IMS(intellegent maintenance system)
2016-03-19 23:26
253 查看
设备诊断系统是先进制造业的重要研究方向。目前工业界(学术界)公认的top团队当属IMS,该项目由NSF支持,辛辛那提大学/密歇根大学/密苏里大学/德克萨斯大学出人。IMS的宗旨是,将F&F(fail and fix)理念变为P&P(predict and prevent)。
项目开工,起了一个高大上的名字——e-maintenance
======================================
为了不影响大局观,这里只讨论方案,不讨论算法
若欲先睹实践过的算法,见智能维护系统的算法s
基于CBM准则,随即产生了一批预诊断app,当然这些应用几乎全部是针对某一特定问题的预诊,普适的应用稀有。如离心泵预诊/直升机预诊/军队武器预诊等等。
一个典型的CBM系统必须以解决如下问题为标准
大部分的模型在集中解决损坏预测的问题,系统表现评估和损耗预测这两个问题鲜有考虑(作者可能是在批判前者的功利性太强)
不少研究的预诊断的特征不完善,经不起工业的检验。
基本可以判定它是一个完整的闭环产品。
先大致看看watchdog agent的产品功能
的确,WA实现了三个目标:性能评估/性能预测(回归)/性能诊断(分类)。最终的目的是,给出设备维护决定、产品再利用甚至产品重新设计。
下图是IMS描述的watchdog agent的各模块的主要算法。
基本框架还是很清晰的,由多传感器送来的rawData开始:1,信号处理+特征提取; 2,性能评估算法;3,性能预测算法;4,性能诊断算法
下图是一个关于性能预测(ARMA算法)的完整效果图
一般来说,对于工业互联网不断产生的流数据来说,不论是预测还是分类都需要采用在线迭代、调整权重的方式。一直期待在wA里能看到这一过程,但还没有。
对于设备故障这些不确定性很高的学习策略,下意识的会使用贝叶斯网络等方法,在IMS的文献里几乎也没出现过这类算法。
用python搭建一个类似轻量级的agent(智能主体)应该问题不大。当然作为智能主体需要遵循以下设计原则:
1.自治性。agent应该是自发的,可自我控制和反馈的,能够根据环境的要求做出非人工参与的动作。
2.可交互性。需要感知环境和改变环境。
3.可通信性。需要能和其他agent或者人类进行合理的信息交换。
4.协作性。有种mesh的感觉,agent网络化产生巨大能量。
1 信号处理+特征提取;
2 性能评估算法
3 性能预测算法
4 性能诊断算法
对于机器学习来说,我们可以将特征提取+2+3+4步合并为降维/回归/分类的问题。
这里表示一下对watchdog agent的不解,toolbox对数据进行处理后,如何保证流数据能不断让学习系统迭代权重的?难道是默认的online learning嵌入到新算法中,还是IMS未曾考虑这个问题(可能性不大)。
项目开工,起了一个高大上的名字——e-maintenance
======================================
为了不影响大局观,这里只讨论方案,不讨论算法
若欲先睹实践过的算法,见智能维护系统的算法s
e-maintenance
e-maintenance,即智能维护,现代智能维护常用规范为CBM(condition based maintenance),有一种视情况而定的维护手段。CBM基本理念是:利用产品的损耗信息/损耗特征来最小化整个系统的损坏,它需要评价出出损坏风险和可实现利润的平衡。基于CBM准则,随即产生了一批预诊断app,当然这些应用几乎全部是针对某一特定问题的预诊,普适的应用稀有。如离心泵预诊/直升机预诊/军队武器预诊等等。
一个典型的CBM系统必须以解决如下问题为标准
仍存在3个大问题
大多数诊断只针对特定设备,general toolbox还未诞生(好像违背只做好一件事的设计原则)大部分的模型在集中解决损坏预测的问题,系统表现评估和损耗预测这两个问题鲜有考虑(作者可能是在批判前者的功利性太强)
不少研究的预诊断的特征不完善,经不起工业的检验。
解决方案
现急需出现一款实用通用的toolbox,下文是:watchdog agent诞生。从此IMS有了招牌产品,全世界向其效仿。watchdog agent
watchdog agent 是一个状态监测的预诊工具包,为了信号可视化方便IMS选择labview作为分析载体基本可以判定它是一个完整的闭环产品。
先大致看看watchdog agent的产品功能
的确,WA实现了三个目标:性能评估/性能预测(回归)/性能诊断(分类)。最终的目的是,给出设备维护决定、产品再利用甚至产品重新设计。
下图是IMS描述的watchdog agent的各模块的主要算法。
基本框架还是很清晰的,由多传感器送来的rawData开始:1,信号处理+特征提取; 2,性能评估算法;3,性能预测算法;4,性能诊断算法
下图是一个关于性能预测(ARMA算法)的完整效果图
疑问
watchdog agent已经做得很完美了,与工业大数据这个概念很吻合。但是几乎查阅了IMS所有的文献,并不能找到一个通用解决流数据的算法细节。一般来说,对于工业互联网不断产生的流数据来说,不论是预测还是分类都需要采用在线迭代、调整权重的方式。一直期待在wA里能看到这一过程,但还没有。
对于设备故障这些不确定性很高的学习策略,下意识的会使用贝叶斯网络等方法,在IMS的文献里几乎也没出现过这类算法。
构想
watchdog agent的普适程度显然在故障诊断领域很高,不过在工业互联网上还不够通用。用python搭建一个类似轻量级的agent(智能主体)应该问题不大。当然作为智能主体需要遵循以下设计原则:
1.自治性。agent应该是自发的,可自我控制和反馈的,能够根据环境的要求做出非人工参与的动作。
2.可交互性。需要感知环境和改变环境。
3.可通信性。需要能和其他agent或者人类进行合理的信息交换。
4.协作性。有种mesh的感觉,agent网络化产生巨大能量。
机器学习
watchdog agent主要部署了四个方面的算法:1 信号处理+特征提取;
2 性能评估算法
3 性能预测算法
4 性能诊断算法
对于机器学习来说,我们可以将特征提取+2+3+4步合并为降维/回归/分类的问题。
这里表示一下对watchdog agent的不解,toolbox对数据进行处理后,如何保证流数据能不断让学习系统迭代权重的?难道是默认的online learning嵌入到新算法中,还是IMS未曾考虑这个问题(可能性不大)。
相关文章推荐
- ACM Regionals 2006 :: Asia - Shanghai 遥远的银河(部分枚举+扫描+动态维护)
- CDC,CPaintDC,CClientDC,CWindowDC区别
- HDU 2057 A + B Again
- Could not reliably determine the server's fully qualified domain name
- Gradle project sync failed.Base functionality will not work property.
- LeetCode 11. Container With Most Water
- 制作自己的ros机器人(navigaion)前提--22
- Jenkins进阶系列之——02email-ext邮件通知模板
- Jenkins进阶系列之——01使用email-ext替换Jenkins的默认邮件通知
- LightOJ 1236 - Pairs Forming LCM(素因子分解)
- Fast-fail原理
- SSDC_从0到1,手腕上的人工智能
- Rejected because no crossdomain.xml policy file was found
- RAID浅谈
- raid浅析
- raid浅析
- 对于人工智能的思考
- Failed to find the style corresponding to the id 2130772027
- ACM学习历程—HDU2476 String painter(动态规划)
- Fail2ban 防止暴力破解centos服务器的SSH或者FTP账户