除了冗長而昂貴的運籌學研究之外，工廠生產還可以通過對整個系統的全面分析和監控來實現其最佳目標。此外，當機器以最高效率工作而沒有錯誤間隔或異常時，生產工作流程是高效的。

　　傳統的機器壽命評估方法通常側重于診斷，缺乏預測故障或威脅的能力。因此，人工智能的集成通過引入機器級預測分析的概念提供了解決方案。

　　通常，系統會由于組件的劣化或任何干擾整個過程的外力而失效。因此，可以解釋為系統崩潰必須存在一些正常行為異常。大多數情況下，這些異常是逐漸發生的，而不是突然發生的，這使得在異常對系統產生重大影響之前檢測和預測異常成為可能。

　　用于傳感器數據采集的研華邊緣節點

　　數據收集在執行探索性機器級分析方面發揮著重要作用，然后將數據集與 AI 模型擬合以進行異常檢測。需要使用一系列傳感器來測量機器的物理特征，以評估狀態和性能。

　　Reality AI 和Advantech合作開發了一個邊緣節點，用于評估用于檢測異常和預測運行組件的預期壽命的機器。它被命名為基于研華 EPC-S201 無風扇嵌入式 PC 的 RealityCheck AD 邊緣節點。Intel的 Celeron N3350 雙核 SoC 構成了嵌入式 PC 的核心，它具有 8GB RAM 和 64G SSD，顯示出廣泛的處理和存儲容量。

　　它配備了廣泛的傳感器選項，用于從機器收集數據：

　　來自不同制造商的加速度計

　　用于性能和熱量評估的電流和溫度傳感器

　　用于機械音頻傳感的接觸式麥克風

　　Edge 節點具有壁掛式和導軌式安裝選項，部署靈活，符合行業中的大多數部署可能性。此外，該設備支持廣泛的連接，包括支持 Wi-Fi、以太網和蜂窩通信。

　　使用 Reality AI 軟件工具進行異常檢測

　　在應用任何 AI 算法之前，需要對傳感器數據進行清理和預處理。Reality AI 軟件在經過徹底的預處理和清洗后，有效地從數據中提取特征。它使用具有廣泛特征空間的算法搜索來導出基于時間和頻率的自定義變換。該軟件在異常檢測、信號分類和預期壽命預測的情況下提供最佳結果。

　　Reality AI還具有根據用例調整 AI 模型權重的功能。它還可以創建機器學習模型和數據可視化，以提高對應用程序的準確性和理解。此外，它還提供深入的硬件分析，有助于解決方案設計。

　　RealityCheck AD 帶有用于優化異常檢測的基線正常策略。該方法評估特征空間中的參考區域，并將觀察結果與基線正常區域（實際上是參考區域）進行比較。Reality AI 軟件通過對緊湊壓縮區域進行分類來預測基線法線的正確特征空間。所有已知的異常都遠離基線的邊緣，因此，遠處的點成為異常，從而完成檢測過程。

　　異常檢測流程從在初始檢測模型中創建基線區域開始。實時數據收集在數據集中不斷更新，同時部署的檢測模型預測系統中的異常。對這個預測進行調查和驗證，以確定預測是否完全準確。在真實預測的情況下，特定數據點被標記為異常并在數據集中進行更新。同樣，在錯誤預測的情況下，數據會被相應地標記和更新。

　　盡管 AI 模型是準確的，但由于噪聲或過度擬合，可能存在一些可能未被檢測到的異常情況。但它們中的大多數在設備監控和生產線末端測試方面都是可以檢測到的。由于設備監控是機器級分析的基礎，因此對故障的洞察可以為整體生產節省大量成本。此外，生產線末端測試確保質量和性能，從安全角度來看也很重要。RealityCheck AD 邊緣節點可增強生產機器以滿足最佳目標。

　　審核編輯：郭婷