基于設備維修管理數據的策略應用

李 梅

（河北白沙煙草有限責任公司保定卷煙廠，河北保定 071000）

0 引言

由于煙草行業設備高速化、精密化、大型化、自動化、信息化等的特點明顯，如何用好、修好、管好設備的責任重大。為此，煙草行業的設備管理人員應在設備管理領域，就如何向更數字化、更精益化、更智能化等方向發展問題上作出努力探索與研究。

行業內先進的卷煙工廠通過不同視角，對設備數據管理以及應用領域方向進行了卓有成效的實踐及探索。例如：上海卷煙廠，以全面開展深層次數據應用為主線，圍繞“平臺、數據、工具、團隊”打造專家型數據分析隊伍，實現了生產簡化、優化、精益化；杭州卷煙廠，致力于實現卷煙生產從原輔料供應源頭，到卷煙產品最終消費的全生命周期管理；通過分析、預防、消除產品全過程的差錯，為追求“質量零缺陷”“生產全機動”奠定了堅實基礎；青島卷煙廠則以消化吸收各種先進管理模式為基礎，摸索出“擬機為人、以人促機、人機和諧”的設備“六精”管理理念。

1 基于熵權TOPSIS 法的設備智能輪保策略應用

1.1 設備評價模型的選擇

常見的綜合評價模型建立方法有層次分析法、綜合評價法、熵權法、模糊數學法、空間相關分析、物元模型、TOPSIS模型、灰色關聯分析以及數據包絡分析等。其中，TOPSIS 為Technique for Order Preference by Similarity to Ideal Solution的縮寫，即逼近理想解排序法。

本文綜合熵權法賦權客觀性以及TOPSIS 模型排序評價客觀的優點，對設備進行綜合評價，以便于后期指導維修人員進行設備維保。

1.2 基于設備數據實現熵權TOPSIS 法的理論應用

該熵權TOPSIS 法智能輪保模型建立步驟如下：

第一步，參考設備管理需求框架確定模型評價體系，結合設備數據采集情況進行評價模型體系構建。本文選用了故障類指標、剔除類指標、運行類指標、工藝質量類指標構建評價體系。

第二步，采用最大最小法對數據進行歸一化處理，對于效益型數據，即數據指標值越大越好的數據，其歸一化處理的理論形式如下：

其中，xmin為數據序列中的最小數，xmax為序列中的最大數。

對于成本型數據，即數據指標值越小越好的數據，其歸一化處理的理論形式如下：

第三步，確定各指標權重，若有m 個待評機臺，n 個評價指標，形成原始數據矩陣：

則第j 個指標的熵值Ej：

第j 個指標的權重wj：

第四步，按照TOPSIS 法的理念，各待評機臺距離正負理想解的歐氏距離分別為：

第五步，最終得到各機臺的得分情況如下：

1.3 模型應用的結果展示

該模型策略應用時，需要每隔固定周期對設備數據進行處理，計算綜合評價模型，根據評價結果將設備情況分為表1 所示的四級策略應對建議。若某些機臺在權重較大的指標得分較差，即歸一化處理得分小于0.3 時，也需要關注這些機臺的該項指標。

表1 熵權TOPSIS 法智能輪保模型的四級策略應對建議

2 基于卷煙機重復性故障聚類分析的設備故障管理策略應用

2.1 卷煙機重復性故障數據現狀

ZJ112 卷煙機設備按照故障出現頻率，可分為重復性故障及偶發性故障：前者導致的設備停機時長一般比較短，但若重復次數和頻率較高，其對設備正常運行的累計影響效應就會十分明顯；后者一般與設備的運行狀態直接相關，設備在不斷損耗劣化的過程中重復性故障出現頻率往往增加。

針對此提出的設備重復性故障管理策略，分析控制故障的出現頻率，減少重復性故障的出現頻率及停機處理時長，保障設備運行穩定性，提高設備運行效率。統計2019 年ZJ112 卷煙機發生設備故障時的停機累計時長數據，整理成為輸入數據。

2.2 結合聚類技術分析重復性故障停機數據

采用聚類分析手段，依據聚類優度甄選最佳聚類類別數。聚類優度的定義為，不同的聚類類別參數下組內平方和總占平方和的比例。

研究通過聚類分析手段，為類別參數設定不同的值，選擇不同的聚類類別數，對故障停機時長數據進行聚類，通過比較聚類優度，選出最佳聚類類別數4 類。

根據聚類結果，分類統計各類別的停機故障累計時長數據。累計停機時長較長的共有3 類別，停機故障指標共有7 個，其所導致的停機時長占總停機時長的比例高達89%，所以將這7 個停機故障指標作為下一步故障管理監測的重點。

2.3 提取監測指標作區間分組結果展示

選擇了MAX 搓板堵塞作為重點監測指標對象，按照二八法則及聚類分析結果，將每班次搓板堵塞次數劃分為了3 個區間（表2）：每班次搓板堵塞次數小于5 時，認為設備處于正常狀態；在［5，15］區間時，認為設備產生了劣化趨勢，處于預警狀態，應當對該故障加以關注，并根據設備故障樹進行相關部位的保養，避免設備進一步劣化；大于15 時，認為設備已經出現了異常，應當及時對設備進行點檢維護。其他監測指標可進行類似對應的結果展示與分析。

