首页 / PRECOG / 技术

PRECOG：预测性维护软件

不止于监控，让分析自动完成，以便采取行动。PRECOG 平均可提前约两周预测电机故障。

PRECOG 的功能成熟度等级工作原理遥测数据流程准确率与评估PRECOG 与阈值方法后续规划

概述

PRECOG 的功能

PRECOG 是一款智能维护预测 AI 软件，从投入使用起成功率就超过 90%。随着 AI 对具体设备的学习和适应，成功率还会不断提高。

电机

直流和交流电机

适用于直流、单相交流和三相交流电机，这些电机可以是复杂设备的组成部分。

预警时间

提前约两周

预警时间取决于具体缺陷。有些缺陷发现得稍早，有些稍晚，平均约为两周。提前预警可避免停机，从而提高运行安全性。

物理量

任何可测量的量

根据功率、电流、振动和温度等物理量来预测结果。

环境

室内和室外

适用于室内或室外运行、连续或周期性运动的设备。

运行

全自动

无需定期配置，也无需技术人员。

成本

更低的运行成本

可以降低物流和维护成本，因此也是一种环保方案。

应用场景

水泵和油泵、空调、扶梯、电梯、生产线、数据中心、机械臂、刨床、数控机床和铁路道岔。实际上，凡是含有电机或电子部件、且对高可用性要求很高的复杂设备，都在其列。

智能维护成熟度

从测量数据到有用信息

智能维护分五个步骤逐步发展。前三步把测量值变成数据，后两步把数据变成信息。

01测量物联网设备的各种物理量
02采集并存储遥测数据
03监控、管理和通用 AI
04PRECOG 统计算法
05PRECOG AI
第 03 步

监控、管理和通用 AI

  • 基础缺陷检测
  • 有助于找到合适的物理量
  • 提供近似的参考数据
  • 成功率明显较低，因为模型是通用的
第 04 步

PRECOG 统计算法

  • 专为工业应用而设计
  • 通常用于电机和做周期性运动的设备
  • 结合多种不同的概率计算算法
  • 成功率高，因为是专门定制的
第 05 步

PRECOG AI

  • 自动学习设备的运行特性
  • 为具体设备生成专属算法
  • 持续提高算法的效率
  • 自动确定参考数据
  • 学习时间短
  • 预测、分析和建议都非常准确

原理

PRECOG 如何工作

15年经验由工程师和数学家针对电驱动设备的故障而开发。
14种概率算法统计层结合了 14 种不同的算法。
7万亿+测量数据点AI 使用超过 7 万亿个测量数据点进行训练。

流程步骤

  1. 找出最常见的故障。为每种设备类型确定六种最典型的故障，它们覆盖全部情况的 80% 至 85%。
  2. 监测相关的物理量。能耗、电流、振动、温度或位置。
  3. 实时分析。算法学习每台设备的运行状态，检测任何偏离正常运行的情况，并转交给 AI 评估。
  4. 用 AI 识别。AI 将偏差与已验证缺陷的数据库进行比对。
  5. 发送清晰的信息。技术员会得知预计在何处、何时出现哪种类型的缺陷，并附上可能的维修建议。
  6. 从反馈中学习。技术员用“是”或“否”确认或驳回缺陷，使系统越来越准确。被证明是误报的异常无需采取任何行动。
知识留在系统中。从一次已检测到的缺陷中获得的经验，会自动迁移到其他同类设备。
没有幻觉。AI 分类只基于真实的测量数据和已验证的缺陷案例。只有当统计算法发现相关异常时，才会调用它。

遥测数据流程

从传感器到通知

数据输入

来自硬件的实时输入

测量硬件设备收集遥测数据。它通过 Wi-Fi 通信，安装简便，并能融入现有基础设施。

预测

监控和通知

PRECOG 运行在云端或本地部署的服务器上，通过 Web API 访问，可经互联网或在本地访问。

数据评估页面，周期性运动设备的处理方式见
周期性运动分析页面。

PRECOG 的部署与防护方式见安全与 IT 架构页面。

准确率与评估

准确率如何衡量

算法已在 1500 多个不同的资产和指标上经过测试，使用了超过 10 年的各类技术测量数据。准确率通过专门的评估和测试程序来衡量。技术参数会依照下列标准持续评估，并通过调整参数来提高预测的效率。

