创建预测性维护模型来检测设备故障风险  

将定制机器学习模型与 IBM Maximo 集成起来

Description

在本 Code Pattern 中,我们研究一种可将定制机器学习模型与 IBM Maximo 集成起来的方法。这些模型经过训练,可估计每项注册资产的剩余使用寿命。如果预计某项资产会在不久的将来出现故障,那么就会自动生成一个工作订单。

概览

物联化的互联资产会生成大量的运营数据,包括结构化和非结构化数据。如果组织拥有分析工具,可向负责资产运营的人员传达此洞察,那么这些数据便可用来识别设备故障风险。

在本 Code Pattern 中,我们将向您展示如何构建并应用定制机器学习模型来识别风险,提供主动维护建议,避免服务中断。这些模型还将估计机械资产在需要维护或更换前的剩余使用寿命。

我们也将向您展示如何将定制模型导入到 Maximo 实例中。IBM Maximo 是用于管理资产和工作流程的系统。Maximo 可用于实现工作订单、通知、异常检测等流程的自动化,进而提高效率。

  1. 在 Watson Studio 中构建定制机器学习模型,将定制模型导出为 python 软件包。
  2. 从现场资产向 IBM Maximo 发布传感器数据。
  3. 定期将资产数据从 Maximo 提取到 Python 服务器,然后根据打包的定制模型生成预测结果。
  4. 将预测的 Remaining Useful Life 值发布到 Maximo。
  5. 无论何时更新 Remaining Useful Life 值,都在 Maximo 中创建“自动化脚本”并运行。 如果值低于 X 天数,那么 Maximo 将创建一份替换或更新该资产的工作订单。

Instructions

可以在 README 中找到本 Pattern 的详细步骤。 这些步骤将展示如何:
  • 克隆 Git 存储库。
  • 安装 python 软件包。
  • 构建并打包机器学习模型。
  • 在 Maximo 中注册资产。
  • 设置定期查询 Maximo 资产和确定状态的脚本。

相关博客

相关链接

英文原文

Create predictive maintenance models to detect equipment breakdown risks (2019-6-25)

网络边缘的 IoT

了解如何构建使用远程低功耗网络的 IoT 系统,以及如何将边缘分析和云分析系统实施到 IoT 解决方案中。

IoT 与智能家居

在此系列中,您将了解如何构建简单而又完整的家庭自动化系统。