表2 每班次搓板堵塞次數管理策略

3 基于煙支重量神經網絡預測的設備智能預知維修管理策略應用

3.1 神經網絡模型選擇

卷煙產品質量與設備運行狀態息息相關，通過建立設備運行數據與未來時段卷煙產品質量間的映射關系，可以實現對卷煙產品質量的預測。但是由于影響卷煙產品質量的因素過多，一般預測方法難以充分挖掘其中的相關關系并進行精確預測，故可以采用神經網絡法，利用其強大的非線性處理能力和容噪能力，探求設備運行數據與產品質量間的相關關系，實現產品質量的預測。

對卷包車間產生的煙支重量數據采用聚類分析、神經網絡等方法，結合企業實際質量需求，建立工藝質量預測模型，實現對未來時段內某一工藝質量指標的預測推廣。

3.2 數據處理與聚類分析

按照時間維度整理數據，將故障、剔除、生產、工藝質量等指標的數據對應整理，構建m×n 數據分析矩陣，其中m 為時間段總數、n 為數據指標個數，設備故障、剔除、生產的數據為該時段內的極差數據，設備重量數據為下一時段內的平均值數據。按照企業工藝質量要求，對工藝質量數據加以分類，推薦分為優、良、差三類。

對數據進行如式（1）的歸一化處理，將數據轉化為0～1 之間的數，以取消各類數據間數量級的差別，避免因輸入數據和輸出數據的數量級差別較大，而造成網絡預測誤差較大的情況。

3.3 神經網絡質量預測模型的結果展現

采用隨機抽樣的方法，選取訓練集，以數據分析矩陣的前n-1 列作為輸入數據，最后一列為輸出數據，建立起神經網絡預測模型。對于該神經網絡模型的隱含層節點數的確定，將按照式（9）的經驗公式確定范圍。

其中，l 為隱含層節點數，i 為輸入節點數，j 為輸出節點數；a為［1，10］范圍內的調節整數。

然后，通過多次試驗比較網絡性能，定隱含層節點數。模型訓練完成后，通過驗證集進行準確性驗證。

最后，將實時數據歸一化處理，作為輸入數據代入模型進行預測分析。

4 結語

本文立足于卷煙行業設備維修領域，針對卷煙生產設備產生的大量數據，采用聚類分析、神經網絡預測、熵權TOPSIS 法等理論工具，結合本文總結的設備智能輪保策略、智能預知維修管理策略、設備故障管理策略、設備維修成本統計與分析策略，實現設備維修數據在設備維修管理領域的應用。

（1）在熵權TOPSIS 法設備智能輪保策略應用中，綜合了熵權法賦權客觀性與TOPSIS 模型排序評價客觀性的優點，減少了人為觀點對評價結果的影響，使評價結果具有客觀參考價值。依據該模型，能夠找到設備薄弱點，從而指導相關從業人員進行維保計劃的制定。其能夠適用于相同機型的設備評價，而實際生產過程中，一個生產單位往往同時存在多種設備機型，這就需要建立多個評價模型。未來可以考慮分析各機型間指標的數學關系，將該模型推廣，使其適用于各機型的綜合評價。

（2）在設備重復性故障聚類應用中，對設備故障數據按照累計停機時長指標數據進行聚類，根據聚類結果找到影響設備運行的主要故障，通過采用二八法則等分析方法，制定了設備故障管理策略，明確設備故障管理流程，有效提高設備運行效率。該管理決策能夠判斷設備狀態，但進一步的設備維護工作仍然依賴于設備故障樹及設備故障處理SOP（Standard Operating Procedure，標準作業程序）的制定。因此，針對設備故障樹及SOP 的制定需要不斷加以充實完善，確保簡化維修流程，提高維修效率。

（3）在神經網絡智能預知設備維修管理策略應用中，首先采用聚類分析方法，對數量較多的停機原因進行篩選，減少了輸入指標的數量。然后采用神經網絡法，建立設備運行數據與未來時段卷煙產品質量間的非線性映射關系，實現了對卷煙產品質量的預測。根據預測結果，能夠在產品質量問題發生前及時采取措施加以預防，有效保障產品質量。但是由于現實條件所限，而采用的關于停機原因、剔除量等設備運行數據來表征設備狀態進行模型搭建的方式，對數據與設備狀態之間的關聯并不直接、停機時的數據斷流等問題的考量。而振動、溫度等設備狀態檢測數據，則具有與設備狀態關聯性更直接、數據連續性更好的特點。這些數據可通過自行加設傳感器獲得，此外在一些最新的如ZJ119 煙機設備中，也預裝了傳感器對這些數據加以監測，采用這些數據進行模型搭建，能夠提高預測模型的適應能力及預測精度，保障產品質量。

本文總結的一些關于設備維修管理領域的策略理論思路與策略應用，僅適用于當前實際卷煙生產車間設備維修管理，對于設備維修策略及應用在其他行業設備維修管理領域也具有一定可行性，希望能夠為相關研究的探索與實踐提供參考。