基于設備建模的設備預測性維護方法

李洋

（北京奔馳汽車有限公司，北京 100176）

工業4.0和中國制造2025概念的提出，智能制造工程的發展得到了更多的關注。隨著傳感器和通信技術的發展，工業現場智能化也有了更多可能，使用數據采集、計算分析等技術，為設備建立運行模型，可以為以后的設備狀態監控、故障分析、生命周期管理等提供有效支持。當前工業現場設備存在檢查識別故障難度大、故障發生頻率高、故障緊急修復時間較長等問題，對現場的生產穩定和設備使用效率有較大風險。當前的現場設備反饋的警告和報警主要來自設備自帶的配置，例如，超溫、過流等報警，由于每個工業現場實際設備使用環境、狀態不同，設備自帶的報警配置有時不能適應，因此，對現場設備進行建模，基于關鍵設備運行模型，建立發展提前預知、主動反饋的預測性維護體系，對工業現場的穩定高效運行有著重要意義。

1 設備建模準備

1.1 確認問題需求

目前，工業現場中，現場設備的報警系統主要是監控電氣元件，反饋到控制器中，由控制器中編輯報警邏輯和設備控制，人機界面進行報警顯示。在當前設備報警管理系統下，往往在設備報警時，現場設備已經出現不可逆轉的損壞，或者已經停機造成了相關損失，對于設備修復和現場生產恢復造成較大困難。預測性維護策略需要提前預測現場設備的異常狀態，將對現場設備的觸發報警數字量監控模式優化為對主要運行參數，如電流、溫度等的模擬量監控模式，通過建立基準，監控偏移量的方法進行預測。由于人機料法環五個主要方面的影響，建立運行參數的基準難度很大，往往參數不是線性或者簡單函數關系，這就需要通過數學建模的方法進行分析。

1.2 數據采集

工業現場數據可以分別兩類，一類是靜態數據，主要包括設備的標準參數，如機械結構、額定功率、傳動比等；另一類是動態數據，包括溫度、濕度、電流、頻率、轉速、壓力、流量、液位、振動等。靜態數據可以作為建立模型的輸入參考，動態數據則需要采集現場設備的輸入輸出數據。數據采集的基礎條件是現場設備的數字化、信息化，隨著技術的發展，我們目前現場使用的設備已經更多地趨向數字化，設備的各項數據可以經由設備網絡很方便地采集到上位系統中。在如今的工業現場，由于變頻器的廣泛使用，頻率和電流可以經由變頻器與上位系統的通信進行反饋采集，其他的輸入輸出數據可以通過增加現場傳感器，對現有設備進行數字化改造來獲取，目前，針對設備的狀態監控傳感器發展逐漸成熟，包括電子流量計、電子壓力表、電子液位計、紅外測溫、露點測試、振動檢測、噪音檢測等測量設備已經大量應用在工業現場，通過現場通信模塊將相關的反饋模擬量傳送至上位系統進行數據收集。

1.3 數據傳輸和存儲

完成了現場設備的采集工作后，需要考慮采集數據的傳輸和存儲，當前主要的數據傳輸模式分為以下兩種：（1）數據只能在現場顯示，不具備傳輸功能，只能通過人工定期現場點檢，完成數據錄入，并將采集的數據錄入上位機中；數據暫時存儲在現場設備中，使用手持設備到現場讀取數據，再將數據傳輸回到上位機中。（2）現場總線實時數據傳輸模式，數據可以直接通過總線反饋回上位機（圖1）。

圖1 現場的數據采集

目前，工業現場以第1種的模式居多，這種模式的缺點在于采集數據的采樣周期相對設備異常狀態的鑒別時間較長，并且對人員管理要求較高；第2種模式相對第1種來說，可以采集更多的數據樣本，但仍存在現場讀取設備周期長和人員管理的問題；通過一定的現場設備改進，可以實現第3種的數據傳輸模式，相對第1、2種，在線采集傳輸的數據精度更高，有進一步實現設備狀態信息主動預警的空間，不過成本較高，在目前的情況下，可以先對停機影響較大、故障時間較長的設備進行部署。

