設備管理及預測性維護系統在水泥工廠中的應用

許越

1 前言

水泥生產設備大多具有大型、高速、長期連續運行等特點[1]，其故障維修成本高，維修周期長，事故發生造成的經濟損失大，做好水泥生產設備的管理和預測性維護非常重要。預測性維護是指將設備的振動監測、油樣分析、溫度分析與故障診斷相結合，判定設備是否發生故障、是否需要檢修以及何時檢修的一種設備維護方式[2]。預測性維護可及時、高效地對水泥設備的異常情況作出診斷，排除安全隱患，避免重大事故的發生。水泥生產過程所需的主要設備如圖1所示。

圖1 水泥生產過程所需的主要設備

現行的設備維修方式以響應式維修和預防性維修為主。響應式維修是一種事后維修，存在較大的安全隱患，且設備停機時間長，對產能影響較大；預防性維修的維修成本較高，且更多依賴于技術人員的維修經驗，維修工作涉及的影響因素多，管理難度大。此外，關鍵主機設備的備件儲備也是水泥設備維修面臨的棘手問題，如輥磨、回轉窯、球磨機等主機設備的齒輪箱，其價值較高，如存一臺備用，則資金占用量大，若無備件，遇損壞時，維修周期長，經濟損失大。

隨著智能制造的快速發展，傳統的維修方式已難以滿足可靠、可維修、經濟、安全、全生命周期管理的現代水泥設備管理要求，加強設備預測性維護具有重要意義。本文以某水泥公司預測性維護系統在設備管理中的應用為例進行介紹。

2 設備管理及預測性維護系統技術方案

設備管理及預測性維護系統基于大數據技術，結合了算法模型與專家系統，集成了眾多智能方法的優勢，能夠準確、實時對設備異常運行情況進行智能報警，提供故障診斷決策，實現水泥生產設備的全生命周期管理。該系統主要由數據采集、數據存儲、數據處理、數據分析、數據應用等模塊組成，如圖2所示。

圖2 水泥設備管理及預測性維護系統構成

2.1 數據采集

2.1.1 數據采集模塊功能介紹

設備管理及預測性維護系統采用無線采集站（圖3）和有線智能監測站（圖4）相結合的方式采集數據，可實現電纜零鋪設，支持60個振動傳感器和30 個工藝量傳感器，集振動和溫度測量于一體。該系統的數據采集包括報警觸發采集、數據同步采集等，在斷網時也能進行數據存儲，可有效避免突發情況造成的數據丟失；數據采集設備向下通訊支持ZigBee、LoRa，向上通訊支持以太網、光纖、WiFi、4G/5G 等；有線智能監測站支持300+故障特征指標，具備黑匣子存儲功能，可實現邊緣智能報警和智能診斷。該系統可以同步采集轉速、加速度、工況等數據；支持千兆/百兆網口/光纖、WiFi、4G/5G通訊方式，可適應不同的工業生產現場；采用1.5GHz雙核的高性能芯片，存儲容量為8G，可滿足數據的高速存儲及計算處理；具有自動診斷功能，可判斷振動、工藝、轉速等各路數據采集通道是否正常和傳感器是否正常。

圖3 無線采集站

圖4 有線智能監測站

此外，該系統的傳感器以毫秒級為單位采集數據，形成了量大、多源、異構、復雜、增長迅速的設備狀態監測大數據，為該系統提供了大量可靠的監測數據。

2.1.2 數據采集設備選用

（1）通頻振動加速度傳感器

傳感器內置IEPE電路，采用恒流源組件供電，可以隔離輸出。其加速度測量范圍為±80g，寬頻響應范圍為0.4Hz~15 000kHz。

（2）無線邊緣智能傳感器

集壓電、單軸、振動、溫度感知為一體的無線傳感器，在電機工況數據采集方面能力較強，可智能識別設備的轉速、負載及啟停機的狀態。該傳感器的功耗極低，配備19Ah大電池，持續工作時間長。

（3）通用無線振動傳感器

一種單壓電的三軸振動傳感器，LoRa 長距離通訊方式，可采集6 個低頻通用指標和報警波形，電池可持續使用三年以上。

（4）側出式加速度傳感器

內置IEPE電路，采用恒流源組件供電，加速度測量范圍為±80g；具有IP68高防護等級，360°側出，易于安裝和維護。

（5）沖擊振動傳感器

內置IEPE電路，采用恒流源組件供電，可以同時監測沖擊脈沖振動和溫度信號；采用激光焊接密封方式；振動頻率響應范圍為2~10kHz；沖擊幅值范圍為10~8 000SV；具有IP68高防護等級。

