设备维修“不预则废”，人工智能深度学习能不能来帮忙？
【有态度 | 有深度 | 有力度的原创型产业新媒体】
造奇新媒体导读
前不久，杨明波先生新著《数字化工厂+工业维修服务体系》面世，会由工业4.0俱乐部、机械工业出版社、造奇智能产业新媒体联合推出大型万人线上读书会在9月26日晚间黄金时间强档推出，同时在数十个微信群同步直播/转播，受众广大读友好评。
读书会邀请了杨明波（作者）、朱铎先（蓝光创新董事长）、马笑潇（观为监测创始人）等重量级嘉宾，从不同的角度深入探讨数字化及智能制造趋势下的设备、工厂及B2B工业服务领域的种种。在此刊发马笑潇现场分享内容，经[造奇新媒体]编辑。
演讲：马笑潇博士，观为监测|MHCC设备健康体检中心创始人
整理：刘成军，造奇智能产业新媒体创始人兼主编，智能产业深度观察
马笑潇，工学博士，科技部创新创业人才，观为监测|MHCC 创始人，国际振动分析师俱乐部发起人，现任观为监测技术无锡股份有限公司董事长兼CEO。
马博士职业生涯起步于西门子，此后十余年先后供职于西门子、罗克韦尔自动化、通用电气等世界500强工业巨头，历任高端自动化产品经理、渠道经理和中国区总监等高级管理职务。
2013年带领创业团队在无锡国家传感网产业示范区创办观为监测。观为监测在无锡建有该领域国内专业技术水平最较高，影响力较强的第三方独立云诊断中心和工业大数据中心。
观为监测2015年完成钛和资本A轮融资，2016年登陆新三板。MHCC全生命周期智能设备健康预警与诊断平台于2017年成功入选工信部优秀大数据案例。
每个人的进步都是从读书开始的，很高兴参加这个读书会。
我是马笑潇，来自观为监测，是MHCC设备健康体检中心的创始人。从事预知性维修行业差不多10年了。2007年取得ISO国际振动分析师认证，算国内最早的一批认证的振动分析师了。
观为监测|MHCC 是一家专注于工业运维领域的大数据预知性维护服务机构，长期服务于美国雪佛龙、神华、华润、中船重工等世界500强标杆型企业，为其生产设备的健康运转保驾护航。
公司位于无锡的MHCC工业大数据中心（IBC），设备健康云诊断服务中心每年向各行各业出具数万份设备健康诊断分析报告，并提供诊断回溯机制，是国内影响力较大、专业水平较高的远程诊断服务中心之一。2017年该平台成功入选工信部全国大数据50家优秀解决方案。
公司是国内首家经国际标准化认证组织授权的ISO 国际振动分析培训认证基地，先后为中石油、神华、GE、SIEMENS 、台塑等企业集团培训了数百名取得国际振动分析师，欢迎大家来观为监测学习。
我本人也非常荣幸，为明波老师的这本新书作了序言。
我们言归正传。大家知道研究过去叫“历史”，把握现在叫“当下”，想知道未来叫“预测”。但想真实地还原过去可不简单，恰当地把握当下又谈何容易，当然预测未来就更难了。细想想都是“时间在后面捉弄大家”。
但是，人类似乎一直都“痴迷于做预测这件事”。比如咱老百姓都喜欢推个八字、算算命什么的，都是大家很热衷的事情。一句话，世界上凡是带“预”字的事都是大家想干却不容易干好的事。
我们工业的预知性维护的状况也差不多。
今天我们的话题是要谈谈从人工诊断到智能自诊断，预知性维护的瓶颈在哪里。
首先我们认为工业运维有三个段位。
不同行业，不同企业，所处的段位不同。同一企业的不同车间、不同设备也可能采用不同段位的运维方式。
但是趋势和目标是非常明确的，就是任何企业都会尽量规避处理应急事件、减少不必要的过度预防措施和增加预测能力。
工业运维也经历了4个主要发展阶段：
预知性维护是相对于失效后维修和定期预防性维护的一种基于状态的维护方式，建立对设备当前健康状态的准确评估，是实施有效地预知性维护的前提。
这个P-F曲线大家都很熟悉。毫无疑问，大家都想在P点就关注设备健康。可是现实当中，很少有企业能够及时准确的察觉设备的劣化趋势。
预测的难度并不来源于对未来的不可把握，而是对历史和当下缺乏全面、准确的判断和掌握。因为未来是无常的，而当下又是转瞬即逝的。
目前为止，人类所有的预测行为，本质上都是对过去规律的推演和依赖，掩藏着重要的假设逻辑。比如股市里的K线理论，股市明天的涨跌本质上是独立行为，但是通过观察一支股票的过去的走势，可以为其明天的涨跌规律建立假设。