1.4 數據處理

完成了數據的采集、傳輸和存儲之后，下一步要根據現場需求，進行進一步的數據處理，通常需要對數據進行過濾，根據時間和現場運行狀態，去除掉其中的無效無關數據，以便進行數據分析和設備建模。

2 預測性維護應用數據分析

2.1 電流數據

電流數據參數用于表征電機內部狀態和外部負載，監控啟動階段的電流曲線和平穩運行階段的曲線，可以反映出電機在啟動和運行期間的負載變化情況，用來指導潤滑和必要的維護工作。

以輸送線等場合使用的小型電機為例，電機存在不斷啟停的情況，電機在運行狀態下的電流相對不穩定，此時，也可以通過上位機的數據記錄軟件讀取出電機啟動段和運行段的電流情況，若是上位機暫時沒有數據記錄的條件，也可以通過對反饋數據給出限值，分別測試出電機在正常運轉情況下啟動段和運行段的最大電流，用于表征電機的運行最大負載狀態（圖2）。

圖2 風機電流狀態

一般來說，電機電流數據主要可以分析啟動短時間的最大電流和運行一段時間內的穩定電流，電機或者關聯使用的變頻器一般采用電機最大電流報警機制，通過對實際使用電機電流的分析，可以更好地了解電機運行期間的正常電流，從而建立設備的正常運轉模型，之后可以將現場后續采集的數據與設備運行模型進行對比，可以得知設備在各個運行階段的健康狀態，實現設備在全生命周期的狀態監控，提前預知預測設備故障，部署維護計劃，減少緊急停機對現場的影響，提高設備技術可用率，在長期內達到生產成本的節約。

2.2 溫度數據

溫度數據監控適用于電氣設備檢查、軸承溫度檢查等場合，可以通過熱成像技術、現場溫度傳感器等方法，讀取現場設備溫度狀態數據。

電氣設備通過熱成像測量技術，可以測量出局部區域內的電氣元件有無特別的溫度異常點，可以用來輔助判別電氣元件和接線點有無短路損壞等異常情況。

大型電機的軸承溫度通過紅外測溫或者現場熱電偶傳感器測量，可以表征電機傳動軸和軸承的運行狀態，提前判斷出軸和軸承有無損壞情況。

2.3 振動相關數據

對于工業現場較大型的運行設備，可以使用加速度、速度、位移傳感器來監控設備相關振動參數，振動檢測傳感器可以安裝在電機、風機和泵體上（圖3）。

振動參數有助于分析相關設備的機械運行狀態，查找引起異常狀態的振源，從而進一步確認設備異常根本原因，提前發現解決設備隱患（圖4）。

圖4 振動數據分析

2.4 其他數據

在工業現場中，還有大量可以用于進行設備預測性維護的數據參數，如壓力、濕度、流量、風量、液位等，使用這些參數也可以從不同角度表征設備的運行狀態，輔助查找設備隱患。

3 設備建模

3.1 設備建模方法

針對不同設備進行建模，首先，要對設備進行原理分析，包括設備的動態特性和靜態特性。通過專家診斷、歸納學習等方法，找出設備運行數據和現場不同工況間的匹配關系。一般來說，在故障運行數據和正常運行數據較少時，專家診斷的準確性更高，有大量故障運行數據可用時，歸納學習方法分析更可靠，以下對工業現場的實際應用進行舉例說明。

簡單的設備建模方法為使用設備數據的最大值和平均值來表征設備模型，這種方法比較簡單，也易于在PLC中編程實現對設備異常情況的警告和報警。

對于現場較復雜的、對質量控制要求比較嚴格的設備，就需要更精確的設備建模方法，以上文的電機電流數據為例，普通輸送滾床電機運行過程可以簡單理解為加速-快速-減速-停止的過程，電機電流在運行的時間內經歷一個提升-穩定-降低的過程，過程相對簡單，但對于提升機等設備來說，由于提升機運行時存在負載不同、上下方向不同的情況，單純使用最大值或平均值不能有效表征提升機電機運行狀態，此時，對于電流的監控分析應該結合升降機負載、運行方向、輸出頻率等參數共同建模，分出不同的運行狀態時間段進行分析（如圖5）。對于大型風機電機設備，設備負載也需要結合輸出頻率、轉速等參數綜合進行分析。