（6）電機工況傳感器

監測電機啟停機狀態的同時，也能監測電機的工況；支持轉速識別和階次分析。

2.2 數據存儲及處理

設備管理及預測性維護系統中的Hadoop分布式系統架構的云計算平臺，主要用于水泥生產設備運行數據的預處理、特征提取以及水泥生產設備的故障識別，如圖5所示。其中，數據存儲通過HDFS來實現，分布式計算通過MapReduce來實現。該系統的數據存儲和處理技術采用高效的數據庫結構和特殊的批量加載算法，可實現海量數據的快速存儲和檢索。

圖5 Hadoop分布式系統架構

水泥生產現場環境復雜，涉及到的數據種類繁多，數據量龐大，數據結構不一，很難使用傳統的、固定的數據接入手段應對各種不同的數據接入場景；同時，平臺的應用及接口均需盡快獲得最新的數據。因此，接口及應用排隊獲得數據的傳統方式顯然不能滿足需求。

Kafka是一種可以實現高通量數據讀取和存儲的分布式發布訂閱平臺，如圖6 所示，可以統一接口服務的方式，開放給Hadoop等應用，非常適合向Hadoop 或數據倉庫中進行數據裝載。該平臺支持以信息集合為單位進行批量發送，極大便利了數據傳輸。Kafka 還可應用于用戶活動數據跟蹤、監控運營數據指標以及流式處理數據等方面。

圖6 Kafka平臺界面

2.3 故障診斷模型的構建

2.3.1 算法開發

在水泥設備的預測性維護算法模型開發中，充分利用機器學習及信號處理的經典算法，并與行業知識深入融合，形成了可解釋性的機器學習方法（LIME），建立了故障診斷網絡平臺。智能算法模型開發流程如圖7所示，算法開發流程描述如下：

圖7 智能算法模型開發流程

（1）針對水泥設備的振動數據，提取其時域、頻域及時頻域特征，利用拓撲數據分析技術構建特征的拓撲網絡，并依據各特征在拓撲網絡中的重合程度，提取關鍵節點特征。

（2）通過卷積神經網絡[3]、隨機森林[4]、深度自動編碼網絡[5]等模型方法構建故障分類模型。

（3）利用可解釋性機器學習方法提高黑箱模型的可信度，采用線性替代、多重線性近似及決策樹等具有可解釋性的局部代理模型，評估各變量對每一分類結果的作用方向與作用強度。

（4）依據貝葉斯等決策算法，測算專家先驗知識與局部代理模型的重合程度，得出每一分類結果的可靠性后驗概率。

2.3.2 基于一維卷積深度網絡構建故障診斷模型

本文提及的公司已累積了上千個水泥設備的故障案例，對于可靠性較低的案例，需要專家輔助識別，同時賦予專家識別案例較大的權重，將其再次引入模型中訓練，通過迭代不斷優化模型的診斷可信度。本文以一維卷積深度網絡為例進行說明。

基于一維卷積深度網絡的水泥設備故障診斷模型的診斷過程分為多尺度粗粒度處理階段、多尺度特征提取階段以及分類階段。首先，針對水泥設備齒輪箱振動信號固有的多尺度特性，將原始的序列按照不同的間隔進行簡單加權，形成一個新的序列，將處理好的振動數據輸入到一維卷積神經網絡框架中，最終實現齒輪箱振動信號的多尺度特征提取和分類，原理如圖8所示。

圖8 多尺度一維卷積神經網絡原理

該模型能夠充分利用原始序列不同間隔上所蘊含的信息，在不同尺度獲取互補、豐富的診斷信息。由于該模型的分層學習結構設計，可以通過學習高層的故障特征，提高模型識別水泥設備齒輪箱故障的精度。模型的輸入沒有固定的數據類型，可以是水泥設備的振動監測信號，也可以是時間序列數據，輸出需要定為齒輪箱的故障類型。離線訓練好模型之后，將實時數據輸入模型即可快速得到齒輪箱的故障類型。一維卷積能夠很好地處理波形數據，從波形數據中提取有效的特征，同時，由于波形也具有時間序列的特性，故也可以建立長短期記憶網絡及循環神經網絡。

