宋章明｜工业数据管理模式变革驱动下，重新想象工业设备管理

在人工智能（AI）时代，工业数据管理模式呈现出诸多新趋势，为工业设备管理带来了全新的想象空间以及前所未有的机遇和挑战。

1.工业 AI 发展现状

完整的工业过程是一个复杂的系统工程，涉及生产、决策和服务中的几类，主要有：产品类包括设计、生产、工艺、装配、仓储物流、销售等；设备类包括传感器、制造设备、产线、车间、工厂等；相关类包括运维、售后、市场、排放、能耗、环境等。

首先，从冶金行业工业 AI 应用背景分析来看，主要呈现如下特点：

• 流程长：生产工序多，品种规格多、自动化程度高、连续/半连续生产、设备故障对连续生产影响大。

• 工况差：高温高速、变速变载、工况变化频繁、干扰噪声大，早期故障特征微弱，分析诊断难度高。

• 资产多：设备数量大、种类多、分布广。

• 能耗高：水电燃气费用高，迫切需要计量数字化及管理智能化。

其次，从 AI 到工业 AI 的转变过程中可见：AI（人工智能）基于数据，利用机器学习、深度学习等算法，研究计算机视觉、语音工程、自然语言处理以及规划决策等问题；工业 AI 利用 AI 技术改造工业生产方式和决策模式。实现工业生产过程的优质、高效、安全、可靠和低耗的多目标优化运行。

因此，基于设备状态监测的预知维修，是科学运维的发展趋势；生产管理、设备状态、产品质量、能源消耗的一体化管控，是智能制造升级改造的重要方向。同时，要推进工业 AI 实现工业数据管理智能化，我们需要构建工业 AI 整体研究框架，大力发展建模、诊断、预测、优化、决策、AI 芯片等关键技术，从工厂的主要组成部分提取工业大数据，开展关键技术的研发，并应用到典型应用场景。工业 AI 应用的典型场景包括生产过程监控与产品质量检测、能源管理与能效优化、供应链与智能物流、设备预测性维护等。

2.设备预测性维护

1)预测性维护的兴起

传统的定期维护方式往往存在过度维护或维护不及时的问题，预测性维护基于设备的历史数据和实时监测信息，利用数据分析模型预测设备可能出现故障的时间和部位，从而提前安排维护计划，减少设备停机时间，降低维护成本。一家汽车制造工厂利用预测性维护技术，对其生产线上的机器人进行监测。通过分析机器人的运行数据和磨损情况，提前预测关键部件的寿命，在部件损坏前进行更换，大大提高了生产线的效率和稳定性。

2)基于寿命预测和维修决策的预测性维护技术(Predictive maintenance，PdM)是一项关键技术

PdM 主要由：数据采集与处理、状态监测、健康评估与 RUL（Remaining useful life、设备剩余使用寿命）预测及维修决策等模块组成，它是故障诊断思想和内涵的进一步发展，其核心功能是根据监测数据预测设备的 RUL，然后利用获得的预测信息和可用的维修资源，设计合理的维修方案，实现降低保障费用、增加使用时间、提高设备安全性和可靠性等功能。

3.工业设备预测性维护技术路线

1)发现设备运维问题：目前多数企业设备智慧运维能力处于 S1-S2 阶段，在设备状态的智能分析诊断层面仍缺乏有效的技术手段。如图 1 所示：

图 1 设备智慧运维能力阶段

• S1 阶段_单机自动报警：基于单体设备自带传感器实现状态自动报警，支撑传统运维模式运行。

• S2 阶段_状态在线监测：通过物联网技术全面收集状态数据，实现状态监测和管理流程互通。

• S3 阶段_智能状态分析：依托平台搭建的模型，实现状态指标监控和分析，提供诊断建议。

• S4 阶段_智能诊断与寿命预测：系统模型完善，系统自动分析诊断与预测并形成整体解决方案。

• S5 阶段_自适应综合决策：实现设备状态、工艺过程和质量控制最优运行的自适应综合决策。

2)解决设备运维问题：为此，需提升企业对于设备的智能分析能力，实现状态指标监控和设备故障的自动分析诊断。

3)确定设备预测性维护技术路线：以冶金关键装备为对象，从运行状态可靠、功能精度稳定、运维成本最优的角度切入，提升设备状态数据多维感知能力，构建设备故障分析诊断模型，形成设备服役质量评价方法，为设备智慧运维提供支撑。

