發布日期：2022-04-17 點擊率：63
PLCnext預測性維護初應用
異常檢測基礎概念
異常檢測
通過采集監控設備的實時數據判斷設備運行中是否出現異常情況。
基于人工智能算法的異常檢測
使用人工智能神經元網絡算法模型對采集到的實時數據進行推理，判斷設備整體運行中是否出現異常情況。
??傳統異常檢測局限性
在上次的推文中，我們為大家解釋了預測性維護的相關知識。預測性維護中重要的一個環節就是異常檢測，傳統的異常檢測一般針對單個數據，規定出固定的正常范圍，超限則為異常。但是設備的數據往往不一定是線性變化的，內部數據之間會相互影響，同時也會被外界的因素所影響。
如軸承的異常可能會導致溫升，可以從溫度值來判斷軸承是否出現異常。但是還有一些別的因素，比如連續運行的時間，比如設備周圍的環境溫度，都會很大程度上影響采集到的溫度值。
所以不難發現如果只是指定一個范圍值，很難準確的發現設備是否處于異常狀態，往往還需該領域的專家對多個數據異常情況進行綜合分析才能得出結論。
傳統異常檢測的局限性，限制了預測性維護的發展，但魔高一尺，道高一丈!工程技術人員就結合新技術，開發出了更高級的異常檢測方法---基于神經元網絡的異常檢測。
??基于神經元網絡的異常檢測
通過神經元網絡的算法進行異常檢測，則會把整個設備以及一些外部環境的因素視為一個整體，建立一個包括了所有采集數據點的模型。
并且在模型中會建立各個因素之間的相互關系，它們形成一個動態的平衡，在綜合考慮到各個因素的變化情況后，給出一個設備是否有異常的總體評估結果。
當下，工業數字化浪潮發展迅猛，相信有越來越多的工廠開始采集并且存儲設備的數據。基于神經元網絡的異常檢測技術就是將人工智能部署在工業現場的第一步。
#數學建模#
#系統性診斷#
#算法迭代優化#
#人工智能自主判斷#
??算法實現步驟
這種高級算法異常優秀，那我們如何實現呢?
比把大象放冰箱里復雜些，攏共分四步，第一步，選擇設備的關鍵數據，并采集和存儲設備在正常工況下的數據值。
可以使用PLCnext將數據采集并存儲于MySQL等數據庫中或存儲在本地。
第二步，進行數據預處理，可選用MLnext framework或自己編寫數據處理的程序進行數據預處理。
第三步，建立神經元網絡，讀取采集到的數據，得出異常值。
同樣可選用MLnext framework或自己編寫模型訓練的程序，根據預處理后的程序進行神經元網絡的訓練。
最后一步，即可將算法部署于PLCnext控制器中，進行實時推理。
在部署的過程中可使用Docker的方式，建立一個與PLCnext環境相同的Docker，并將算法運行于Docker中。通過rsc的方式讀取PLCnext中采集到的變量值，并將推理出的異常值寫入PLCnext。
部署完成后即可在PLCnext Engineer軟件中實時查看推理的結果并進行測試，如下圖中進行異常的模擬。
在微調了相關參數的系數后，采集的參數的值并沒有發生肉眼可見的變化，但通過神經元網絡的分析后，反饋出了異常值，明顯的反應了異常工況的出現。可以看到此時運行參數明顯異于正常值。
由于PLCnext獨特的開放性，使得各種人工智能算法在PLC中部署變為可能。工業設備的異常檢測為預測性維護提供了堅實的數據基礎。也使得PLCnext在未來工業中的應用前景變得更為廣闊!
下一篇： PLC、DCS、FCS三大控
上一篇： 專題|優艾智合智慧能