2.4 多種智能集成

該系統集成了多種智能模型與算法，針對不同智能方法的優點與不足，將其組合使用并與專家系統融合，有效實現了揚長避短。該系統采取多源信息融合、多種智能診斷方法集成，對診斷對象的適應性更強，顯著提高了智能報警與智能診斷效率。

2.5 自學習機制

該系統具有較強的自學習、自適應能力，通過持續的自學習訓練，找到水泥設備出現異常的時間點及異常產生的原因和發展規律，不斷更新故障診斷知識庫，提高水泥設備運行異常的實時智能報警與智能診斷的水平，實現提前判斷、提前預警，減少設備維修人員不必要的檢測工作量及非計劃停機。

3 設備管理及預測性維護系統預測案例

自設備管理及預測性維護系統投入使用以來，在線運行率達100%，設備隱患預判預知能力、設備運行受控度有效提升，人機結合點檢效率顯著提升，主要設備運行狀態持續改善。

自設備管理及預測性維護系統運行以來，公司窯、磨系統高效穩定運行，多項生產工藝指標達歷史最優。以下為自該系統運行以來，成功預測設備隱患的部分典型案例。

3.1 風機軸承隱患預測

2020 年 8 月 6 日，系統診斷分析推送現場 1 號煤磨排風機風機端振動上升與風機平衡狀態及基礎剛度變化有關，風機端軸承前期有所損傷，近期損傷持續劣化。8月10日，現場反饋風機軸承確有磨損，計劃近期大修時進行更換；8月24日，現場反饋風機軸承已更換，風機彈簧減振墊也進行了更換。雖然本次案例中的煤磨排風機軸承故障隱患處于早期，但若設備損傷持續劣化，且錯過大修之后再進行檢修，整體維修成本將會顯著增加。1號煤磨排風機風機端振動圖譜見圖9。

圖9 1號煤磨排風機風機端振動圖譜

3.2 定輥電機隱患預測

2021年8月28日，系統診斷分析出公司1號輥壓機定輥電機負荷端軸承滾道輕微磨損，保持架卡澀、磨損，處于緩慢劣化狀態，并將此診斷結果推送至現場專業技術人員，建議適當改善軸承潤滑延緩劣化。9月1日，現場檢查反饋未發現明顯問題，并及時給電動機補充潤滑脂，隨后系統振動圖譜可見明顯改善。由現場反饋可知，在企業日常點檢及巡檢過程中，本次問題很難被現場人員及時發現，通過添加潤滑油，在設備出現明顯機械損傷前及時維護，有效延長了設備使用壽命。1號輥壓機定輥電機負荷端振動圖譜見圖10。

圖10 1號輥壓機定輥電機負荷端振動圖譜

3.3 減速機隱患預測

2022年2月16日，公司水泥分廠更新了2號選粉機系統的減速機。開機后發現，設備振動值較高，2號選粉機系統振動圖譜見圖11。通過診斷分析發現，設備基礎剛度較之前存在差異，電機及減速機聯軸器連接狀態異常，建議現場排查減速機固定連接螺栓緊力情況及聯軸器連接狀態?，F場對選粉機減速機輸入、輸出軸進行了重新找正，并對電機基礎進行了加固，系統振動恢復正常。此問題若未及時發現，新換設備則可能出現故障，導致臨時停機重新安裝，短時間內將造成較大經濟損失。

圖11 2號選粉機系統振動圖譜

4 系統效益分析

自設備管理及預測性維護系統投入使用以來，其效益主要體現在以下幾個方面：

（1）意外故障發生次數大幅下降，減少了安全隱患。傳統的響應式維修在設備出現故障后才會進行，對于大型水泥設備而言，發生故障的同時，可能還會造成人身傷害。設備管理及預測性維護系統可以提前發現故障隱患，減少意外的發生。

（2）使用設備管理及預測性維護系統，可根據故障診斷結果，確定設備故障位置及可能的原因，縮短了設備故障排查分析時間，有效提高了設備維護工作效率。

（3）降低了設備維修費用，延長了設備使用壽命。在使用過程中，水泥設備的損耗程度往往是由小變大的，若前期的“小”故障未及時發現，則很容易演變成“大”問題，設備管理及預測性維護系統可對故障隱患及時預警，并提出有效的處置建議。