從節流和效率談：永洪BI如何幫助制造企業降低維修成本

隨著科學技術的迅速發展，制造企業對設備維修從傳統的被動維修轉變為主動預防性維修。

傳統的維修方法主要基于已有的維修制度、基于運營中發生的各種故障、基于操作和檢修人員的行業經驗，在面對產品升級改造、設備從未發生的新故障，人工經驗的欠缺等問題就會造成設備的過修或失修，其結果是維護費用的使用效率低，設備非預期的停機時間長，從而導致生產力損失與營運成本上升，也可能產生額外的維修與替換成本，使制造商必須準備許多零件，增加庫存成本，最嚴重的還會帶來重大安全問題。

在這種情況下，基于預測性維修的方式應運而生。預測性維修可以監控設備運行狀態、定位故障原因、進一步對故障預測，確保質量，優化每一步資源，最大限度的減少非計劃性維護停機時間，消除不必要的維修，節約成本、提高效率。

永洪BI是融合BigData + BI + AI技術的一站式大數據分析平臺，通過數據采集、數據治理、數據存儲、數據挖掘和數據分析等過程洞察整個產品生命周期中各個時刻的狀態和性能，并利用人工智能和可視化技術提供設備運行狀態監控、故障根因分析、故障預測、決策分析全鏈條一站式應用解決方案。可有效降低設備全生命周期維修成本，實現預測性維修。

案例介紹——風電巨頭的“預知”型降本增效

接下來介紹一下某風電巨頭的一個真實案例。在某風電場中，風力發電機組出現了主軸承故障。主軸承是連接機組定軸和動軸的關鍵部件，主軸承發生故障輕則增加機組振動噪聲，重則導致動軸卡死無法旋轉。主軸承失效后只能更換無法修復，常見的故障分類包括磨損性故障、腐蝕性故障、斷裂性故障及老化性故障。在風場中常用的故障檢測方法多為定期維護，有時維護不及時就會造成比更換必要的零部件和人工成本更高的代價機組停機。因此建立提前預知主軸承故障模型，掌握主軸承運行狀態是非常有必要的。

首先需從風場的傳感器和SCADA系統中獲取實時數據和故障文件數據，數據記錄了風機的基本信息和風機故障的振動和溫度信息，然后采用機器學習的方法建立故障預測模型，具體的流程如下：

機器學習是一門人工智能的科學,該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能。機器學習已廣泛應用于計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測信用卡欺詐等領域。機器學習的分類有很多種，但在企業應用場景下，多用監督學習和無監督學習。

機器學習在制造業最典型的應用是設備故障預測，因此采用機器學習的方法來建立風機故障預測模型。

首先進行數據預處理，將處理后的數據劃分為訓練集和測試集，對數據進行故障標注和探索分析，分析故障數據和正常數據的區別，發現故障數據在頻域表現明顯，因此以風速、轉速、均值、方差、故障特征頻率等為特征建立故障預測分類模型，方法可選擇邏輯回歸、隨機森林、GBDT等。

由于故障數據只記錄了是否故障，沒有記錄故障位置，因此在建立模型時采用監督學習的二分類算法，模型建立完，可利用測試數據計算評價指標進行模型優化，選擇效果最好的模型進行部署，最終上線的模型準確率可達90%以上，可有效的對故障風機進行預測，提前預知故障，減少計劃外中斷，增加設備綜合效率，減少維修成本，提高產能。

建模采用的是永洪BI的深度分析模塊，通過拖拽即可實現從數據處理、建模、模型優化的全套流程。永洪BI作為新一代增強型數據分析平臺，已在除故障預測外，包括出行預測、銷售預測、庫存優化、風險控制等多個行業和領域實現落地。

除了在風電上的設備故障預測應用，永洪科技在汽車行業也做了相關的故障分析應用。通過產品可視化可實現汽車設備狀態監控和故障根因分析。

如下是給某汽車公司做的IPTV目標達成分析，IPTV為每千輛車故障率，是汽車行業廣泛應用的指標。首先選擇不同的車型進行分析，確定對象后，可對具體車型查看IPTV目標達成分析狀況和整車IPTV的狀況，還可以查看具體的故障模式和責任部門，通過數據聯動，查看故障發生問題時責任問題是分布在哪一個環節，從而進行對應的優化。

以上通過融合BI和AI的能力，有效解決了設備故障監控、故障根因分析、故障預測問題，最終幫助用戶做出科學的決策。因此以融合BI和AI的新一代增強型數據分析將成為數據分析領域的一個新發展方向，能夠幫助用戶訪問有效數據、探索數據，并對一些理論想法進行測試與驗證，從而為分析帶來更多的自動化功能以及創新洞察力。