利用機器學習來管理工業(yè)運營中的運營風險
傳感器數(shù)據(jù)在確保工業(yè)操作的操作安全性和效率方面起著至關重要的作用。傳感器廣泛應用于工業(yè)環(huán)境中，以測量溫度，壓力，流量，振動等參數(shù)。來自這些傳感器的數(shù)據(jù)為操作員提供了一個重要的窗口，可以了解設施資產(chǎn)的物理狀態(tài)。
物聯(lián)網(wǎng)和自動化的發(fā)展正在推動傳感器的更廣泛采用。Global Market Insights的最新報告預測，到2026年，工業(yè)傳感器市場將增長7%，出貨量將達到30億個：
| “在包括石油和天然氣，制造，能源和電力以及醫(yī)療保健在內(nèi)的各個工業(yè)垂直領域?qū)鞲衅鞯男枨蟛粩嘣鲩L，將推動工業(yè)傳感器行業(yè)的需求。例如，為提高智能電網(wǎng)的效率而在電力部門中越來越多地采用傳感器將為市場增長增加優(yōu)勢。” |
但是，這種更廣泛的采用帶來了自己的挑戰(zhàn)。隨著傳感器數(shù)量的增加，實時監(jiān)視傳入數(shù)據(jù)的任務變得更加復雜，更容易出現(xiàn)人為錯誤。此外，由于傳感器故障(例如校準錯誤，測量漂移，堵塞/結(jié)垢等)而引起的細微數(shù)據(jù)異常，在發(fā)生事故之前通常不會被人眼注意到。即使在這些事件不會帶來直接風險的情況下，它們也會顯著降低輸入數(shù)據(jù)的質(zhì)量，這可能會使資產(chǎn)狀態(tài)的長期狀況發(fā)生變化。反過來，這種不良的數(shù)據(jù)質(zhì)量會嚴重破壞數(shù)據(jù)分析和預測性維護工作。
有公司開始了解利用機器學習以可擴展的方式解決此問題。ML已被用于其他環(huán)境中，例如醫(yī)療診斷和欺詐預防，以比人類能夠更高的準確性來檢測大型數(shù)據(jù)集中的異常模式。因此，也可以使用類似的方法來減輕手動分析的負擔，并減少工業(yè)應用中人為錯誤的范圍。
在過去的幾年中，已經(jīng)有通過這種方法的應用取得了巨大的增長，特別是在歐洲和中東，通過在油氣，發(fā)電和化工領域的試點和全面安裝，該方法得到了廣泛的應用。
機器學習將在解決工業(yè)傳感器的實時監(jiān)控和長期降低數(shù)據(jù)質(zhì)量方面發(fā)揮越來越重要的作用。種種跡象表明，未來這種方法將被廣泛采用，我們期待著成為這一增長的重要部分。
