运用数据分析与AI 魏德米勒提出工业分析解决方案

Weidmüller的使用者界面，使用者都能获得与其应用领域相匹配的解决方案。

工厂和设备中部署了大量的传感器用于记录数据。如分析得当，这些数据在改进制造制程及确保生产品质等方面产生巨大的价值。

魏德米勒工业(Weidmüller)分析部门从工厂和设备中提取各类数据集合，开发所需的数据分析模型。比如温度、压力、能耗和振动，称之为特徵，并使用人工智能(AI)对其评估。大多数工厂和设备已经记录了全部重要数据，不必新增传感器。真正的挑战来自于找出数据背后的隐藏信息和数据之间的相关关系，这正是魏德米勒所擅长的。

异常分类的工作，是将已识别的数据偏差按重要程度进行分类，重要异常往往是导致设备故障的原因。有了这些信息的辅助，设备操作者可以更快地处理问题，甚至可以识别潜在故障。这样的快速诊断方式可以减少停机时间、降低成本并优化产能。特徵工程是开发可靠人工智能模型的重要技术，该方法从测量数据中找出复杂的统计相关性。

为找出这样的统计相关，可用相关系数表示一段时间内两个或多个特徵的变化。数据科学家会根据设备的历史数据来开发新的特徵。与仅使用原始数据相比，这样做可以更可靠地识别异常情形。人工智能模型从设备的正常行为中学习信号的频段特性，相比于仅使用未分解的原始信号，可更准确预测故障可能性。

魏德米勒凭藉工业分析的综合方法，在企业对企业商务卓越奖竞赛类别中赢得了2018年德国创新奖。工业分析业务部门研发负责人Markus Köster博士和工业分析业务部门负责人Tobias Gaukstern在柏林接受了该奖项。

目前，人工智能模型已经应用于许多领域，例如包装机、填充技术、材料处理以及机器人技术。魏德米勒基于这些数据模型向用户提供适合的客制化软件，説明使用者持续监测设备运行情况、做出预测，并将数据和分析结果视觉化呈现。

UI专家设计定制的使用者界面，以便每个使用者都能获得与其应用领域相匹配的解决方案。对于设备历史数据中未包括的异常或故障，人工智能模型在运行之初是无法描述和预测的。使用者可以通过更新学习数据、扩展软件模块来不断完善工业分析模块。魏德米勒数据科学家会按使用者所需提供支持帮助。