4.构建设备预测性维护技术体系

1)预测性维护的技术体系涵盖状态监测、故障诊断、状态预测、维修决策等 4 个方面。预测性维护技术体系如图 2 所示

图 2 预测性维护技术体系

2)状态监测是对设备或系统的运行状态进行实时或定期检测和评估的过程。常见的状态监测方法主要有：

• 振动监测：其原理通过传感器采集设备运行时产生的振动信号，分析振动的频率、幅值、相位等特征，判断设备运行状态；广泛用于旋转机械如电机、风机、泵等设备的状态监测。可以检测出不平衡、不对中、松动、轴承故障等问题。

• 温度监测：利用温度传感器测量设备关键部位的温度变化。温度异常升高可能预示着设备存在过载、摩擦、散热不良等问题；适用于各种电气设备、机械设备等。例如，变压器的温度监测可以及时发现过热故障，避免设备损坏。

• 油液分析监测：对设备使用的润滑油或液压油进行采样分析，检测油液中的磨损颗粒、污染物、化学成分等指标；常用于机械设备的状态监测。可以判断设备内部零部件的磨损情况、是否存在腐蚀等问题。

• 声发射监测：检测设备在运行过程中产生的声发射信号。当材料内部发生变形、断裂等变化时，会产生声发射现象；适用于压力容器、管道等设备的监测，可以检测出潜在的裂纹、泄漏等问题。

• 电气参数监测：监测设备的电气参数，如电压、电流、功率因数等。电气参数的变化可以反映设备的运行状态和故障情况；主要用于电气设备的状态监测。例如，电机的电流变化可以反映负载的变化和电机的故障。

3)故障诊断是通过对设备运行状态的监测和分析，确定设备是否存在故障以及故障的类型、位置和严重程度的过程。常见的故障诊断方法包括：

• 基于模型的方法：建立设备的数学模型，将实际测量值与模型预测值进行比较，通过分析偏差来判断设备是否存在故障；适用于具有明确物理模型的设备，如控制系统、机械传动系统等。可以检测出参数变化、模型失配等故障。

• 基于信号处理的方法：对设备运行过程中产生的信号进行处理和分析，提取故障特征。常用的信号处理方法有傅里叶变换、小波变换、经验模态分解等；广泛应用于各种设备的故障诊断。例如，通过对振动信号的频谱分析可以检测出轴承故障、齿轮故障等。

• 基于人工智能的方法：利用机器学习、深度学习等人工智能技术，对设备的运行数据进行训练和学习，建立故障诊断模型；适用于复杂设备和系统的故障诊断。可以处理大量的多源数据，提高故障诊断的准确性和可靠性。例如，利用神经网络对电机的故障进行诊断。

• 基于专家系统的方法：将专家的知识和经验总结成规则库，通过推理机对设备的运行状态进行诊断；适用于特定领域的设备故障诊断。可以快速准确地诊断出常见故障，但对于新出现的故障可能缺乏诊断能力。

• 基于可靠性分析的方法：通过对设备的可靠性指标进行分析，评估设备的故障风险。常用的可靠性分析方法有故障树分析、可靠性框图等；适用于对设备的可靠性要求较高的场合。可以提前预测设备的故障，采取相应的维护措施，提高设备的可靠性。

4)故障诊断流程

设备故障诊断是预测性维护技术体系的重要组成部分，通过选取合适的状态监测传感器，对设备各个机械部位的状态信号连续、并行地进行采集。在此基础上，关键在于特征提取算法及故障识别方法。设备故障诊断流程如图 3 所示。

