查看原文
其他

近几年大火的预测性维护有什么好处?

工控参考 2023-07-11

The following article is from 工控百家谈 Author 宋华振

工控参考

关注工控自动化大事小事


编者:预测性维护近几年都挺火的,从大企业的提出和实践,到如今被熟知,其所衍生出来的价值越来越被供需要双方重视。本文作者宋华振与大家聊聊预测性维护。


作者| 宋华振

来源| 工控百家谈


1. 几种不同的生产维护概念


相信很多在现场待过较长时间的工程师都知道“巡检”、“召修”这样的工作,在设备发生故障后,由维修人员进行维修、更换,这往往同时意味着生产的停机、重启设备带来的不良品和工时耽搁、以及潜在的人员伤害,并且在过程中也会存在过度维修的情况造成二次失效的风险,这种被称为“事后控制”—维修人员担当“消防队员”的角色,在生产过程中随时去“救火”。


图1-现场维护的发展阶段


而另一种普遍采用的是预防性维护,尤其是在流程工业较为普遍,即,安排专门的时间对设备进行统一的检修、更换,以确保在未来一段时间里的生产稳定运行,相对于事后控制这种方式具有一定的可控性,也能避免较大的事故发生,但是,这种维护方式往往需要一定的维护保养时间,并且,经常会产生为了保障未来一段时间不产生停机,而对未失效的设备、器件进行整体的更换,也是一种时间和维修成本较高的方式。


为了解决“事后控制”和“预防性维护”的弊端,“预测性维护”是一种目前普遍在进行的运维模式。


第三种称为“预测性维护”它又有不同的阶段和技术成熟度的不同而产生了不同的方法。


2.预测性维护需求的根源


今天,预测性维护技术之所以广泛关注,并形成了PHM-设备健康管理的整个完整的系统,也是工业物联网技术、数字孪生技术的典型应用场景,这有以下背景原因:


连续生产产生的需求


由于通过产线集群生产方式,每个单台设备的故障将会影响整个产线的OEE水平,因此,预测性维护的必要性就变得更为迫切。


基于数据的方法变得更为经济


传统的机理模型方式依赖于专家或专家系统,专家极其难以培养,而专家系统也需要数十年的各种场景研究的积累,而随着数据采集、传输、分析类的工具与方法变得更为经济的时候,数据驱动的方法解决了传统健康预测的瓶颈,进而使得数据驱动的预测性维护得以快速发展。


3. 预测性维护的实现方法


3.1 预测性维护的两种主要方法


通常预测性维护,首先一个概念称为“基于状态监测”(Condition-Based Maintenance)的维护,它借助于传感器技术、通信技术、专家系统,集中采集导致设备停机的状态参数,可以实现在事故发生之前较长时间里的故障“预测”,并提供较为精准的故障定位与处理方法。


图2-基于状态的预测性维护


图2-即是典型的基于振动的分析,通过加速度传感器对信号进行采样,通过系列的积分、滤波,对信号的包络曲线提取、特征频率获取,通过快速傅里叶变换、整流、解调等方式对信号进行前期处理,然后,将提取的数据输入至状态监测系统(Condition Monitoring System)进行分析,包括工频、二倍频、共振等方面的分析。而对数据的处理则有两种不同的方法,用于对故障进行预测,以获得设备的剩余使用时间、故障点、故障类型等处理信息。


其中两个主要的方法称为基于模型的(Model-Based)方法,这一种是基于机理模型,即,机械系统的失效分析,它根据已有的轴承、齿轮箱的机械特征参数,并将实时参数进行对比,对故障进行预测,这种系统往往会依赖于长期的数据积累,形成“专家系统”,类似于“查表”的方式,对故障进行预测、定位与分析。


另一种是数据驱动的预测性维护(Data-Driven Predictive Maintenance),是在现有的人工智能技术基础发展起来的,同样也是基于物理建模,但是,不同在于它没有提供失效分析的方法而是通过大数据方法对特征值进行学习,可以通过“强化学习”、“监督学习”方法来预测未来的故障,通过大量数据的学习,自主掌握设备的潜在故障。



 图3-常用机器学习过程



3.2 模型驱动与数据驱动的方法选择


模型驱动与数据驱动的方法各自有优缺点,模型驱动方法对于模型需求较强,必须对整个机械系统的材料、传动过程等非常清楚,并且能够有很好的领域知识支撑来实现,这对于专业的依赖非常深,往往需要非常专业的领域专家,例如国际认证振动分析师这样的专业人士才能进行,而数据驱动型的则不依赖于专家的知识,通过大量数据分析,对故障进行预测,但是,这种方法需要数据量较大,同时,由于机器学习往往具有“不可解释性”,因此,用户采用与接受也需要一个长期验证的过程。


采用模型驱动还是数据驱动也需要结合实际情况,对于机理模型强而数据少的,则采用模型分析方法,而对于机理模型不清晰,数据量较大的情况,则宜于采用数据驱动的方法。


当然,比较好的当然是两者的融合,模型提供了快速构建预测性维护的基础,但模型的保真度,以及运行环境中的不确定性等会让模型进行的预测准确度不够,而基于数据则可以弥补这方面的缺陷,提高预测的精度。


4.预测性维护带来的好处


  • 降低甚至消除潜在的停机

  • 备件可以被准确预测并进行准备

  • 可以实现最大的设备使用价值


根据相关研究数据表明,采用预测性维护技术对于工厂的贡献如下:

  • 降低维护成本:25-30%

  • 消除生产当机:70-75%

  • 降低设备或流程的停机:35-45%

  • 提高生产率:20-25%


版权提示:本文为宋华振为“工控百家谈”公众号独家撰文,如需转载,请联系本微信公众号获得授权。如需投稿请联系微信号:QQ1721078


作者简介

宋华振  贝加莱工业自动化(中国)有限公司市场部经理,武汉工程大学99届自动化仪表专业、同济大学2015届MBA,并担任SAC/TC124/SC4委员、自动化学会集成自动化分委会委员,OPC UA基金会(中国)技术顾问、走向智能研究院研究员,主要聚焦于产业市场研究、工业通信、智能制造发展、创新生态系统等方向。 

往期推荐ARC报告:ABB连续20年引领DCS市场
罗克韦尔自动化发布新版 PlantPAx DCS 系统
搞自动化也需要全栈工程师么?碧桂园跨界机器人是否符合商业逻辑?观点 | 边缘可编程控制器是OT- IT融合的利器工业互联网将成为5G商用的主战场工控周刊40期 | 2020机器人十大趋势、搞工控自动化需要全栈工程师吗?三菱电机新PLC……工业软件遭遇三不管尴尬、四大难

在看一下呗~

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存