90%+缺陷预测率算法在给定时间段内成功预测了多少缺陷，包括及时得到缓解的缺陷和已经发生的缺陷。正确预测的缺陷 / 已发生的缺陷
90%+及时预测PRECOG 对中长期缺陷和突发的短期缺陷均可靠。及时作出的预测 / 作出的全部预测
~100%严重警报比例几乎每个被检测到的缺陷，在发生之前都至少触发一次红色警报，因此操作员能及时收到警告。红色警报 / 全部警报
<1%严重警报误报比例算法的设计目标是尽量减少误报，避免对操作员造成不必要的干扰。红色误报 / 全部警报
80%+预测的持续性针对潜在缺陷持续发出的警报会引起关注。该指标显示预测对监控人员的有效程度。该时间段内针对某一缺陷的警报数 / 时间段长度

不同预测期限的预测示例见数据评估页面。

对比

PRECOG 与传统阈值方法

使用阈值时，电机启动时曲线的初始峰值会掩盖之后的所有变化。把曲线分成较小的片段再使用阈值，效果会更好，但仍远不如 PRECOG 有效，因为 PRECOG 会跟踪曲线上每一个点的变化。

传统的边界值和阈值检测

优势

  • 能检测明显缺陷。这类缺陷显著而易见，约占全部可检测缺陷的 40%。
  • 用于最基本的缺陷检测，实现简单。
  • 对于同类型或工况相似的设备，阈值易于维护。

局限

  • 只有达到预设阈值时才能发现缺陷，而不是在它形成的过程中。
  • 只能发现明显或较大的缺陷，发现不了细微或渐变的缺陷。
  • 处于正常运行范围内或淹没在噪声中的缺陷无法被发现，而这类缺陷占大多数。
  • 无法适应环境变化，久而久之会产生误报。
  • 对于不同的设备类型、型号或安装地点，难以维护。
  • 周期性设备需要分段阈值，这会增加复杂性并降低准确性，也无法跟踪功率曲线上所有点的变化。
  • 不同类型的缺陷需要不同的阈值，使结构变得不够清晰。
  • 温度、天气或湿度等外部因素可能需要额外的传感器，从而增加成本和复杂度。
  • 考虑外部因素会使计算变得复杂，成功率却没有明显提高。
  • 无法针对单台设备的特性进行定制。

PRECOG

优势

  • 在缺陷形成的过程中就能检测到，因此可在达到临界阈值之前采取行动。
  • 能检测所有在物理上可检测的缺陷，包括细微、差异不明显或渐变的缺陷。
  • 一种方法即可涵盖阈值方法能发现的缺陷，以及更复杂的缺陷。
  • 实现简单直接。
  • 一旦按边界运行工况设定好数值，几乎无需维护，即使同类设备存在差异或工况不同也是如此。
  • 能发现处于正常运行范围内或噪声中的缺陷。
  • 在同类设备类型、型号和环境之间易于维护。
  • 所有测量点均受到监控。采用分析方案的做法可对各类缺陷做出广泛评估。
  • 自动适应外部或环境变化，从而减少误报，往往还省去了额外传感器。
  • AI 会适应每台设备的特性。

要求

  • 对设备进行规范测试，并做充分的数据分析。
  • 具备足够的计算能力，以便实时分析数据。

展望

后续规划

中期计划是推出一个 AI 助手，可以就系统的当前状态和未来状态自由提问。它将以文字和语音两种方式给出复杂的分析和预测。PRECOG 现已把原始测量数据转化为面向维护人员的简短信息，而该助手会把这一能力扩展到开放式提问。