图 3 设备故障诊断流程

设备故障诊断在预测性维护中的实际意义是提醒设备管理者及维修人员及时排除故障隐患，使设备重新进入稳定运行期。现阶段预测性维护中的故障诊断主要依靠人工分析实现，诊断分析人员通过趋势、波形、频谱等专业分析工具,结合传动结构、机械部件参数等信息，实现设备故障的精准定位。

5)故障诊断可为设备的状态预测及维修决策提供指导意见，而状态预测是根据设备当前的状态信息以及历史数据，对设备未来的状态进行预测的过程。其中常见的状态预测方法有：时间序列分析、灰色预测模型、神经网络预测、支持向量机（SVM）预测和组合预测方法。通过故障诊断及状态预测，设备管理者及检维修人员制定合理的维修措施及计划，并通过实施维修，验证设备状态监测及故障诊断的合理性及准确性。

5.设备智能运维的现状

在当今科技飞速发展的时代，设备智能运维正逐渐成为工业领域的关键环节，为企业的高效生产和稳定运营提供了有力保障。

1) 数据驱动的监测与诊断

随着传感器技术的不断进步和普及，大量设备运行数据得以实时采集。通过对这些数据的深入分析，能够准确监测设备的运行状态，及时发现潜在故障。机器学习和人工智能算法的应用，使得故障诊断更加精准和高效。例如，某大型钢铁企业在其轧钢生产线安装了大量的传感器，实时采集设备的温度、压力、振动等数据。通过数据分析平台，能够及时发现轧辊的异常振动，提前预警可能出现的故障，避免了生产线的长时间停机。

2)远程监控与智能诊断平台

借助互联网和移动通讯技术，实现了对设备的远程监控。工程师可以随时随地获取设备的运行数据，进行远程诊断和故障处理。智能诊断平台能够自动分析数据，生成诊断报告和维护建议，提高了运维效率。某风力发电厂通过远程监控系统，实时获取分布在不同地区的风力发电机组的运行数据。技术人员在远程控制中心就能对机组进行监控和诊断，及时处理故障，提高了发电效率和设备的可靠性。

3)智能化的维修决策支持

通过对设备故障数据和维修历史的分析，为维修人员提供智能化的决策支持。例如，推荐最优的维修方案、备件选择和维修工具等，提高维修质量和效率。某航空公司利用维修决策支持系统，对飞机的故障数据进行分析。当飞机出现故障时，系统能够根据故障类型和飞机的服役情况，推荐最合适的维修方案和备件，缩短了飞机的维修时间，提高了航班的准点率。

4) 然而，当前设备智能运维也面临一些挑战，主要有：

• 数据质量和兼容性问题：不同设备产生的数据格式和标准不尽相同，数据质量参差不齐，给数据融合和分析带来困难。此外，部分老旧设备缺乏数字化接口，难以实现数据采集。

• 技术人才短缺：设备智能运维需要既懂设备工程又掌握数据分析和人工智能技术的复合型人才。目前，这类人才相对短缺，限制了技术的推广和应用。

• 安全与隐私问题：设备运行数据涉及企业的核心机密，在数据采集、传输和存储过程中，存在数据泄露和网络安全风险。

6. 设备智能运维的发展趋势

1) 智能化程度不断提升

随着人工智能技术的持续发展，设备智能运维将更加智能化。深度学习算法将能够处理更复杂的设备数据，实现更精确的故障预测和诊断。同时，自主学习和自适应能力将使运维系统能够根据设备的变化和新的运行情况自动调整和优化运维策略。

2)与工业互联网深度融合

工业互联网将设备、生产线、工厂、供应商、客户等紧密连接起来，设备智能运维将与工业互联网平台深度融合，实现更广泛的数据共享和协同。通过与产业链上下游的互联互通，企业能够获取更多的设备运行信息和外部资源，提升运维效率和服务质量。

3)强调绿色运维

在全球对环境保护日益重视的背景下，设备智能运维将更加注重节能减排和资源的优化利用。通过精准的设备管理和维护，降低设备能耗，延长设备使用寿命，减少废弃物的产生，实现可持续发展。

