专家观点∣基于数据驱动的设备预测性维护

本文作者：宋博

传统的设备维护管理通常基于事后维修、维护，就是在机械设备出现故障，无法继续正常运行的情况下，然后才想到对设备进行维修、保养，包括检查故障部位、修复故障或者零部件调换，排除故障后恢复生产，这样的维修状态会造成大量的非计划停机，不仅造成大量的损失，同时也使得设备的寿命大打折扣。

当前，基于一些先进技术的逐渐成熟，如：物联网、AI 等技术，预测性维护逐渐提上日程，所谓预测性维护，指的是在设备尚未因为故障停止运行之前，即可判断出设备需要维修的部位、方法和时间。从而提升维修效率和生产效率。冶金行业作为重资产设备较多的行业，实现基于数据驱动的设备预测性维护势在必行。

下面我以大型水泵为例，简单介绍一下如何利用实时数据、智能算法实现设备的状态监控、异常检测和寿命预测。

水泵作为大型的动设备，在冶炼企业中用到的地方很多，也会经常性的出现一些故障，如：密封圈、轴承、叶片等，下面我们以数据、模型为基础提取预测性维护的特征值来给水泵进行预测性维护。

利用 IoT 将水泵运行过程中的实时数据进行采集

水泵结构图

如上图所示，可在水泵中增加相关传感器或者利用变频装置读取出相关实时数据，数据如下：

（1）水泵出入口压力差

（2）水泵角速度

（3）电机转矩

（4）水泵转矩

（5）水泵的流量

同时在现场部署网络、现场总线、PLC 等设备将上述所描述的传感器进行联网及数据的实时采集，设备实时采集架构如下图所示：

构建水泵模型

根据相关设计手册可得出水泵的扬程模型为：

根据相关设计手册可得出水泵的转矩模型为：

其中 hnn,hnv,hvv 可理解为权重系数。

为了便于理解，我们拟选用稳态的运行状态作为测试对象，通过改变出口阀门的流量，我们可以得到不同情况下的：流量-扬程曲线。

基于稳态的工况进行研究，得出相对简化的扬程公式和转矩公式，如下：

从上述公式中可以看出：hnn,hnv,hvv,k0,k1,k2 是我们需要评估的“权重参数”，我们可以利用工况好的情况下的数据来拟合“权重参数”，然后在故障情况下，利用现场实时采集的数据拟合故障情况下的“权重参数”。两类参数进行对比即可判断出当前水泵运行状态是否健康。

计算权重参数

为了便于分析，我们选择两种设备状态下进行分析：健康状态、大间隙状态；

利用 IoT 将这两种状态下实时采集的运行参数进行汇集，分别定义为 TH 和 TB；将 TH 和 TB 分别代入扬程方程和转矩方程，并进行最小二乘法拟合，模型如下：

健康状态下：

大间隙状态下：

通过这种方式即可计算出：

健康状态下的“权重参数”：hnn0，hnv0，hvv0，k00，k10，k20；

大间隙状态下的“权重参数”：hnn1，hnv1，hvv1，k01，k11，k21；

判断异常

当我们得出了健康状态下的“权重参数”和大间隙状态下的“权重参数”，就可以利用最优化理论和工具计算两种“权重参数”之间的“距离”，从而根据“距离”的差异来判断当前运行状态是否处于异常状态。我们可选用马式公式来完成这个功能。

可视化效果如下：

如上图所示，我们可以根据经验或者不断迭代，来定义健康设备的系数边界，大于边界值我们可以认为是故障状态下的设备，我们将它定义为异常，同时利用 IoT 的异常推送功能，推送给相关的责任人，提醒他进行设备的维护保养等。

IoT 异常管理

通过上述四步，我们就可以利用实时数据、高级算法，做到数据驱动的科学设备管理，从而替代、优化以往的基于流程的设备管理体系，有效杜绝过保养、欠保养的发生，防止大型设备的故障率，降低备品备件资金占有量，提高生产效率，提高产量，为冶金企业有效做到降本增效提供一种新的策略和思路。