三、典型的数据分析挖掘过程
典型的数据分析挖掘过程主要包括基于业务充分调研与理解后的数据接入、数据预处理、特征工程、算法选择与开发、模型构建、评估评测、模型洞察、模型部署及成果发布等过程。美林数据完全基于此分析建模流程研发打造 Tempo 大数据分析平台,支持企业级用户快速实现数据资产的深度分析与应用建模。
四、典型应用场景:预测与健康管理
智能化应用的一个典型场景便是预测与健康管理(Prognostics and Health Management,PHM),尤其是设备状态的准确分析与预测性维护。一直以来传统企业在典型或核心设备层面的维护主要是参照设备的标准参数及工人经验进行设备维护保养,维护人员经常不得不选择提前更换正常部件以最大限度保障设备正常运行,或冒着发生故障停机的风险使其尽可能久的运行,存在着过渡维护、成本浪费或潜在风险增大等现象,比如:机器突发性故障会造成时间、生产和利润的严重损失。
如何实时准确地判断设备的健康状态,并提前预测设备或典型部件的失效时间是困扰企业的一大问题。我们知道,一台设备是否会提前或者延后失效与设备的使用过程有很大的关系,通过采集设备运行状态信息及设备维修保养记录信息,根据设备失效的影响因素构建设备预测性维护模型。通过历史数据进行学习模型构建与知识获取,在应用过程中以实时的设备运行状态数据为输入,并基于预测出的设备健康状态与失效时间提前进行设备维护,可极大程度避免设备的各类突发故障。基于“数据驱动+机理模型”的设备状态评估与预测性分析,帮助企业回答了“是否有故障”、“哪一类故障”、“何时维修、如何维修”的问题,既能高效准确找出需关注的部件或子系统,前瞻性开展维修计划及工具、库存备件的准备等相关工作,还可以在设备脱机或生产间隙安排并启动维修保养计划,为车间和工厂节省时间、金钱和空间,也可避免不正确的维护计划带来的设备利用率低及突发故障的产生,进而保障生产安全并提高生产效率。