一个新的维护系统正在帮助传感器变得智能。萨尔大学的安德烈亚斯楚茨教授领导的研究团队正在将人工智能与传感器相结合，收集工业机械的状态数据。该系统可以检测损坏、磨损和错误状态，并且可以唯一地识别先前未知的机器状态何时发生，从中学习并确定其根本原因。这种方法为中小型公司提供了一种自动化机器维护和维修操作的方法，以便他们能够更准确地计划和避免不愉快的事故。

大量的传感器不断地从今天的工业机械中收集数据。从这些庞大的数据集中可以学到很多东西。当机器正常运行时，其振动、晃动、嗡嗡声或加热模式是设备特有的。但是，当机器部件开始磨损时，这些特性会略有变化。微小的温度波动、微小的振动行为变化和微小的测量数据变化都可以作为预警信号，指示部件何时开始出现磨损迹象。因此，能够检测到正在生成的数据中的这些细微变化非常重要。萨尔大学测量和传感器技术专家AndreasSchtze教授解释说：“单个传感器可以在短短几天内生成TB原始数据。”然而，除了检测这些变化，知道如何解释它们也很重要。

tze和他的团队一直在与工业界和学术界的合作伙伴合作，开发一个系统，可以从大量生成的数据中提取有用的信号数据。“通过为特定的损坏、磨损或错误情况单独分配信号模式，系统可以使机器的状态永久可见，”安德烈亚斯楚茨说。该程序持续比较实时传感器数据和与正常机器操作相关的数据以及指示初始故障或新磨损缺陷的典型信号模式。如果系统检测到这些信号模式之间的差异，它将通知设备操作员并指示如何响应。

系统甚至可以检测未知的故障，从中学习，然后将这些故障分配给它们对应的根本原因。这是一件全新的事情。到目前为止，基于人工智能的监控系统还不能评估以前未知的事件。“人工智能通过模式识别工作。如果发生了全新的事情，系统无法识别这种新颖的模式，它将有效地达到其功能极限。我们已经把这个系统发展到了一个可以识别身份的水平。以前从未遇到过，可以相应通知操作人员。”安德烈亚斯楚茨解释道。技术术语是“新颖性检测”。如果一个新事件开始频繁出现，并且有更多的数据可用，

在几个研究项目的过程中，Schtze的团队从大量测量数据中过滤出与机器行为变化或机器损坏相关的信号模式。然后，他们创建了数学模型，包括传感器故障的模拟，并使用这些模型来教授他们的系统。该程序使用机器学习技术来自动获取新知识，并检测与正常行为的偏差。目前正在研究新系统的博士生Tizian Schneider解释说：“这些算法还将最近获得的数据纳入了它们的分析中。因此，系统有可能检测和解释异常情况。”

系统生成的知识可以链接到其他AI功能，例如自动订购备件。这使得在大型或不可接近的工厂机械上计划维护操作变得更加容易。该系统还可以将信息以易于理解的形式传递给人工维护人员。为了保证维护人员能够正确解读数字数据，Schtze团队还研究了将数据转化为对用户有用的信息的方法。Tizian Schneider解释说：“系统将信息分解成既相关又易于维护人员理解的形式。”

许子和他的团队现在想帮助中小型公司熟悉新技术。研究人员在萨尔布吕肯泽马基地的Mittelstand 4.0能力中心进行了培训课程，该中心由联邦经济和能源部资助。他们目前正在为中小型公司开发基于人工智能的辅助系统。“该系统对希望利用数字化提升竞争力的中小企业特别有吸引力。”安德烈亚斯楚茨解释道。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

标签:AI智能机器。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：