设备"健康管理师"养成记

大家好，我是“BI大表哥”，一个在某世界500强家电制造行业，深耕数据分析多年的80后从业者。工作多年的老猎手们肯定深有体会，无论是Excel的“老油条”们，还是Python和R的“代码侠”，大家在数据的海洋里摸爬滚打，经历了从数据接入到清洗，从处理到分析挖掘的每一个波折。你们是不是也觉得，开源软件有时候就像那个喜欢搞“高难度”秀的健身教练，让你既爱又恨？

小拳拳锤你胸口x2

无论做人和事，我们要做的第一步就是面对现实。开源软件确实强大，但有时候“用户友好性”和“易用性”就像是中二少年的社交技巧，让人捉摸不透。直到BI（商业智能）的出现，像一股清流，悄然进入了我们的视野。这也是我一直坚定的从事数据分析岗位，并且在这里跟大家探讨BI种种的原因之一，因为它值得。

它就像是数据分析的“微信”，上手快，学习成本低，你甚至可以在闲聊中完成数据的处理、分析、挖掘和可视化。别小看这个朋友，它可是集美貌与智慧于一身的典范，不仅好用，而且还能帮助提升生产效率，支持业务决策，简直是制造业数据分析的“贴心小棉袄”。

华仔同款贴心小棉袄

大家都知道表哥一直在制造业努力，制造业最离不开的是什么？是设备。所以今天，我要介绍的是基于BI的另一种“现代巫术”——设备预测性维护

那些会“生病”的机器们
想象一下，你家里的洗衣机突然在你最需要的时候罢工了，那是不是很让人抓狂？现在把这个场景放大到制造业，那简直就是噩梦级别的灾难。制造业的大型机器们就像勤劳的工蜂，但它们也会“生病”。如果不及时“看医生”，就可能导致生产线停摆，损失连篇累牍，老板脸色比雷暴天还阴沉。

预测性维护的占卜球
幸好，我们有了预测性维护，这就像是给机器装了一个未来预测的水晶球。通过各种高科技传感器，我们的机器开始自述它们的“心里话”——温度、振动、声音、甚至是它们的“心跳”。数据分析师就是那些解读这些“心里话”的占卜师，他们能够告诉你哪台机器即将“感冒”，甚至是“发高烧”。

当机器变成“透明”的
有了预测性维护，机器就像是变成了“透明”的，它们的内部运作一览无余。这让制造业老板们兴奋不已，因为他们现在能够在机器“打喷嚏”之前就给它们来上一剂灵丹妙药，这样生产线上的机器就能够健健康康、满血复活！

效率和质量的双重保证
预测性维护不仅仅是关于防止停机，它还能提升生产效率，确保产品质量。这就像是给你的生产线喂了一颗“增强剂”，让它变得更强壮、更可靠。突然之间，制造业的生产线就像是得到了超级英雄的加持，成为了不知疲倦、不出差错的完美机器。

接下来给大家来介绍一下如何通过BI帮助解决设备预测性维护的问题，还是以我司的某洪BI举例。
设备预测性维护在制造业中是非常常用的。制造业通常依赖于大量设备和机器来进行生产，设备出现故障或停机可能会导致生产中断和损失。通过预测性维护，制造企业可以在设备发生故障之前采取预防性措施，以减少停机时间和维修成本。通过使用传感器和数据分析技术，制造企业可以监测设备的运行状态、性能和健康状况，从而准确预测设备可能出现的故障，并及时进行维护。这有助于提高设备的可靠性和稳定性，降低维护成本，并同时提高生产效率和产品质量。因此，预测性维护在制造业中被广泛应用，以确保设备的正常运行和生产的连续性。

我们知道设备预测性维护比较关键的点其实是对设备故障的预测，解决这种预测类的问题通常需要利用机器学习对数据进行建模，在某洪BI 的工具里有一个深度分析的模块，里面自带一些机器学习的算法，不需要写代码，大大减少了建模时间。接下来，我们来看看是如何实现的。

（1）数据情况

以上数据包括设备各参数及检测结果标签字段，其中检测结果是true为正常，false为故障，共718条数据。将数据导入到某洪BI中，可实现对数据统计特性的初步探索，帮助了解数据情况。

（2）建模阶段

结合业务背景和数据可将该问题抽象成为二分类问题，因此可使用机器学习中的决策树、逻辑回归、XGBoost等算法来建模实现预测。具体建模效果如下：

以上图片红框标记的是使用718条数据实现的建模训练过程，从上可以看出先是对数据进行了缺失值填充、过滤、log处理等实现数据质量的提升和特征工程的加工。以缺失值填充为例，如下图，通过界面选择的方式就可以对数据进行处理，非常简单方便。

除了对数据处理操作简单外，在应用XGBoost算法时也非常容易，拖拽的方式选择算法。界面的方式选择参数、输入和输出。

建模完成后还可生成模型评估指标，例如精准率、召回率、f1-score等，通过评估指标可判断模型的效果。

通过这样一款工具提供了直观的界面和丰富的功能，使得在整个建模阶段可以快速创建、修改和分析模型，在对模型自动优化和实时反馈，进一步简化了建模流程，大大提高了效率和精确度。

（3）预测阶段

模型训练完成后，就可以对新数据进行预测，从而判断设备的故障情况。

以上图片红框标记的是利用模型预测的过程，从中可以输入的数据是设备待预测的新数据，同样先对数据进行了缺失值填充、log处理，此步骤与模型训练步骤相同，然后通过模型应用对新的数据实现预测生成结果数据集和评价指标。

（4）可视化报告

获得预测结果后就可以通过某洪BI自带的制作报告模块生成可视化业务报告，产品自带各种可视化模板方便直接套用，选择自己想要的报告样式直接替换数据集，减少开发成本。

如下为预测结果集，总共127条数据。相比于训练数据，预测结果数据缺乏检测结果字段，增加了2列predict(预测值)和predict_Prob（预测值概率）。

套用产品里的模板，直接通过替换数据集，就可以快速生成业务报告如下：

从报告中我们首先可以看到当前设备的总数还有设备的故障数，同时也可分析设备故障与正常情况下电阻、吸合、释放的对比情况，帮助了解哪些因素对故障起关键性影响，明确关键影响因素后可结合设备的编号进一步具体分析，最后通过表格展示设备的明细数据，对于预测为故障（false）的设备重点标记提示预警，方便后续排查。

AI凭借着高超的"武功"，通过机器学习和数据分析，练就了一身智能化决策和预测的本领。而BI呢，则是我的"贤内助"，利用可视化分析和报表示，把枯燥的数据变成了"花团锦簇"的艺术品。

这两位放在一起，那真是相得益彰、如虎添翼！AI负责"谋略"，用算法和模型把数据里的"天机"都算到了。BI负责"执行"，把分析结果"万花筒"似的呈现出来。两个人通力合作,从数据中"挖宝"、生产"锦囊妙计"，而我这个"军师"就可以运筹帷幄，高枕无忧了~~~

下班，去吃火锅！

大表哥666