自宣布第四次工业革命以来，各公司一直在研究如何将基于数据的服务有效地整合到自己的价值链中。有多少个用户就会有多少种可能方法。这就是为什么魏德米勒公司从确定目标到实施解决方案，全程跟踪工业物联网项目的原因。

只能用电脑、智能手机和平板电脑上网的时代已经过去。今天，几乎每台技术设备都可以通过分配IP地址连接到网络上并通过该设备进行通信。这段时间以来，这一趋势在工业领域上也得到广泛应用。生产设备、机器单元甚至单个工具都可以收集和交换数据——这方面的发展为自动化领域开辟了许多新的应用。

数字化本身不是目的

今天，许多公司对物联网应用都有了基本了解，但是他们有时会缺乏独立应用的专门技能。尽管已经在第一步收集和存储了数据，但是这些数据通常没有得到有效的使用。然而，收集到的信息只有通过逻辑联系和评估，才能实现具体的可测效益。

工业物联网用途多种并可以单独使用，例如调试位置独立的机器、提高整体设备效率（OEE）或者自动生成能源消耗报告。因此，预先确定具体目标非常重要。魏德米勒公司为工业企业识别工业物联网应用的各种可能性提供支持，开发需求解决方案，并成功地将解决方案整合到现有结构中。

基于数据的工业物联网服务主要包括五大核心功能：数据采集、预处理、通信、分析以及操作员交互作用。在过去几年里，魏德米勒公司在自动化系统“u-mation”的基础上，开发了一系列综合数字化服务，将这些功能从传感器映射到云。总部位于Detmold的公司集团为客户提供各项服务，如用于风力发电的魏德米勒监控系统（WMS），同时也提供可以由用户进一步开发的解决方案。例如，Industrial Analytics的自动化机器学习软件，使机器操作员能够利用自己的领域知识开发和优化基于人工智能的分析模型。

“改造”日益重要

尽管数字化是现在的热门话题，但现有的大多数工厂和机器还不能利用工业物联网。这就是为什么“改造”（例如对机器和系统进行数字化改造）现在成为中心议题。恪守“永远不要改变运行中的系统”的原则，“改造”不会对已安装的自动化技术产生干扰，而是建立并行结构。为此，魏德米勒公司以FieldPower®分散式应用系统为基础，为客户提供定制的工业物联网系统。例如，这些工业物联网系统只需与现有系统连接。这种方法使机器操作员能够经济地数字化已安装的基础设施，并利用基于数据的服务。

扫码关注魏德米勒微信服务号，了解最新产品信息及经典案例。

关于魏德米勒

作为有着多年丰富经验的工业联接专家，魏德米勒在电源，信号以及数据处理的工业环境中为全球的客户和合作伙伴提供产品，解决方案和服务。魏德米勒扎根于这些行业和市场，对未来的技术挑战胸有成竹。

魏德米勒坚持发展之路， 为满足客户的不同需求，提供创新、可持续发展和高效的解决方案。因此我们共同在工业联接领域设立了标准。

目前，魏德米勒集团公司在全球80多个国家设有生产制造工厂、销售公司及联络处。

机器和生产工厂不断产生数据。将这些数据成功转化为创新的公司获得了决定性的竞争优势。借助易于使用的软件，魏德米勒公司正在使人工智能方法应用于机器生产商和生产型公司。

为了分析机器数据和流程数据，工业分析使用了能够检测异常情况甚至能够预测未来机器行为的复杂模型。通过使用人工智能（AI）方法和机器学习（ML），用源自原始数据的特征来揭示以前未知的测量值之间的关系。

需要具备综合专门知识

几乎在所有公司都能获得必要信息。在开发有意义的分析模型时，尤其是中型公司通常还要依赖外部数据科学家的支持。魏德米勒公司开发了一个突破性的解决方案，使中型公司不再需要数据科学家。在与最终用户密切合作的过程中，数据专家识别测量值中的相关性并训练初始模型。初始模型应用成功后，反复向初始模型输入新数据，并在机器的整个生命周期中进一步开发模型。随着时间的推移，这将提高信息质量。

学习机器学习

许多机器生产商和生产型公司还不能独立使用现有的机器学习工具，因为这些工具的操作已经针对分析专家的数据驱动活动进行了优化。公司可以用巨额资金培训现有员工，也可以自己雇佣一名数据科学家。这就产生了一个抑制阈值，放慢了人工智能在工业中的应用速度。

另一个方法是开发易于使用的软件解决方案，即使用户没有经过任何统计培训也能够理解并生成分析模型。魏德米勒公司的工业分析业务部门已经通过自动化机器学习软件将这一想法付诸实践。该款应用程序的名称意味着模型大部分是自动开发的。

“类似的应用程序目前在金融技术、银行业和营销领域得到广泛使用。但是，现有的解决方案不适用于机器和工厂，因为它们不支持自动化行业的相关数据类型。这些解决方案总是需要一个理想的数据库，”工业分析业务部门产品经理Carlos Paiz Gatica博士解释道。“此外，这些解决方案不能整合用户的领域知识，而这对于工业应用程序至关重要。”

对于自动化机器学习软件，魏德米勒公司的分析专家将领域专家的数据信息与算法相结合，自动生成合适的模型。以下工作步骤描述了模型生成过程（以异常检测为例）：

1.选择训练数据
领域专家决定应该使用哪些数据集来学习机器或工厂的正常行为。为此，首先生成原始数据概述，用来支持用户评估数据的信息内容。测量值的准备过程完全自动进行。

2.特征工程
如果原始数据不够，可以在原始数据的基础上生成附加信息。用户可以使用其领域知识来创建新特征。例如，这些特征可以描述温度变化的过程，而不仅显示个别状况。使用这些特征比使用原始数据通常能够对机器状况进行更好的评估。

3.标记机器行为
用户用标签标记数据中存在的正常行为区域（绿色）或不希望发生的行为区域（红色）。这样能够使用户用其领域知识增加训练数据的信息内容。辅助系统通过直接突出显示数据集中的类似情况，支持标记过程。

4.模型训练
标记过的数据集被转换成模型，并用各种机器学习方法进行训练。这个全自动化的过程产生了一个替代模型列表，该列表可以提供与结果质量、执行时间和训练持续时间相关的信息。《异常分数图》（Anomaly Score Plot）直接显示模型的结果，专家可以直接比较模型性能。如果未能实现所需的模型性能，用户可以再次编辑模型的特征和标签。然后，可以将模型直接转移到目标系统的架构中。

扩展人工智能应用程序

Paiz说过：“有了自动化机器学习软件，机器生产商和生产型企业不必成为数据专家，就可以独立开发人工智能和机器学习并从中获益”。“通用的应用程序支持用户生成初始模型并进一步开发模型。这样，公司不再依赖数据科学家，也不必与外部合作伙伴分享其工艺流程和机器知识。”

扫码关注魏德米勒微信服务号，了解最新产品信息及经典案例。

关于魏德米勒

作为有着多年丰富经验的工业联接专家，魏德米勒在电源，信号以及数据处理的工业环境中为全球的客户和合作伙伴提供产品，解决方案和服务。魏德米勒扎根于这些行业和市场，对未来的技术挑战胸有成竹。

魏德米勒坚持发展之路， 为满足客户的不同需求，提供创新、可持续发展和高效的解决方案。因此我们共同在工业联接领域设立了标准。

目前，魏德米勒集团公司在全球80多个国家设有生产制造工厂、销售公司及联络处。