通过机器学习和预测分析转化数据，实现卓越运营

当紧急冷却器因主冷却器性能系数（COP）的变化被错误触发时，一家制药公司联系了 Transition Technologies PSC 寻求解决方案。作为值得信赖的 Rockwell Automation 系统集成商，TT PSC 利用通过 FactoryTalk® Historian 软件获取的三年历史冷却器和环境条件数据开展工作。

目标：预测主冷却器未来的 COP，以便在需要启动紧急冷却器时提醒操作员。团队致力于开发一种时间序列机器学习（ML）数学模型，该模型基于前48小时的数据，非常精确地预测未来六小时内的 COP 值；将该模型与 IoT 平台中的实时数据集成；并部署连续计算，在预测的 COP 值超过设定阈值时触发警报并通知运营经理。

结果：模型准确率优于98%，预测误差（RMSE）小于5%。可提前六小时预测 COP 值。

AI/ML 能为您做些什么？

通过人工智能（AI，即计算机或计算机控制的机器人执行通常与人类相关的任务的能力）或机器学习（即机器模仿智能操作员行为的能力），制造商可以通过以下方式提升绩效：

停机时间最多减少10%——通过预测性维护而非被动维护来预测设备故障，并在设备运行超出正常范围时收到警告。

质量最多提升12%——更早发现过程或材料故障

生产率最多提升30%——减少返工和废品，高效维护计划制定，并提升对过程问题的认知

TT PSC 高级业务与解决方案架构师 Randy Thompson 表示，机器学习算法会基于可用数据构建数学模型，以便在没有明确编程的情况下进行预测或决策。在模型构建过程中，历史数据作为输入用于训练模型——通常70%用于训练，30%用于模型评估和确认。

什么是好的机器学习用例？

一个好的机器学习用例应包含可衡量的预测目标、多个变量和可用的历史数据。企业通常拥有大量数据，但往往缺乏实现目标预测所需的数据。这可能需要增加传感器输入或调整预测目标。在这方面，拥有经验丰富的合作伙伴可以提供帮助。

一个典型的机器学习用例是木材干燥过程，其目标是将木材干燥至特定含水量。通过机器学习，您可以输入所有可测量变量，以预测干燥机的运行速度，从而达到正确的干燥水平。Thompson 表示，机器学习的优势在于，添加所需数据后，模型会自动完成工作。还需确定以下问题：

• 这是一个值得解决的问题吗？预期的业务收益是什么？
• 该问题发生的频率如何？理想情况下，问题发生频率足够高，能为您提供足够数据以创建模型并获得结果。
• 停机时间的成本是多少？
• 如果有了这个预测，您会采取哪些不同的措施？

最后，您是否拥有构建模型所需的数据？一切始于假设。选择您认为重要的内容，而不是输入所有数据。接下来，确认可用数据，并判断数据量是否足以实现准确预测。

使用 FactoryTalk® Historian 的 Analytics Accelerator

Analytics Accelerator for FactoryTalk® Historian 是 Rockwell Automation 开发的一套工具组合，旨在帮助制造商自主建模。

这是一套基于 ThingWorx® 构建的集成组合解决方案，可简化将机器学习应用于 FactoryTalk® Historian 历史数据存档中的数据。该解决方案由多个服务和 ThingWorx® mashup 组成用户界面。