【数据智能】Altair Knowledge Works：机械臂预测维护
本文摘要（由AI生成）：
本文介绍了一家领先的汽车制造商如何使用Altair Knowledge Works来准确完成其数据转换任务，并与数据科学家和商业分析师共享数据集，从而建立了功能强大的预测模型，实现了大幅度降低成本的目标。预测维护可以使得机器维护只在必要的时候进行，从而减少成本。分析人员利用机器设备运行情况的实时数据，了解在预防维护计划之前哪台机器可能出现故障。利用这些分析结果，制造商就可以确保每台机器在必要时得到维护，并在尽可能长的时间内保持正常生产。
Altair Knowledge Works™
预测分析和机器学习
Altair Knowledge Works™
预测分析和机器学习
利用预测分析，降低机器人在生产环节中的故障成本。
制造企业使用机器人可以高速度，高精度和高持久性进行作业操作。机械设备被应用于制造环境的情况越来越多，在规划维护周期时，停机成本成为一个重要的考虑因素。
本文将介绍一家领先的汽车制造商如何使用 Altair Knowledge Works 来准确完成其数据转换任务，并与数据科学家和商业分析师共享数据集，从而建立了功能强大的预测模型，实现了大幅度降低成本的目标。
机器维护及成本
机器维护及成本
在现代化的生产环境中，机器人应用于各种自动化任务，一旦出现故障，将带来很大的成本和经济损失。华尔街日报曾估计工业制造商的停机成本大约为每年500亿美金。这些意外停机中42%来自设备故障。意外停机会导致过度维护，修复及设备替换。为了减少停机风险，制造商通常会创建设备定期维护日历，无论是否必要都会进行维护，这会产生本来可以避免的高昂的管理费用。
而预测维护可以使得机器维护只在必要的时候进行，从而减少成本。分析人员利用机器设备运行情况的实时数据，了解在预防维护计划之前哪台机器可能出现故障。利用这些分析结果，制造商就可以确保每台机器在必要时得到维护，并在尽可能长的时间内保持正常生产。
一家领先的汽车制造商使用Altair Knowledge Studio™来确定他们的16000台设备中的哪一台会在计划的维护期之前发生故障。这家公司发现23%的机械臂在他们的计划维护期之前就发生了故障。这造成了由于意外维修而导致的运营损失，以及生产延迟所造成的4400万美元的相关损失。
利用 Altair Knowledge Works，制造商将拥有数万个数据点的多种数据源组合成数据集，将其应用于预测哪些机器在计划停机时间之前就需要检查。
数 据
数 据
主要使用两种类型的数据，可以来自不同的数据源 ⬇
静态数据
这种类型的数据不随时间改变，诸如：
▶ 机器人的几何形状。这包括—笛卡尔，图灵机器人，六轴联动和其他机器；
▶ 机器人末端探测器，包括有效载荷和抓握数据；
🔹 有效载荷：由机械臂手腕所能支撑的最大重量；
🔹 抓握：机械臂可以在不失去承载目标的情况下所能达到的最大程度，特别是在运动过程中；
▶ 动力：机器人以气动或电动的移动速度；
▶ 机械臂是否被固定（机械臂与固定结构连接）还是基于浮动（机器人手臂未被固定）。
2
历史运营数据
这些数据显示了机器在一定时间内的使用情况，包括：
▶ 自上次维护以来机器投入使用的小时数；
▶ 它是如何被使用的（例如：焊接，材料处理，热喷涂，喷漆，钻孔等）；
▶ 机器人设备的制造商和供应商；
▶ 机器人所在的工厂；
▶ 各种类型机器人的典型有效载荷利用率；
▶ 整个制造环境中机器人的唯一ID。
有效的资源，大量分散的数据
有效的资源，大量分散的数据
首先需要克服的挑战是将各种数据源组合在一起，以创建一个有组织的管理数据集。对于16000个机器人的大量静态和历史数据，代表需要处理数万个数据点，成本效益评估的要求是财务数据必须反映到每台机器。
连接不同的数据源用于建模
多个数据源连接后的数据集示例 ⬆
（注意：并不是所有的值都显示出来）
选择Knowledge Works作为一个平台，用来创建遵循其数据管理和安全协议的管理数据集。在确定应该包含在数据集中的内容后，分析师团队使用Altair Knowledge Hub™将多个数据源合并到一个数据集中，然后与数据科学家共享以使用Altair Knowledge Studio构建预测分析模型。从模型中找到的洞察力可以很容易的向汽车制造商展示未来哪些机器可能会发生故障。
Knowledge Studio和决策树模型
Knowledge Studio和决策树模型
Knowledge Studio 决策树模型提供了交互式和直观的可视化界面，用来构建和探索细分，以及发现变量之间的关系。无需编码，分析师可以利用决策树来预测机器损坏的概率并对生产环境中的机器人制定策略，以便显著减少意外停机和其它相关的成本。
决策树可以快速显现出：
▶ 在测试样本中的10000个机器人中，有23.82%在计划的维修周期之前发生故障。
▶ 最容易被影响的机器人类型是Articulated SCARA机器人，有接近一半（45.11%）的可能发生故障。
▶ 这些机器以厘米为长度单位伸的越远，就越有可能发生故障。
▶ 模型显示77.78%的Articulated SCARA机器可以伸展致187-200厘米，它们容易在维修周期之前发生故障。
▶ 最后，模型显示用于装配的机器比用于焊接和喷漆的机器更容易发生故障。
Knowledge Studio 进一步向分析师展示了测试机器人的最有效方法。利用在验证决策树模型时自动创建的增益图，Knowledge Studio 显示，所关注的高故障率的40%的机器人，可以捕捉到所有预计故障的85%。
Knowledge Studio增益图：横轴代表机器人的数量，纵轴代表机器故障的百分比%。对角线表示仅利用随机选择所得到的结果。如果测试40%具有高故障率的机器人（由红线显示），捕捉到的故障概率为85%。
分析团队将已知的成本参数输入Knowledge Studio，例如机器人成本，每种机器人的停机成本以及与停机相关的其他成本。按照收益递减规律，最有效的经济途径是在计划维修期之前检查40%的机器。
Knowledge Studio 利润曲线：考虑40%的机器人，曲线下降。在40%的机器人进行手动检查后，运营亏损超出了停产来预防故障的收益。
划重点！
划重点！
预测维护利用分析来预测和防止机器故障。由机器生成的当前和过去使用情况的数据以及显示机器平常如何运作的数据，可以被用于确定哪些机器设备容易产生中断生产周期的停机。利用Altair的预测分析和机器学习平台-Knowledge Studio，制造商可以：
▶ 避免意外停机产生的高额成本
▶ 降低运营成本并避免不必要的停机
▶ 受益于早期故障检测和设备诊断
▶ 按照设备是否会在给定的时间段内故障，是否会在一段时间内故障或者是否某些特定类型的机器更容易故障进行分类。
Altair提供最广泛的数据管理平台
Altair提供最广泛的数据管理平台
Knowledge Hub和Knowledge Studio是Knowledge Works数据管理平台的一部分，它结合了市场领先的企业的数据准备，预测分析和可视化解决方案。Altair有足够信心让个人和企业单位掌握所有数据（无论数据的来源、格式或叙述方式），从而加快洞察时间。Knowledge Works旨在支持整个企业的数据和分析需求，从商业分析师到数据科学家再到业务线负责人，以及IT/BI员工和首席数据官。
Knowledge Studio通过丰富的可视化界面，能够自动执行和重复常见的数据科学流程，使数据科学家和商业分析师做出明智的决策，从而降低成本，降低风险并获得更好的收入机会。
