Altair Knowledge Works™
預測分析和機器學習
利用預測分析，降低機器人在生產環節中的故障成本。
製造企業使用機器人可以高速度，高精度和高持久性進行作業操作。機械設備被應用於製造環境的情況越來越多，在規劃維護週期時，停機成本成為一個重要的考慮因素。
本文將介紹一家領先的汽車製造商如何使用 Altair Knowledge Works 來準確完成其資料轉換任務，並與資料科學家和商業分析師共用資料集，從而建立了功能強大的預測模型，實現了大幅度降低成本的目標。
機器維護及成本
在現代化的生產環境中，機器人應用于各種自動化任務，一旦出現故障，將帶來很大的成本和經濟損失。華爾街日報曾估計工業製造商的停機成本大約為每年500億美金。這些意外停機中42%來自設備故障。意外停機會導致過度維護，修復及設備替換。為了減少停機風險，製造商通常會創建設備定期維護日曆，無論是否必要都會進行維護，這會產生本來可以避免的高昂的管理費用。
而預測維護可以使得機器維護只在必要的時候進行，從而減少成本。分析人員利用機器設備運行情況的即時資料，瞭解在預防維護計畫之前哪台機器可能出現故障。利用這些分析結果，製造商就可以確保每台機器在必要時得到維護，並在盡可能長的時間內保持正常生產。
一家領先的汽車製造商使用Altair Knowledge Studio™來確定他們的16000台設備中的哪一台會在計畫的維護期之前發生故障。這家公司發現23%的機械臂在他們的計畫維護期之前就發生了故障。這造成了由於意外維修而導致的運營損失，以及生產延遲所造成的4400萬美元的相關損失。
利用 Altair Knowledge Works，製造商將擁有數萬個資料點的多種資料來源組合成資料集，將其應用於預測哪些機器在計畫停機時間之前就需要檢查。
數 據
主要使用兩種類型的資料，可以來自不同的資料來源 ⬇
靜態資料
這種類型的資料不隨時間改變，諸如：
▶ 機器人的幾何形狀。這包括—笛卡爾，圖靈機器人，六軸聯動和其他機器；
▶ 機器人末端探測器，包括有效載荷和抓握資料；
🔹 有效載荷：由機械臂手腕所能支撐的最大重量；
🔹 抓握：機械臂可以在不失去承載目標的情況下所能達到的最大程度，特別是在運動過程中；
▶ 動力：機器人以氣動或電動的移動速度；
▶ 機械臂是否被固定（機械臂與固定結構連接）還是基於浮動（機器人手臂未被固定）。
2
歷史運營資料
這些資料顯示了機器在一定時間內的使用情況，包括：
▶ 自上次維護以來機器投入使用的小時數；
▶ 它是如何被使用的（例如：焊接，材料處理，熱噴塗，噴漆，鑽孔等）；
▶ 機器人設備的製造商和供應商；
▶ 機器人所在的工廠；
▶ 各種類型機器人的典型有效載荷利用率；
▶ 整個製造環境中機器人的唯一ID。
有效的資源，大量分散的資料
首先需要克服的挑戰是將各種資料來源組合在一起，以創建一個有組織的管理資料集。對於16000個機器人的大量靜態和歷史資料，代表需要處理數萬個資料點，成本效益評估的要求是財務資料必須反映到每台機器。
連接不同的資料來源用於建模
多個資料來源連接後的資料集示例例 ⬆
（注意：並不是所有的值都顯示出來）
選擇Knowledge Works作為一個平臺，用來創建遵循其資料管理和安全協定的管理資料集。在確定應該包含在資料集中的內容後，分析師團隊使用Altair Knowledge Hub™將多個資料來源合併到一個資料集中，然後與資料科學家共用以使用Altair Knowledge Studio構建預測分析模型。從模型中找到的洞察力可以很容易的向汽車製造商展示未來哪些機器可能會發生故障。
Knowledge Studio和決策樹模型
Knowledge Studio 決策樹模型提供了互動式和直觀的視覺化介面，用來構建和探索細分，以及發現變數之間的關係。無需編碼，分析師可以利用決策樹來預測機器損壞的概率並對生產環境中的機器人制定策略，以便顯著減少意外停機和其它相關的成本。
決策樹可以快速顯現出：
▶ 在測試樣本中的10000個機器人中，有23.82%在計畫的維修週期之前發生故障。
▶ 最容易被影響的機器人類型是Articulated SCARA機器人，有接近一半（45.11%）的可能發生故障。
▶ 這些機器以釐米為長度單位伸的越遠，就越有可能發生故障。
▶ 模型顯示77.78%的Articulated SCARA機器可以伸展致187-200釐米，它們容易在維修週期之前發生故障。
▶ 最後，模型顯示用於裝配的機器比用於焊接和噴漆的機器更容易發生故障。
Knowledge Studio 進一步向分析師展示了測試機器人的最有效方法。利用在驗證決策樹模型時自動創建的增益圖，Knowledge Studio 顯示，所關注的高故障率的40%的機器人，可以捕捉到所有預計故障的85%。
Knowledge Studio增益圖：橫軸代表機器人的數量，縱軸代表機器故障的百分比%。對角線表示僅利用隨機選擇所得到的結果。如果測試40%具有高故障率的機器人（由紅線顯示），捕捉到的故障概率為85%。
分析團隊將已知的成本參數輸入Knowledge Studio，例如機器人成本，每種機器人的停機成本以及與停機相關的其他成本。按照收益遞減規律，最有效的經濟途徑是在計畫維修期之前檢查40%的機器。
Knowledge Studio 利潤曲線：考慮40%的機器人，曲線下降。在40%的機器人進行手動檢查後，運營虧損超出了停產來預防故障的收益
視頻講解
（視頻有聲音，注意調節音量哈~）
劃重點！
預測維護利用分析來預測和防止機器故障。由機器生成的當前和過去使用情況的資料以及顯示機器平常如何運作的資料，可以被用於確定哪些機器設備容易產生中斷生產週期的停機。利用Altair的預測分析和機器學習平臺-Knowledge Studio，製造商可以：
▶ 避免意外停機產生的高額成本
▶ 降低運營成本並避免不必要的停機
▶ 受益於早期故障檢測和設備診斷
▶ 按照設備是否會在給定的時間段內故障，是否會在一段時間內故障或者是否某些特定類型的機器更容易故障進行分類。
Altair提供最廣泛的資料管理平臺
Knowledge Hub和Knowledge Studio是Knowledge Works資料管理平臺的一部分，它結合了市場領先的企業的資料準備，預測分析和視覺化解決方案。Altair有足夠信心讓個人和企業單位掌握所有資料（無論資料的來源、格式或敘述方式），從而加快洞察時間。Knowledge Works旨在支援整個企業的資料和分析需求，從商業分析師到資料科學家再到業務線負責人，以及IT/BI員工和首席資料官。
Knowledge Studio通過豐富的視覺化介面，能夠自動執行和重複常見的資料科學流程，使資料科學家和商業分析師做出明智的決策，從而降低成本，降低風險並獲得更好的收入機會。
關於 Altair Knowledge Works™
留言列表
