IMS(intellegent maintenance system)

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

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)。