本篇文章1646字，读完约4分钟

工厂和设备中部署了大量传感器来记录数据。如果分析得当，这些数据将对改进生产过程和保证生产质量有很大的价值。因此，维特姆尤勒的工业分析部门和客户密切合作开发了所需的数据分析模型。

我们从工厂和设备中提取各种数据集，如温度、压力、能耗和振动，这些被称为“特征”，并使用人工智能(ai)对它们进行评估。以前的项目经验表明，大多数工厂和设备已经记录了所有重要的数据，因此没有必要增加新的传感器。真正的挑战来自于发现隐藏在数据背后的信息以及它们之间的相关性，这正是维特姆尤勒的工业分析部门所擅长的。

Veiemdyuller工业分析:整合数据科学和专业知识

异常检测和分类

异常分类的工作是根据重要程度对识别出的数据偏差进行分类，重要的异常往往是设备故障的原因。借助这些信息，设备操作员可以更快地处理问题，甚至识别潜在故障。这种快速诊断方法可以减少停机时间，降低成本，优化生产能力。

“特征”工程识别复杂的模式

“特征”工程是开发可靠的人工智能模型的重要技术，该模型从测量数据中发现复杂的统计相关性。例如，为了找出这种统计相关性，相关系数可以用来表示一段时间内两个或多个“特征”之间的关联变化。数据科学家将根据设备的历史数据开发新的“特性”。与仅使用原始数据相比，它可以更可靠地识别异常情况。例如，通过振动测量或频率转换获得的高频信号可以基于数学模型分解成相应的不同频带。人工智能模型从设备的正常行为中学习信号的频带特性，并且能够比仅使用未区分的原始信号更好地预测故障可能性。

凭借“行业分析”的综合方法，维特姆尤勒获得了2018年德国创新奖“企业对企业卓越成就奖”。R&D工业分析业务部门负责人马库斯·科斯特博士和工业分析业务部门负责人托拜厄斯·高克斯滕在柏林接受了该奖项。

马库斯·科斯特博士在左边，托比亚斯·高克斯滕在右边

收集各个领域的知识

数据集必须根据特定的机器或过程进行解释和评估，因此“特征”工程需要全面的应用知识。无论是数据科学家的专业知识，还是机械工程师或机器操作员的应用知识，找到切实可行的解决方案都非常重要。只有应用专家可以评估数据异常是否代表机器故障，在应用专家的帮助下，数据科学家可以建立一种算法来准确识别正常操作和异常。

目前，人工智能模型已经被应用于包装机械、灌装技术、材料加工和机器人技术等许多领域。基于这些数据模型，维特姆尤勒为用户提供了合适的定制软件，帮助用户持续监控设备的运行，进行预测，并将数据和分析结果可视化。Ui专家设计定制的用户界面，这样每个用户都可以获得与其应用领域相匹配的解决方案。

人工智能模型不能描述和预测运行开始时未包含在设备历史数据中的异常或故障。因此，用户可以更新学习数据，扩展软件模块，不断完善工业分析模块。当然，韦登米勒数据科学家将根据用户需求提供支持和帮助。

数据和分析结果的可视化使我们更容易掌握机器的当前状态。为此，我们可以在每个时间范围内查看和标记应包含在未来数据评估中的信息。在本例中，黄色区域显示了算法标记的潜在异常。用户也可以检查这些区域，看是否有任何异常。这样，模型可以继续学习，并更准确地对未来状态进行分类。

成功协助了“特色”项目

“特征”工程是工业分析解决方案成功的关键，Veidemyuller将应用知识与数据科学相结合。由于人工智能模型的独立性，机械工程师和设备操作员可以在不暴露其专业知识的情况下显著提高设备性能。

扫描代码，关注维特姆米勒微信服务号，了解最新产品信息和经典案例。

关于维特姆尤勒

作为一名拥有多年丰富经验的工业连接专家，Veidemyuller在电源、信号和数据处理等工业环境中为全球客户和合作伙伴提供产品、解决方案和服务。扎根于这些行业和市场的维特姆尤勒对未来的技术挑战有一个清晰的计划。

维特姆尤勒坚持走发展之路，提供创新、可持续和高效的解决方案，以满足客户的不同需求。因此，我们共同制定了工业连接领域的标准。

目前，维特姆尤勒集团在全球80多个国家设有制造工厂、销售公司和联络处。