当然，当我们具有“扩维看见”能力后。有些预测又是建立在更多维度上的发现而做出的。但大多数的人是很难建立超过4维的观察能力的。
回到预知性维护，我们看看制约其发展的瓶颈在哪里？
缺乏正确、有效的手段获取设备的运行状态数据：
这些状态数据有哪些呢？
常用的状态数据有：机组各部位的振动数据、润滑油液数据，温度变化数据，噪声（其实是某种特定振动的结果，如果能进行振动分析，也就不必进行噪声分析了，还有超声波检测，也是振动分析的一个子集，只是对特定对象，超声波分析更加直观、易于理解，振动分析专家是不必要做超声波分析的）；
当然还有设备的性能数据（如水泵的流量、扬程，功率等主要输出指标的变化等等）。有些数据可以从SCADA系统获取，有些数据SCADA往往没有，就需要后装。目前对于大多数旋转设备，普遍都没有振动监测手段，或者振动监测方案不科学。
所以，今年三月份，任正非就告诫华为人：
“华为做人工智能不要太冲动，不要遍地都是智能化，高质量的数据是人工智能的前提和基础，高质量数据输出要作为作业完成的标准”。
所以离开高质量的数据，谈人工智能是非常可笑的。工业物联网、边缘计算和云是获取正确、有效设备运行数据的数字化基础。
为什么振动信号如此受重视呢？
但是，大家对振动参量理解上的误区又很大，甚至有的人还拿振动参量等同于一个模拟量来看。实际上振动是复杂的信号量，一组振动信号可以派生出几十种、甚至上百种振动特征参量。
一、缺乏对状态数据的正确、有效的解读
笼统来讲，状态数据的解读，主要有两个思路：第一个思路叫机理辨识的思路，也可以叫机理建模的思路。就是通过对未知对象建立参数估计、进行阶次判定、时域分析、频域分析或者建立多变量系统、进行线性和非线性、随机或稳定的系统分析等，试图揭示系统的内在规律和运行机理。
这在故障诊断和根源性分析上，我们经常用的振动分析的方法，就是通过对振动信号进行时频变换后，发现设备早期故障的蛛丝马迹。
第二个思路，就是“灰度”建模的思路。比如我们大家经常提到的神经网络、深度学习型神经网络等。现在有很多人对人工智能有误解，一提起人工智能就认为是神经网络，也往往容易夸大人工智能解决问题的能力。其实，人工智能的基础是“机器学习”，神经网络是众多机器学习算法中的一种，只不过是因为GOOGLE ALPHAGO 的人机大战，让深度学习和神经网络名声大振。
这些都是人工智能的方法，那有朋友可能会问，哪种算法更好呢？每一种方法都有其适用性和局限性，能解决实际问题的方法，经得起实践检验的方法就是好的方法。
对于故障诊断而言，专家系统、决策树、基于主元分析的聚类算法、SVM和深度学习都是实践中不错的方法，后三种更是大有可为的。
二、缺乏对长周期(全生命周期)和多维数据的关联解读能力
故障诊断是一种高级复杂的数据科学活动。数据与数据的关联性尤为重要，我相信人工智能和大数据最终能形成解决这类复杂问题的终极能力。但这个过程也许比我们希望的还要漫长得多。在此之前专家与机器的协同诊断是一条现实路径。
毕竟，我们工业大数据的属性和消费大数据有很大不同。
在故障诊断上，我们无法接受“差不多”和“有可能”的判断，我们需要的是“准确”和“有效”。这也是为什么这么多年来观为监测提供的数据服务，一直提倡一种回溯机制，就是让客户用他的实践来检验我们的诊断分析结论。
最后，我想借用华为在今年的全连接大会上任正非的一句话作为结语：
在大机会时代，拒绝机会主义！——任正非。
工业人、工业服务人、设备人、振动分析师们、运维工程师们，我们没有什么捷径，踏踏实实地干好技术，为客户创造价值，成功只是时间早晚的问题。
更多独家观察和原创文章，造奇新媒体，为您奉献真知灼见。详见：截止2017年7月7日的历史[分类]文章链接
智能制造专题文章：
人大代表提议设立中德（重庆）智能制造产业园｜“两会时间”里的智能制造面孔
达晨创投: 我们为何要投一家年轻的智能制造创业公司? | 投资案例
【造奇智能产业新媒体】
国内第一家正式成立并开展运营的智能制造产业新媒体机构，聚焦工业4.0与智能制造时代的价值创造，以“深度影响智能制造进程，守望智能制造产业成长”为使命，联接产业企业、大学、研究机构、政府、资本等产业核心力量，通过创新和融合力量，提供深度观察、行业洞见、丰富资讯于一体的原创型、产业新媒体平台。