NVIDIA RAPIDS AI 革命性地改进制造业的预测性维护

国际自动化协会 (ISA) 报告称，每年约有 5% 的工厂生产因停机损失。这相当于全球不同工业领域制造商每年损失约 6470 亿美元。据 NVIDIA 技术博客 所述，关键挑战在于预测维护需求，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 Analytics

LatentView Analytics 是该领域的主要参与者之一，支持多个桌面即服务（DaaS）客户。DaaS 行业价值 30 亿美元，且每年以 12% 的速度增长，在预测性维护方面面临独特挑战。LatentView 开发了 PULSE，这是一种高级预测性维护解决方案，利用物联网设备和尖端分析提供实时见解，大幅减少了计划外停机时间和维护成本。

剩余使用寿命 (RUL) 用例

一家领先的计算设备制造商希望实施有效的预防性维护，以解决数百万租赁设备的零件故障问题。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。该模型聚合了关键的热量、电池、风扇、磁盘和 CPU 传感器的数据，并应用于预测模型以预测机器故障，并推荐及时的修理或更换。

面临的挑战

LatentView 在其初始概念验证中面临几项挑战，包括由于数据量大而导致的计算瓶颈和处理时间延长。其他问题包括处理大型实时数据集、稀疏和噪声传感器数据、复杂的多变量关系以及高昂的基础设施成本。这些挑战需要一个能够动态扩展并优化总体拥有成本 (TCO) 的工具和库集成。

利用 RAPIDS 加速的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 提供加速的数据管道，运行在数据科学家熟悉的平台上，并有效处理稀疏和噪声传感器数据。这种集成带来了显著的性能提升，使数据加载、预处理和模型训练更快。

创建更快的数据管道

通过利用 GPU 加速，实现工作负载并行化，减轻 CPU 基础设施的负担，节省成本并提高性能。

在熟悉的平台上工作

RAPIDS 使用语法类似于流行的 Python 库，如 pandas 和 scikit-learn，使数据科学家可以在无需新技能的情况下加速开发。

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，确保对不断变化的模式具有鲁棒性和响应能力。

处理稀疏和噪声传感器数据

RAPIDS 显著提高了数据预处理速度，有效处理缺失值、噪声和数据收集中的不规则性，从而为准确的预测模型奠定基础。

更快的数据加载和预处理，模型训练

RAPIDS 基于 Apache Arrow 的特性在数据操作任务中提供了超过 10 倍的速度提升，减少了模型迭代时间，并使短时间内进行多次模型评估成为可能。

CPU 和 RAPIDS 性能比较

LatentView 进行了概念验证，以基准测试其仅使用 CPU 模型与在 GPU 上运行的 RAPIDS 性能的比较。比较结果显示在数据准备、特征工程和分组操作方面显著加速，在特定任务中实现了高达 639 倍的改进。

结论

RAPIDS 成功集成到 PULSE 平台中，带来了显著的预测性维护成果。该解决方案现处于概念验证阶段，预计将在 2024 年第四季度全面部署。LatentView 计划继续利用 RAPIDS 在其制造业项目组合中进行建模项目。