魏德米勒集数据科学于产品中

工厂和设备中部署了大量传感器来记录数据。如果分析得当，这些数据将对改进生产过程和确保生产质量有很大价值。

为此，魏德米勒的工业分析部门与客户密切合作，开发所需的数据分析模型。

我们从工厂和设备中提取各种数据集，如温度、压力、能耗和振动，这些被称为“特征”，并使用人工智能(AI)对它们进行评估。以前的项目经验表明，大多数工厂和设备都记录了所有重要数据，不需要额外的传感器。真正的挑战来自于找出数据背后隐藏的信息以及它们之间的相关性，这正是魏德米勒的工业分析部门擅长的。

异常检测和分类

异常分类的工作是根据重要性对识别出的数据偏差进行分类。重要的异常通常是设备故障的原因。借助这些信息，设备操作员可以更快地处理问题，甚***识别潜在的故障。这种快速诊断方法可以减少停机时间，降低成本，优化生产能力。

“特征”工程识别复杂模式

“特征”项目是开发可靠的人工智能模型的重要技术。该方法从测量数据中发现复杂的统计相关性。例如，为了找到这种统计相关性，相关系数可以用来表示一段时间内两个或多个“特征”的相关性变化。数据科学家将根据设备的历史数据开发新的“特征”。这可以比仅使用原始数据更可靠地识别异常情况。例如，通过振动测量或频率转换获得的高频信号可以基于数学模型分解成相应的不同频带。人工智能模型从设备的正常行为中学习信号的频带特性，并且与仅使用未分解的原始信号相比，能够更好地预测故障的可能性。

打赏 支付宝打赏 微信打赏

推荐阅读：

电缆接头接线方法

关于高压环网柜的基础知识

​防爆电动执行器使用环境标准