NVIDIA RAPIDS AI 彻底改变制造业的预测性维护

国际自动化协会 (ISA) 报告称，每年有 5% 的工厂生产因停机而损失。这意味着全球各行业制造商的损失约为 6470 亿美元。据 NVIDIA 技术博客称，关键挑战是预测维护需求，以最大限度地减少停机时间、降低运营成本并优化维护计划。

LatentView 分析

LatentView Analytics 是该领域的主要参与者，为多个桌面即服务 (DaaS) 客户提供支持。DaaS 行业价值 30 亿美元，年增长率为 12%，在预测性维护方面面临着独特的挑战。LatentView 开发了 PULSE，这是一种先进的预测性维护解决方案，它利用支持物联网的资产和尖端分析来提供实时洞察，从而显著减少计划外停机时间和维护成本。

剩余使用寿命用例

一家领先的计算设备制造商寻求实施有效的预防性维护，以解决数百万台租赁设备中的部件故障。LatentView 的预测性维护模型旨在预测每台机器的剩余使用寿命 (RUL)，从而减少客户流失并提高盈利能力。该模型汇总了来自关键热传感器、电池传感器、风扇传感器、磁盘传感器和 CPU 传感器的数据，应用于预测模型以预测机器故障并推荐及时维修或更换。

面临的挑战

LatentView 在最初的概念验证中面临多项挑战，包括计算瓶颈和由于数据量大而导致的处理时间延长。其他问题包括处理大型实时数据集、稀疏且嘈杂的传感器数据、复杂的多变量关系以及高昂的基础设施成本。这些挑战需要一种能够动态扩展并优化总拥有成本 (TCO) 的工具和库集成。

使用 RAPIDS 加速预测性维护解决方案

为了克服这些挑战，LatentView 将 NVIDIA RAPIDS 集成到其 PULSE 平台中。RAPIDS 提供加速数据管道，在数据科学家熟悉的平台上运行，并高效处理稀疏和嘈杂的传感器数据。这种集成显著提高了性能，从而实现了更快的数据加载、预处理和模型训练。

创建更快的数据管道

通过利用 GPU 加速，工作负载可以并行化，从而减轻 CPU 基础设施的负担，从而节省成本并提高性能。

在已知平台上工作

RAPIDS 使用与流行的 Python 库（如 pandas 和 scikit-learn）语法类似的包，使数据科学家无需新技能即可加快开发速度。

应对动态运营条件

GPU 加速使模型能够无缝适应动态条件和额外的训练数据，确保模型的稳健性和对不断发展的模式的响应能力。

解决稀疏且嘈杂的传感器数据

RAPIDS 显著提高了数据预处理速度，有效处理数据收集中的缺失值、噪音和异常，为建立准确的预测模型奠定了基础。

更快的数据加载和预处理、模型训练

RAPIDS 基于 Apache Arrow 构建的功能可将数据操作任务的速度提高 10 倍以上，从而减少模型迭代时间并允许在短时间内进行多次模型评估。

CPU 与 RAPIDS 性能比较

LatentView 进行了概念验证，以将其仅使用 CPU 的模型与使用 GPU 的 RAPIDS 的性能进行基准测试。比较结果显示，数据准备、特征工程和分组操作的速度显著提高，在特定任务中实现了高达 639 倍的提升。

结论

RAPIDS 成功集成到 PULSE 平台，为 LatentView 客户的预测性维护带来了令人信服的结果。该解决方案目前处于概念验证阶段，预计将于 2024 年第四季度全面部署。LatentView 计划继续利用 RAPIDS 为其整个制造组合中的项目建模。

图片来源：Shutterstock