運用資料分析與AI 魏德米勒提出工業分析解決方案

Weidmüller的使用者介面，使用者都能獲得與其應用領域相匹配的解決方案。

工廠和設備中部署了大量的感測器用於記錄資料。如分析得當，這些資料在改進製造製程及確保生產品質等方面產生巨大的價值。

魏德米勒工業(Weidmüller)分析部門從工廠和設備中提取各類資料集合，開發所需的資料分析模型。比如溫度、壓力、能耗和振動，稱之為特徵，並使用人工智慧(AI)對其評估。大多數工廠和設備已經記錄了全部重要資料，不必新增感測器。真正的挑戰來自於找出資料背後的隱藏資訊和數據之間的相關關係，這正是魏德米勒所擅長的。

異常分類的工作，是將已識別的資料偏差按重要程度進行分類，重要異常往往是導致設備故障的原因。有了這些資訊的輔助，設備操作者可以更快地處理問題，甚至可以識別潛在故障。這樣的快速診斷方式可以減少停機時間、降低成本並優化產能。特徵工程是開發可靠人工智慧模型的重要技術，該方法從測量資料中找出複雜的統計相關性。

為找出這樣的統計相關，可用相關係數表示一段時間內兩個或多個特徵的變化。資料科學家會根據設備的歷史資料來開發新的特徵。與僅使用原始資料相比，這樣做可以更可靠地識別異常情形。人工智慧模型從設備的正常行為中學習信號的頻段特性，相比於僅使用未分解的原始信號，可更準確預測故障可能性。

魏德米勒憑藉工業分析的綜合方法，在企業對企業商務卓越獎競賽類別中贏得了2018年德國創新獎。工業分析業務部門研發負責人Markus Köster博士和工業分析業務部門負責人Tobias Gaukstern在柏林接受了該獎項。

目前，人工智慧模型已經應用於許多領域，例如包裝機、填充技術、材料處理以及機器人技術。魏德米勒基於這些資料模型向用戶提供適合的客制化軟體，説明使用者持續監測設備運行情況、做出預測，並將資料和分析結果視覺化呈現。

UI專家設計定制的使用者介面，以便每個使用者都能獲得與其應用領域相匹配的解決方案。對於設備歷史資料中未包括的異常或故障，人工智慧模型在運行之初是無法描述和預測的。使用者可以通過更新學習資料、擴展軟體模組來不斷完善工業分析模組。魏德米勒資料科學家會按使用者所需提供支援幫助。