55、智能工厂中的大数据、机器学习与网络物理系统应用

智能工厂中的大数据、机器学习与网络物理系统应用

1. 主成分分析（PCA）在预测分析中的应用

主成分分析（PCA）可用于预测分析。在这个过程中，需要使用两个核心距离。当数据跨越第一个阈值时，系统会发出警告；而当跨越第二个阈值时，则会发出异常信号。

2. 系统优化

智能服务在制造业的另一个应用是工业过程的自我优化。这种优化可以针对不同的影响变量进行，例如时间或速度。这里主要关注能源消耗的优化，目标是分析和提高制造工厂的性能和效率，实现优化运营。由于能源价格不断上涨，工业自动化系统中能源效率的优化成为智能服务的一个重点。

常见的能源效率优化方法有：
- 更换设备 ：由工厂专家手动将旧的、低效的驱动器更换为新的、高效的驱动器。这是一个有用且必要的步骤，但需要人力和资金投入。
- 生产步骤时间规划 ：在制造执行系统（MES）中手动规划生产步骤的时间，以实现能源高效的过程。
- 使用能源控制器 ：通常位于电表处，监测能源消耗趋势。如果趋势指向不期望的水平，控制器会根据某些优先级和其他规则关闭设备，典型的监测时间段为15 - 30分钟。

对于实时优化（以秒或毫秒为间隔）的主动方法，相关研究较少。因为许多应用由于其过程动态性，需要快速调整过程参数以适应不断变化的运行条件。主动优化过程需要能够预测各种参数组合下未来过程行为的模型，以确定最佳过程参数。

在运输和物流应用中，电气驱动系统是能源消耗大户。以两个驱动器的工厂设置为例，主要的优化问题是最小化两个转换器（$E_{L,WR}$）和电机（$