最初发表在走向数据科学
在过去的几个月里，我们一直在悄悄地监视并发现我们的预测性加工产品的新用例。得益于精简的操作界面，它还可以方便地充当“幕后”标签数据收集平台，迄今为止，我们已经看到了数百个工具故障、轴承故障和其他机器故障场景。
与我们的客户在音乐会上，我们提出了机智h从电机数据的角度来看，典型机器故障的大型目录，我们今天很高兴与您分享。我们将审核我们在多个客户网站中重复的六种情景，以及它们看起来像“图表上的点”的视角，以及他们在车间的物理表现。这些如下：
在我们讨论好东西之前，让我们回顾一下我们的预测加工产品的论文:
我们提取丰富的数据从嵌入式传感器在机器上预测和预防不同的情况可能会证明代价高昂。
只是为了审查，在每一个机械模型机器上，我们都有一个运营商的平板电脑，基本上就是一个三星Galaxy平板电脑或iPad，指向我们SaaS产品中的特定机器的网页。
客户使用我们的操作平板电脑。
操作员平板电脑直接连接到我们的平台，所以无论机器何时停止，都会从机器发送一个信号到我们的Edge设备，然后将信号发送到云上，在那里它将与其他参数结合在一起。平板电脑会反映出这些新信息，并在机器的网页上弹出一个窗口，提示操作员解释机器宕机的原因。
当机器停止时，会出现一个弹出窗口，要求操作人员添加原因代码。
随着时间的推移，这些注释积累起来，使我们能够对什么时候，出于什么原因机器坏了。
这取决于机械计量数据科学来提出为什么和豪用我们从机器马达上收集到的极细粒度的数据。在一个实施例中，我们可以查看制作的数万个部件和数十个注释来识别模式，如下面的示例所示，其中黑线是注释失败，点是制作的每个部件所消耗的能量。
黑线表示标注的故障，红点表示异常负载。一些红点没有与黑线对齐，这是因为操作符有时会遗漏注释。
随着时间的推移，每种类型的失败都会出现模式。最上面的黑线代表的是立铣刀的失败在这种情况下，特定的立铣刀断裂，无法完成所需的工作。工具进来了后然后，立铣刀需要消耗额外的能量来切割，从而导致上图中红色的高负荷信号。这是一次又一次地重复，允许我们创建一个简单的阈值算法，每当我们看到第一个升高的负载信号时，就使机器停止运行。
在其物理表现中，您可以看到一个好的部分，通过一个良好的端盖切割，在插槽中有一个漂亮而闪亮的饰面。不好的部分，由破碎的端盖切割，有一个粗糙的插槽，因为端盖无法营造光滑的表面，然后之后的工具也无法正确地完成工作。
在我们的产品中，我们现在监控本机上的负载，以在制造任何这些坏插槽部件之前发出馈送饲料。Over the last 4 months, we’ve issued 60 feed holds on multiple machines, with 3 false positives and 2 missed failures (95% precision, 96% recall), preventing over 2,000 scrap parts from being made and saving countless man hours of machine reconfiguration. Oh, and just to be sure, these are small parts, being made by small tools — size isn’t much of a constraint for us when we’re pulling very sensitive motor data. All parts coming out of these machines are now shiny and new, without the defects they once used to carry.
很整洁的,不是吗?这只是许多用例中的一个。你不会以为我们是只会一招的小马吧，迪娅?
类似于端盖故障，轴承故障可以在材料和人力方面证明昂贵。
与EndMill失败不同，轴承故障在我们需要寻找的模式方面完全不同。
与立铣刀故障类似，轴承故障使用相同类型的丰富的电机数据和收集方法。
与立铣刀故障不同，轴承故障会持续很长时间(几天到几周)，可以提前很长时间预防。
让我们首先在轴承故障前2小时的数据快照中，研究一下机器上的负载在轴承故障前几分钟做了什么。
［查看全尺寸图像］
每一行都装载在一个特定的工具上。不需要火箭专家也能弄清楚这里发生了什么。在每一个工具的实际轴承失效前15分钟，载荷急剧上升，这可能是由于机器承受着来自日益受损的关键部件的额外应力。
如果我们在失败前的15分钟里逐一观察，另一个有趣的模式出现了，那就是负荷似乎退化随着时间的推移。你可以看到，每一次切割，载荷都呈指数增长，越来越不符合规格。
将这与制造相同零件的另一台机器上的另一个轴承故障进行比较，其模式非常相似。那是因为这是轴承故障的唯一标志。虽然导致报废零件的立铣刀故障会导致后续工具的载荷增加，但轴承故障会导致所有工具的载荷大幅退化。
 |
 |
我们在相似类型的失败中所看到的惊人的一致性是由于我们所观察的物理现象，令人惊讶的是，这些物理现象是由物理定律所支配的。因此，失败遵循确定性模式，我们可以从足够高保真的数据中识别出来。关键在于获取这些数据，并将其清理成有用的数据，这是我们IP的很大一部分。
我们将这一创新归功于我们在机械计量团队中所拥有的特殊的技能组合我们不认为有经验丰富的机器操作员与网络物理协议专家一起工作，辅以CERN的物理学家和全球智库的数据科学家，所有这些都由相信我们正在迎来行业新时代的投资者支持。
对于任何一个机械师来说，有一列工具坏掉都是令人沮丧的经历。不幸的是，这在我们的行业中太常见了。如果我们能看到第一个工具什么时候坏了，然后在其他工具被取出之前立即停止机器会怎么样?
结果，你可以。在第一个工具之后，后续工具上的负载签名的变化都是在盘子上交给你。
在其中的一个例子中，我们看到第一个工具在机器检测到一些灾难性的事情之前中断了许多零件循环。当自动停止发生时，其他工具也被取出来了，商店花费了价值数百美元的不必要的工具更换。第一个工具可能会坏掉，因为它已经磨损了，已经到了生命的尽头，所以它可能无论如何都无法保存。但在它之后的其他工具，一些新更换的工具，没有理由也需要离开。
你可以看到下面的动画，根据操作员的说法，工具故障，当机器停止自己，是在第40部分。事实上，信号在第37部分开始退化，整整3个周期后，机器才意识到有什么地方出错了。在这3个循环中，跟着坏掉的工具走了。
除了零件号之外，让我们来分解一下工具使用周期——工具由不同的线条类型指定。
让我们把注意力集中到这个令人不安的地区。这有点难分辨，但看起来T101是损坏的令人讨厌的工具，而T117是在随后的循环中经历了更高的负荷，然后是平线(模具)。一旦工具被替换，加载签名将大致恢复到以前的状态(考虑到由于使用新工具而出现的一些滑移)。
在这种情况下的注释是“H1t1 198/200粗暴的打破，拿走座位。意思是，“头1，工具1，粗糙的工具，在工作中损坏了，在200个准备制造的零件中有198个损坏了，并取出了座(随后的)工具”。
准备好授权你的车间了吗?
了解更多.svg)
评论