24、工业领域的机器学习应用与数据科学工作流

工业领域的机器学习应用与数据科学工作流

1. 博世力士乐的液压组件预测性维护

1.1 为何选择基于机器学习的异常检测

由于单个客户环境的高度复杂性以及缺少标记的故障数据，应用端到端的人工智能方法（如使用卷积神经网络进行非分析特征提取的深度学习）并不可行。博世力士乐团队选择了基于“经典”机器学习的方法，采用特定领域的特征提取和无监督学习，通过机器学习解决特征之间的复杂依赖关系，实现异常检测，但可能存在多种潜在原因。

1.2 两步分析流程

• 机器学习异常检测 ：结合经典领域知识的特征提取和机器学习。算法扫描数据以寻找有趣的模式，计算输出指标（如系统行为）并在图形用户界面上可视化，仪表盘可快速概览机器行为。
• 人工专家诊断 ：人类专家根据一般领域经验和特定应用/客户的专业知识诊断可疑数据模式。有时需要向客户询问更多细节（如机器是否进行了机械修改或设置/参数是否更改），因为并非所有信息都能在数据中体现。

1.3 ODiN解决方案

基于机器学习方法的能力和局限性，博世力士乐团队构建了ODiN解决方案，这是一项预测性维护服务，包括：
- 应用特定传感器套件，可改装到客户机器中。
- 数据采集单元和物联网网关，用于云连接。
- 云端的人工智能管道。
- 异常情况下的个人服务支持和季度状态报告。
- 可选的额外服务，如备件管理、现场服务、维修。

1.4 技术方法

使用单一的通用分析管道进行异常检测，适用于所有应