圖5 提升機電流狀態

在建模過程中，由于采集數據的模式不同，使用不同的建模方法；對于采樣周期較短、可以連續采集實時準確數據的情況，可以使用更精確的數學建模方法，用以推算出數據的變化趨勢，進而表征設備的未來運行情況，對于采樣周期較長、相對更加離散化的數據，可以考慮針對不同時間階段使用不同閥值進行預警報警，或者使用歸納學習的方法進行建模（如圖6）。

圖6 學習算法模型

在建立好模型后，首先需要使用特定的歷史數據，包括無故障數據和故障數據對模型進行驗證，在驗證成功后，仍需要根據現場實際設備情況進行模型效果的跟蹤和模型的優化。

3.2 模型應用

當前流行的設備全生命周期管理需要設備在從規劃設計、制造安裝、使用維護，直到改造更新全過程的管理。建立設備的模型，可以便于在設備全生命周期管理中進行對現場的仿真、模擬和預測。通過對比設備關鍵運行數據和標準模型的差異來察覺異常狀態，并可以根據不同設備的原理和數據產生條件進行設備狀態的進一步分析，找出產生異常的可能原因，進行驗證并總結經驗，改善設備模型和分析思路。當設備模型相對簡單，現場數據可以進行線性擬合或簡單線性常微分方程描述時，可以推導出設備運行數據在一般情況下的發展趨勢，提供預報設備異常和故障現場的可能。設備模型相對復雜時，需要對現場設備數據進行解耦，分析對設備運行狀態產生主要影響的參數，通過歷史數據來配置參數異常臨界值，并通過大量采集經驗數據，提高參數異常臨界值對于運行狀態的反應精確程度。

4 方法應用展望

數學建模近年來在國內不斷發展，通過對設備數據的數學建模，將工業現場復雜多樣的運行設備轉化為盡量精確、貼近實際運行的模型，對于進行設備狀態監控和預測性維護有顯著的輔助作用。

很多行業前沿公司已經推出了基于狀態監控的設備大數據平臺，將設備數據通過現場總線數據傳遞到數據庫中，在很多現場應用場景下，仍需要安裝額外的傳感器對現場設備進行監控，再將傳感器數據進行統一配置，形成狀態監控系統。這種方案是目前比較主流的一種方案，在設備完成購置、安裝、調試、運行后需要額外增加一部分用于狀態監控系統的成本。將來更適應狀態監控系統的設備將在設備制造工序中選裝狀態監控模塊，從設備開始安裝調試就可以收集數據，便于工業現場對設備的全生命周期管理。

設備的使用管理部門在現場數據上與各個設備供應商合作交流，在保證信息安全的前提下，定制開發更貼合現場實際的，用于預測性維護的設備監控模型系統。

工信部發布的《數字孿生白皮書》中提到了應用于更全面的現場數據采集的數字孿生概念，對設備全生命周期的數據進行采集，更全面的數據采集有助于降低數據準備和整理時的工作量，方便在原有設備模型有偏差的情況下，對設備模型進行優化。

5 結語

針對工廠中的設備預測性維護需求，本文提出設備建模為基礎，通過采集現場設備狀態運行數據，建立設備的相關運行模型，實現對工業現場中的關鍵設備的預測性維護工作。通過對設備狀態的跟蹤分析，預測設備的失效狀態，提早發現故障隱患，避免發生較大影響的故障，降低過量維修的維護成本，并可以優化預防性檢修計劃，合理提升現場設備生命周期。為工業現場進行精益生產，實現智能制造提供有效支持。