于 86% 的制造业高管认识到智能工厂将在未来五年内提升竞争优势，AI 将在制造业中发挥重要作用。

随着现代工厂中的机器日益复杂，事实证明传统的异常检测方法已相形见绌。工程师和技术人员过去依赖手动数据检查或在传感器值超出定义的阈值时自动发出警报。工程师无法同时对数千个传感器进行分析，这就不可避免地会遗漏在许多传感器中表现为复杂且不明显模式的异常情况。

面对这些挑战，当今制造业的工程师正在使用 AI 来提高异常检测的规模和准确度。AI 算法可以基于来自数千个传感器的海量数据进行训练，以精确定位人类无法用肉眼识别的复杂异常。通过将 AI 的规模与工程师的相关领域专业知识相结合，制造组织可以打造一个全面的异常检测解决方案。

设计基于 AI 的异常检测解决方案

设计基于 AI 的异常检测解决方案是一个综合过程，涵盖规划、数据采集一直到部署和集成。工程师必须对算法开发和运营环境都有深刻的了解，才能开发出能够有效识别潜在问题的解决方案。

规划和数据采集

设计基于 AI 的异常检测系统一般从定义问题开始。这涉及评估可用的传感器数据、组件或过程以及可能发生的异常的类型。对于不熟悉 AI 的组织来说，有必要先从限定范围的概念验证项目开始，成功实现该项目将为组织清晰展现价值，然后组织再转向更大的计划。

高质量的数据对于 AI 系统至关重要。工程师必须首先定义异常的构成以及将数据归类为异常的条件。采集数据涉及使用传感器持续监控设备和过程，以及手动检查以确保数据准确度。

数据探索和预处理

工业异常检测的大部分数据都来自采集时间序列数据的传感器，如随时间采集的温度、压力、振动、电压和其他测量值。它可能还包括相关数量，如环境数据、维护日志和运营参数。设计异常检测算法的第一步是组织和预处理数据，使其适用于分析。这包括重新格式化和重构数据，提取问题的相关部分，处理缺失值，以及去除离群值。

传感器数据中的意外模式（称为异常）可能表明存在问题，例如组件故障或传感器性能下降。

下一步是选择异常检测方法，这需要评估数据的特征、异常的性质以及可用的计算资源。

模型的选择和训练

最好对 AI 模型尝试不同训练方法以找到最适合特定数据集的方法，这非常重要。从较高的层面讲，AI 方法可以根据可用数据的类型分为有监督和无监督学习方法。

有监督学习

当历史数据块可以清楚地标注为正常或异常时，使用有监督学习进行异常检测。标注通常由工程师手动完成，他们可以根据维护日志或历史观测值进行调整。通过基于此标注数据集进行训练，有监督学习模型能够学习数据中的模式及其对应标签之间的关系。像 MATLAB 中的分类学习器 [2] 这样的工具可以帮助工程师同时试验多种机器学习方法，以了解哪种模型表现最佳，就像 Mondi Gronau预测塑料制造机的潜在故障一样。经过训练的模型可以预测新传感器数据块是正常的还是异常的。

无监督学习

许多组织不具备有监督学习方法所需的已标注异常数据。这可能是因为异常数据尚未存档，或对于大型训练数据集而言异常发生的频率不够高。当大多数或所有训练数据都正常时，就需要无监督学习。

在无监督学习方法中，对模型进行训练以理解正常数据的特征，任何超出正常范围的新数据都标记为异常。无监督模型可以分析传感器数据以识别可能指示问题的异常模式，即使该类型的故障以前没有遇到过或标注过也是如此。

特征工程

尽管一些 AI 模型是基于原始传感器数据训练的，但更高效的做法通常是从数据中提取有用的特征，然后通过特征工程这一过程进行训练。特征工程是从原始数据中提取有用数量的过程，这有助于 AI 模型更高效地从底层模式中学习。有经验的工程师可能已知道从传感器数据中提取的重要特征类型。Predictive Maintenance Toolbox提供了交互式工具，用于提取和排列数据集中最相关的特征，以增强有监督或无监督 AI 模型的性能。

某些类型的数据（如图像或文本）可通过深度学习方法得到改进，因为这些方法可以自动提取模式，而不需要显式特征提取。IMCORP将时间序列和基于图像的异常检测相结合，使用深度学习来识别地下电力电缆中的故障。这些深度学习方法虽然功能强大，但也需要更大的训练数据集和更多的计算资源。

验证和测试

验证和测试 AI 模型可确保其可靠性和稳健性。通常，工程师将数据分为三部分：训练集、验证集和测试集。训练数据和验证数据用于在训练阶段调节模型参数，测试数据用于在模型训练后确定其对未知数据的性能。工程师还可以使用性能度量（如准确率和召回率）评估模型，并执行微调以满足特定异常检测问题的需求。

部署和集成

经过训练和测试的 AI 模型在部署到运营中并开始对新数据进行预测时会发挥作用。在选择适当的部署环境时，工程师会考虑计算需求、延迟和可扩展性等因素。其中包括接近制造过程的边缘设备、本地服务器以及具有几乎无限计算能力但延迟更高的云平台。像 MATLAB Compiler和 MATLAB Coder 这样的部署工具使工程师能够生成可以集成到其他软件系统中的独立应用和代码。Aerzen Digital Systems部署了基于云的集成异常检测解决方案来检测废水处理厂等关键工业综合体中的问题。

集成需要开发用于访问模型预测的 API，并建立数据管道以确保模型接收经过正确格式化和预处理的输入。这可以确保模型与应用或系统的其他组件一起工作，并充分体现其价值。

结束语

基于 AI 的异常检测是追求制造效率和成本效益的重大进步。通过将 AI 与工程师的专业知识和最新的先进技术相结合，制造商能够显著降低缺陷发生率，优化维护计划，并提高整体生产力。将 AI 集成到制造过程中可能很复杂，但在效率、成本节约和竞争优势方面的潜在回报是巨大的。随着制造业的发展，AI 在推动创新和卓越运营方面的作用将日益显著。

关于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 产品经理。她之前是一名应用工程师，为客户提供关于使用 MATLAB 的预测性维护项目的支持。在加入 MathWorks 之前，Rachel 是美国海军的空气动力学和推进仿真工程师。Rachel 持有马里兰大学航空航天工程硕士学位、塔夫茨大学数学教育硕士学位和普林斯顿大学航空航天工程学士学位。