4)向服务化转型

设备智能运维将不仅是技术解决方案，更将发展为一种服务模式。企业可以将运维服务外包给专业的服务提供商，或者通过共享运维平台获取所需的服务。服务提供商将基于大数据和智能算法，为不同企业提供个性化的运维服务，实现资源的优化配置。

7. 数据驱动的决策支持是人工智能时代工业数据管理的新趋势

1)工业设备状态依赖的维修决策分为：

• 预防性维修(Preventivemaintenance，PM)，是一种基于时间的计划维修方案；

• 基于状态的维修(Condition．based maintenance，CBM)，是一种基于设备当前健康状态的维修方案；

• 预测性维修(Predictive maintenance，PdM)， 是一种基于设备未来的退化趋势制定的维修方案。

2)工业设备维修决策研究的主要目标及其研究方向

• 优化状态依赖的维修决策考虑备件、库存供应链和维修策略等因素对运维成本的影响，以维修成本、可靠度／可用度等为目标函数，运用优化理论，获得最优维修方案是维修决策研究的主要目标，按照目标函数的类型，主要分为以下几个研究方向：①维修成本最小化；②可靠度／可用度最大化；③多目标优化

• 维修决策更重要：随着科技的发展，企业竞争的加剧，设备功能的加强，为了增加设备的可靠性和降低维修成本，维修决策变得越来越重要。

3)工业设备不同维修策略的融合

• PM 策略：预防性维护 (Preventive Maintenance)：这是指定期对设备进行检查和维护，以防止设备发生故障。它依赖于时间或使用量的基础上进行计划维护，而不是基于设备的实际状况。

• CBM 策略：CBM 策略为 PdM 策略提供支持和补充，通过两个阈值确定需维护设备，融合 CBM、PM 和纠正性维护策略获得较好维修效果。

• PdM 策略：PdM 策略根据设备寿命预测信息安排维修时间和资源，提高设备使用和系统运行效率，节省运维成本。

• PdPM 融合策略：预测性预防维护 (Predictive Preventive Maintenance)：这是一种综合方法，结合了预测性维护和预防性维护的优点。它利用设备的状态数据来预测可能的故障，并在设备状况恶化之前进行矫正或推迟故障发生的措施。这种方法不仅预测何时会出现故障，还在于提前进行调整和修复以避免故障的发生。

未来，多源数据的深度融合将为设备健康状况提供全方位的洞察，人工智能技术的深化应用将使运维决策更加智能和精准。智能运维生态系统的构建将促进产业链的协同创新，推动整个行业的发展。

总之，多源数据的深度融合与数据驱动的决策支持是人工智能时代工业数据管理的新趋势，不仅在预测性维护、智能优化生产流程中发挥作用、而且也将增强安全管理、制定个性化的设备管理方案、以及在工业数据共享与协同管理上变得更加重要。同时，以人为本的理念将确保在技术进步的过程中，充分发挥人的智慧和经验，实现人机的完美协作。尽管会面临一些挑战，但随着技术的不断创新和应用，其前景广阔，将为企业带来显著的经济效益和竞争优势。

关于作者：宋章明

流程工业数字化实践者\观察者\思考者，冶金行业冶金机械工程\设备管理\项目管理从业者。冶金机械专业正高级工程师，中国机械工程学会高级会员/第六届设备监测与故障诊断学术委员会委员，拥有机电安装专业国家一级建造师执业资格。北京科技大学冶金机械学士，东南大学机械电子工程硕士。在冶金工业设备管理及冶金工程项目领域深耕超过 30 年，曾主持 20 个以上钢铁冶金工程建设、工业设备在线监测、预防预测性维护与维修管理等大中型项目的管理、研发和应用，系江苏省科技攻关项目《机电系统的远程运行监控与诊断技术的研究》核心机理研究与实验主要承担人，参与冶金行业 7 项关键部件制造标准的修订，拥有已授权发明和实用新型专利 16 项，掌握中厚板、热轧板带产线主要设备核心技术，曾获得江苏省科技进步三等奖。目前主要从事工业设备智能运维及工业数据管理等领域的观察、研究和推进工作。

欢迎在微信公众号上搜索麦杰科技，或添加微信号 139111554339