2019年GenPro工业智能建模案例分享.pdf

《2019年GenPro工业智能建模案例分享.pdf》由会员分享，可在线阅读，更多相关《2019年GenPro工业智能建模案例分享.pdf（16页珍藏版）》请在三个皮匠报告上搜索。

1、基于GenPro的工业智能建模案例分享GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T S工业数据的“3B”挑战意味着工业智能建模的高门槛、高投入Broken 碎片化数据分散在多个信息系统，往往需要人工合并对齐标签和建模参数Bad Quality 质量差需要大量数据清洗和特别的降噪处理Background 强行业属性数据专业性强不同设备数据受到参数设定、工况、环境等背景信息的影响，建模过程难以泛化工业数据“3B”挑战制造企业数据分析团队的问题来源：李杰，工业大

2、数据，2015建模效率低大量重复性工作（数据清洗、整理、模型泛化训练）建模门槛高需要跨学科能力与经验积累工业智能领域知识机器学习代码编程端到端的建模支持平台内置丰富的机理分析和机器学习建模组件，完整覆盖数据预处理、特征工程、模型训练、模型评估等建模环节将天泽智云在轴承、风电等行业的建模经验转化为平台算法组件，降低用户建模门槛，提升建模效果融入领域知识的行业组件丰富的工业智能建模模板为典型行业和工业建模场景提供建模模板，固化成熟的技术路径，支撑模型快速原型化简单直观的建模流程画布和可视化图表，所见即所得“拖拉拽”画布式建模在GenPro开发的模型可快速部署至CyberSphere模型运行引擎中，

3、接入实时数据流并根据用户设定的调度策略给出计算结果生产环境无缝对接模型快速部署GenPro:工业智能建模分析系统GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T SInvisibles：wear,corrosion,leakages,crack,dust,distortion,structural damageVisible：failure,defects,drift,quality deviationSolve Visible ProblemAvoid Vi

4、sible ProblemSolve Invisible ProblemAvoid Invisible ProblemMonitoring AnalyticsActions维护的目标被动维护（RM）预防性维护（PM）基于状态的维护（CBM）故障预测与健康管理（PHM）故障预测与健康管理（Prognostics and Health Management,PHM）技术是实现预测性维护和智能运维中最为关键的核心技术。人损坏后维修机器警报后维修预测模型预测与预防数据机器智能维护策略的发展趋势0Feature 1Feature 2Normal BehaviorModel of FailureARMA

5、PredictionEvolution of ARMA PredictionPrediction UncertaintyPredicted Confidence ValuePredicted Probability of FailureStart of Performance DegradationCurrent Situation预测性建模的理论基础Model ComparisonVirtual ModelSelf ComparisonPeer ComparisonFitness to normalDrift from normalNormal BehaviorMost recent Beh

6、avior2013NowDissimilarity with othersDegradation Assessment数据驱动的PHM方法数据探索数据预处理特征工程特征选择模型训练模型验证机理分析+数据驱动多源数据Cyber World洞察、决策、知识Physical World工业智能建模流程GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T S背景介绍：叶片结冰是一个典型的样本不平衡的二分类问题。故障发生时往往造成设备