汽車制造部門一直致力于在提高產(chǎn)品質(zhì)量和最小化運營費用之間實現(xiàn)平衡。基于 AI 的異常檢測是一種識別機器數(shù)據(jù)中的不規(guī)則模式以在潛在問題發(fā)生前預測這些問題的方法，它是對提高流程效率、減少停機時間和提高產(chǎn)品質(zhì)量感興趣的所有汽車制造商都應考慮的新興策略。

許多工程師和技術(shù)人員僅依賴手動數(shù)據(jù)檢查或當傳感器值超出定義的閾值時自動發(fā)出的警報。工程師無法同時對數(shù)千個傳感器進行分析，這就不可避免地會遺漏表現(xiàn)為復雜模式的異常情況。利用基于 AI 的異常檢測，工程師能夠預測潛在故障并優(yōu)化維護間隔，從而提高可靠性、降低運營成本并延長機器的使用壽命。創(chuàng)建一個穩(wěn)健而準確的異常檢測系統(tǒng)需要經(jīng)過深思熟慮的設(shè)計工作流，包括數(shù)據(jù)采集、算法開發(fā)以及徹底的驗證和測試。

設(shè)計基于 AI 的異常檢測解決方案

設(shè)計基于 AI 的異常檢測解決方案是一個綜合過程，涵蓋規(guī)劃、數(shù)據(jù)采集一直到部署和集成。剛接觸 AI 的汽車工程師必須了解算法開發(fā)和運營環(huán)境，才能開發(fā)出有效識別潛在問題的解決方案。

01規(guī)劃和數(shù)據(jù)采集

要設(shè)計基于 AI 的異常檢測系統(tǒng)，應首先定義問題和評估可用的傳感器數(shù)據(jù)、組件、過程和可能的異常。工程師必須首先確定異常的構(gòu)成以及將數(shù)據(jù)歸類為異常的條件。

在汽車制造中采集數(shù)據(jù)需要使用傳感器進行連續(xù)監(jiān)控并執(zhí)行手動準確度檢查。在線測量系統(tǒng)在車輛生產(chǎn)過程中收集大量數(shù)據(jù)，通常與車輛 VIN 關(guān)聯(lián)。工程師應使用這些運營數(shù)據(jù)來訓練異常檢測系統(tǒng)，以便進行預測性維護和質(zhì)量控制。然而，處理大量數(shù)據(jù)可能成本高昂且耗時，并且異常數(shù)據(jù)可能難以采集。

工程師還可以考慮從機器及其運行環(huán)境的詳細仿真中生成合成數(shù)據(jù)。憑借對系統(tǒng)物理特性的深刻理解，工程師可以從仿真中生成異常數(shù)據(jù)，而這些數(shù)據(jù)很難或根本無法從真實硬件中獲得。當真實的運營或測試數(shù)據(jù)稀缺、難以獲得或受到隱私問題的影響時，合成數(shù)據(jù)尤其有用。然而，鑒于必須確保仿真能夠表示運營系統(tǒng)并準確地對異常情況建模，工程專業(yè)知識對此過程至關(guān)重要。

設(shè)計異常檢測算法

設(shè)計異常檢測算法的第一步是組織和預處理數(shù)據(jù)，使其適用于分析。這包括重新格式化和重構(gòu)數(shù)據(jù)，提取問題的相關(guān)部分，處理缺失值，以及去除離群值。

接下來，工程師必須選擇異常檢測方法，這需要評估數(shù)據(jù)的特征、異常的性質(zhì)以及可用的計算資源。

最好對 AI 模型嘗試不同訓練方法以找到最適合特定數(shù)據(jù)集的方法，這非常重要。從較高的層面講，AI 方法可以根據(jù)可用數(shù)據(jù)的類型分為有監(jiān)督和無監(jiān)督學習方法。

有監(jiān)督學習

當歷史數(shù)據(jù)塊可以清楚地標注為正常或異常時(例如在測功機測試中)，使用有監(jiān)督學習進行異常檢測。標注通常由可根據(jù)維護日志或歷史觀測值調(diào)整數(shù)據(jù)的工程師手動完成。通過基于此標注數(shù)據(jù)集進行訓練，有監(jiān)督學習模型能夠?qū)W習數(shù)據(jù)中的模式及其對應標簽之間的關(guān)系。

