一文读懂工业设备预测性维护的概念与实现
在设备管理领域,针对磨损类设备,我们常用 PF 曲线来描述其寿命特性,如下图所示。可以看出设备的性能劣化是一条缓慢的曲线,其劣化过程存在潜在故障发生点(对应 P 点,一般认为是最早能检测到潜在故障的时间点)和功能故障发生点(对应 F 点,一般指达不到设备应有功能所在的点)。从潜在故障到功能故障的间隔期称为 PF 区间。
为了预防功能故障的发生,维修的时机应该在 F 点以前;而为了能够尽可能地利用设备或部件的有效寿命,维修时机应该在 P 点之后。也就是说应该在 P 点和 F 点之间寻找一个最佳维护平衡点进行维修,以避免计划外停机,又不会有过度维护的风险,这就是“预测-视情维修”的基本思想。
预测性维护可以帮助找到设备的最佳维护平衡点。
那什么是预测性维护?我们先来了解其他常见的设备维护策略。
预防性维护(Preventive Maintenance)主要依据平均值确定设备的维护时间。例如某个机泵厂商可能会告知设备工程师,对应型号的机泵大约运行一万次循环便需要检查其是否有密封裂纹现象或应该可以添加润滑剂了。而设备工程师无法百分百确定这个机泵什么时间会在没有维护的情况下停止工作。
我们以天气预测来类比预防性维护。即使不知道具体气温,你也会在冬天准备厚衣服,因为你清楚就平均值而言,冬天气温较低。
基于状态的维护(condition-based maintenance )主要依据设备的历史数据和实时数据来确定设备的维护时间。例如设备工程师在某个机泵上安装了传感器,可以确切地知道机泵的振动程度,并使用传感器的数据来决定机泵是否需要维护。这个机泵过去良好运行时一直处于频率 A,但上次故障之前就上升到了频率 B。设备工程师通过实时数据和历史数据的对比,便会关注机泵趋近频率 B 的状态。将过去的数据知识与现在的数据知识相结合,设备工程师可以预测机泵是否正常或趋向故障。
同样和天气预测类比。基于状态的维护就类似于,你通过抬头看天空密布的乌云判断现在出门应该带上雨伞,即使目前没有下雨。
而通过预测性维护,设备工程师可以像专家预测天气一样看待未来,不只是考虑任何特定季节的平均温度,或抬头看看天空。相反,设备工程师可以将大量历史信息和当前实时数据输入 PreMaint 设备健康管理平台,或通过传感器和系统实时采集和存储,通过系统内置的算法模型,从而作出准确的预测。
这就像天气预测中卫星图像和实时天气的结合,我们可以通过其提前预测接下来一段时间的天气情况,并提前做好准备。
总的来说,预测性维护(Predictive Maintenance)是以状态为依据的维护,在机器运行时,对它的主要(或需要的)部位进行定期(或连续)的状态监测和故障诊断,判定装备所处的状态,预测装备状态未来的发展趋势,依据装备的状态发展趋势和可能的故障模式,预先制定预测性维修计划,确定机器应该维护的时间、内容、方式和必需的技术和物资支持。预测性维护集状态监测、故障诊断、故障(状态)预测、维修决策支持和维修活动于一体,是一种新兴的设备管理维护方式。可以帮助企业用较小的成本博取更好的效果,从而避免潜在的较大损失。
预测性维护策略的实现通常不是依赖单一的 IT 技术。更重要的是需要跟设备结构、工艺知识 Knowhow 结合,再通过大量的历史时序数据样本和维护工单数据,构建和训练出准确率达标的模型。 PreMaint 可以提供这些功能,基于设备的物理特性、物理规律,利用动力学规律建立机理模型,使用统计模型相关算法,结合时域数据、工艺数据、设备特征数据及各类报警预警数据等,构建设备等故障诊断模型和故障分析可视化服务,辅助设备工程师实现设备智能运维的场景闭环,直接按 APP 的提示,在特定时间去执行具体任务,让工程师更专注于解决关键问题本身。
东智 PreMaint 设备预测性维护应用功能架构图
目前市场上各类单一分析技术的设备状态监测、预测性维护解决方案已逐渐成熟,例如有基于油液监测的、有基于红外热成像的、有自动巡检机器人的等等。PreMaint 设备健康管理平台可以实现多源参数的融合,无论是 DCS 或者 IOT、第三方状态监测或者 IT 系统等,完成设备专属数据模型构建。PreMaint 系统中不仅将专家经验和行业标准封装为模型算法,而且基于大量设备故障案例库和设备各环节数据,采用机器学习算法训练设备故障原因的智能诊断模型。通过 AI 算法,PreMaint 专家系统可以定期生成设备健康专题的诊断报告,实现设备复杂多变工况下的立体监测、精准报警、故障诊断与预测维护,从而实现从监控到预警、故障诊断、维保维修处理的功能闭环,而不仅局限在设备管理的某个环节。
如何判断我的工业设备是否需要预测性维护的相关功能?PreMaint设备工程专家可以为您免费评估。
作者: 东智 PreMaint 产品经理 刘舒妍
@PreMaint 版权所有 转载请注明出处
版权声明: 本文为 InfoQ 作者【PreMaint】的原创文章。
原文链接:【http://xie.infoq.cn/article/a0c2fd7b22e60ad5672885fac】。文章转载请联系作者。
评论