image
VincentWei

天地间，浩然正气长存，为天地立心，为生民立命，为往圣继绝学，为万世开太平！

免责声明：网站内容仅供个人学习记录，禁做商业用途，转载请注明出处。

版权所有 © 2017-2020 NEUSNCP个人学习笔记 辽ICP备17017855号-2

某某制造业公司AI项目方案（草稿）

VincentWei    2021年6月15日 15:15:38

  • 风机故障预测
  1. 系统架构设计
从物联网，传感器等设备，实时或者近实时采集风机转轴相关参数数据，比如转速，位移，加速度等，推送到消息系统中间件，一方面，通过简单的数据预处理，落地到大数据存储子系统中，汇入数据湖，落地，另一方面，直接从消息中间件拉取数据，进行实时数据监控，报表图标展示和简单的统计分析。落地后的数据，线下，批处理清洗，抽取加载转换，统一规范化，喂给建模后的算法，训练模型，并且汇聚到统计分析子系统，进一步的进行多维分析和相关指标的统计分析。

同时，线上，通过A/B测试，对模型定时更新，进行风机故障越策，注油时间点计算和控制，风机实时情况和相关指标的大屏展示。
    1. 数据采集子系统
通过硬件，物联网设备和传感器的支持，借助采集探针，采集风机运作过程中的参数，指标，系数，等相关数据，通过以太网可靠传输，推送至高可靠，高并发，高鲁棒的分布式消息中间件，暂时存储。并构筑，插件式架构的数据总线，以标准的适配器方式，以组件式的连接器接入各个数据子系统。
    1. 数据计算子系统
拉取分布式数据中间件，以内存计算方式，高速近实时或实时抽取数据，加载，以组件化，可配置的数据计算转换算子，构建有向无环计算子图，通过分布式调度系统，将数据从源到目的落地的整个计算子图中的算子按照计算子图的流程流转计算，最终落地数据湖存储，并且以消息总线的范式，提供集成能力和接入能力。
    1. 数据分析子系统
基于机器学习和深度学习等技术，构建算法库和流水线计算框架，将数据湖中已经转化和预处理的数据，通过标准化适配的连接器组件，从数据总线中，拉取需求数据，通过流水线计算框架流程，从数据源，数据处理，数据建模，模型训练，模型保存，模型推断和服务，整个过程全流程自动化。根据具体的业务需求，训练风机转轴故障预测和注油时间点预测。同时，线上，实时或者定时，批处理或流处理，从接入数据总线的连接器中，层层汇聚，筛选，统计出多维信息表，供上层报表图标和多维展示。
    1. 数据应用子系统
一方面，对计算子系统，统计出来的实时指标监控展示，另一方面，对数据分析子系统，汇聚统计分析出来的指标进行实时监控展示和预警，同时，用模型推断预测的风机转轴振荡值阈值，注油时间点，以及风机寿命。
  1. 算法设计
    1. 风机数据收集
风机基本数据收集，包括环境属性，自身属性，使用年限，转轴参数等等
    1. 风机分组
根据分级基本数据，构建加权相似度方程，计算风机两两相似度矩阵，对风机分组
    1. 风机时域频域特征提取
对时域的分级基本数据，通过皮尔逊相关系数，确定相关特征，进行一维卷积，抽取频域特征
    1. 构建回归预测模型
对正常历史数据抽取的特征，输入回归预测模型（XGBoost或者神经网络）
    1. 阈值估计和故障判定
通过计算滑动窗口内的特征残差平均值来确定故障阈值。设定固定的窗口长度，对窗口内部件预测残差求均值，通过对比正常状态下的残差均值分布和故障状态下的残差均值分布可以设定出故障判定的残差阈值。另外，通过统计滑动窗口内的残差均值不仅可以减小残差值的波动范围还能有效的消除误报警点的个数，使得预警算法更加稳定和精确。将实际运行的风机数据输入模型后会产生温度预测残差，将计算后的温度残差均值与设定好的阈值进行比较，如果超过阈值则说明风机部件己经处于故障早期，此时可以对风机故障进行提前告警和注油。
    1. 报废提前预警
随着风机使用年限的增加，阈值也随之动态调整变化，注油的时间间隔越来越短，当注油时间预测回归的时间间隔小于一定小时时间时，提前告警，通知报废更换，保证生产流畅。
  • 玻璃气泡
  1. 系统架构设计
架构大体如第一大点，风机故障类似，不在赘述
  1. 算法设计
    1. 特征数据收集（包括但不限于此）
烘弯炉的生产温度和冷却；
烘弯成型后玻璃错位程度
合片室内外环境条件（温湿度）；
PVB含水率；
VPL线的冷抽时间
VPL线的热抽时间，温度
VPL线的冷却的时间，温度；
VPL线的的真空压力及线上泄露状况；
玻璃品种，边缘形状；
高压釜的升温，保温，降温三阶段的温度、压力及时间；
    1. 构建线性规划方程和深度学习模型
通过运筹优化控制方法，建模，确定优化目标方程，同时，建模深度神经网络模型
    1. 数值解优化目标方程和训练模型
借助数值计算和规划方法，解方程模型，确定相关特征系数和模型参数，训练深度学习模型，利用atttention机制，确定最相关系数和问题所在，指导生产。

对于玻璃气泡的分析，由于神经网络的不可解释性，也尽管知道气泡产生的关联因素，但都不可直接进行根因分析和各个因素产生因果关系重要的比重；或许引入因果推断能力，比如uplift model/meta-learning based/tree based等等通过实验对照进行因果推断，甚至进行特征值求解，排序，得出因果重要程度，由因为不可观测性，DID/PCM/SCM或许优先尝试进行因果推断。
 
最近更新： 2021年6月27日 21:01:28
浏览： 1.1K

[[total]] 条评论

添加评论
  1. [[item.time]]
    [[item.user.username]] [[item.floor]]楼
  2. 点击加载更多……
  3. 添加评论

添加评论 登录后即可回复