日本汽車制造商大發(fā)公司以前使用熟練工人來評估發(fā)動機爆震聲，但后來使用 AI 實現(xiàn)了這一過程的自動化。通過利用 MATLAB 中的機器學習和特征提取功能，該公司開發(fā)了分類模型，支持快速自動檢查音頻信號。這種方法使大發(fā)公司創(chuàng)建了 AI 系統(tǒng)，能夠像熟練工人一樣準確地識別異常的發(fā)動機爆震聲。

無監(jiān)督學習

許多組織可能不具備有監(jiān)督學習方法所需的已標注異常數(shù)據(jù)。這可能是因為異常數(shù)據(jù)并未存檔，或異常發(fā)生的次數(shù)不夠形成大規(guī)模訓練數(shù)據(jù)集。當大部分訓練數(shù)據(jù)為正常數(shù)據(jù)時，就需要無監(jiān)督學習。

在無監(jiān)督學習方法中，對模型進行訓練以理解正常數(shù)據(jù)的特征，任何超出定義的正常范圍的新數(shù)據(jù)都標記為異常。無監(jiān)督模型可以分析傳感器數(shù)據(jù)以識別可能指示問題的異常模式，即使該類型的故障以前沒有遇到過或標注過也是如此。

特征工程

盡管一些 AI 模型是基于原始傳感器數(shù)據(jù)訓練的，但更高效的做法通常是從數(shù)據(jù)中提取有用的特征，然后訓練模型。特征工程是從原始數(shù)據(jù)中提取有意義的數(shù)量的過程，這有助于 AI 模型更高效地從底層模式中學習。有經(jīng)驗的工程師可能已知道要從傳感器數(shù)據(jù)中提取的關(guān)鍵特征。

02驗證和測試

驗證和測試 AI 模型可確保其可靠性和穩(wěn)健性。通常，工程師將數(shù)據(jù)分為三部分：訓練集、驗證集和測試集。訓練數(shù)據(jù)和驗證數(shù)據(jù)用于在訓練階段調(diào)節(jié)模型參數(shù)，測試數(shù)據(jù)用于在模型訓練后確定其對未知數(shù)據(jù)的性能。工程師還可以使用性能度量(如準確率和召回率)評估模型，并對其執(zhí)行微調(diào)以滿足特定異常檢測問題的需求。

03部署和集成

經(jīng)過訓練和測試的 AI 模型在部署到運營中并開始對新數(shù)據(jù)進行預測時會體現(xiàn)其價值。在選擇適當?shù)牟渴瓠h(huán)境時，工程師會考慮計算需求、延遲和可擴展性等因素。其中包括接近要進行實時異常檢測的制造過程的邊緣設(shè)備和具有幾乎無限計算能力但延遲更高的云平臺。

集成需要開發(fā)用于訪問模型預測的 API，并建立數(shù)據(jù)管道以確保模型接收經(jīng)過正確格式化和預處理的輸入。這可以確保模型與應用或系統(tǒng)的組件一起工作，并充分體現(xiàn)其價值。

結(jié)束語

隨著汽車行業(yè)的發(fā)展，基于 AI 的異常檢測正在推動更高效的制造運營。工程師可以使用 AI 模型處理邊緣設(shè)備上的傳感器數(shù)據(jù)，從數(shù)據(jù)中提取模式，從而簡化問題識別以避免出現(xiàn)重大故障。這種方法可以減少缺陷，延長機器壽命，降低運營成本。

關(guān)于作者

Rachel Johnson

Rachel Johnson 是 MathWorks 的 Predictive Maintenance Toolbox 產(chǎn)品經(jīng)理。她之前是一名應用工程師，為客戶提供關(guān)于使用 MATLAB 的預測性維護項目的支持。在加入 MathWorks 之前，Rachel 是美國海軍的空氣動力學和推進仿真工程師。Rachel 持有馬里蘭大學航空航天工程碩士學位、塔夫茨大學數(shù)學教育碩士學位和普林斯頓大學航空航天工程學士學位。