基于故障預測分析系統的TPM 管理實踐

余建業，馬 勇，燕偉波，王 杰

（陜西有色天宏瑞科硅材料有限責任公司，陜西榆林 719000）

1 研究背景

目前國內外許多多晶硅生產企業采用關聯性較強的生產系統，但是設備設施的維修、維護和管理水平沒有隨之提升，大多還保留著較為落后的設備管理體系，給多晶硅生產企業的生產經營帶來較大的成本壓力。隨著全球光伏行業的發展，市場對多晶硅生產企業的要求越來越高，提高多晶硅質量、降低多晶硅工藝制造成本勢在必行，國內某多晶硅生產公司（下文簡稱為公司）也由此著力推行低成本戰略。經成本測算，公司的維修成本在運營成本中占比較高，而維修成本高的主要原因在于設備故障率高，因此公司決定通過引進基于故障分析系統的TPM（Total Productive Maintenance，全員生產維護）管理來優化設備管理模式來降低設備故障率，從而實現公司的低成本戰略。

2 研究現狀

傳統的維修模式為故障停機維修模式，在設備出現故障之前不對設備進行干預，待設備故障后進行設備的“事后故障維修”。該模式能夠實現備品備件的最小化庫存以及對備品備件的充分使用，但對于設備構造復雜、上下游生產環節關聯性強的工藝系統，反而增加了工藝生產的時間成本和管理成本[1]。

隨著生產工藝產線系統關聯系越來越強，傳統事后維修模式弊端愈發凸顯。為規避這一弊端，美國學者提出預防性維修的理念，該理念主要是基于設備運行的盆浴曲線。盆浴曲線反映了機械設備故障率隨著機器設備的工作時期的變動而改變的3 個階段：早期調試與工作階段、故障偶發階段和故障率迅速增加的故障損耗階段[2]。通過實踐研究發現，隨著設備制造水平和性能可靠性的提升，設備使用過程中故障情況趨向于左半邊的曲線，因此在實際工作中主張取消定期大型維護和解體維修，用小修理組合取代定期的大修[3]。但是，由于預防性維修的檢查周期較為固定，嚴格按預防性維修開展維修工作會導致設備頻繁拆卸的過度檢修狀況，過度檢修不僅會造成大量的人力資源和備品備件花費，還會因頻繁拆解裝配給設備的正常使用帶來隱患。

隨著大數據和人工智能技術的不斷發展，在預防性維修的基礎上不斷衍生出基于大數據的可靠性分析維修模式。基于可靠性理論的設備維修是一種先進維修方式，該方式能根據設備的運行狀態來制定維修計劃、采購維修備件、實施維修作業，能根據設備運行數據提前預知設備的故障，可以減少不必要的維修工作，使維修工作更加準確、經濟[4]。

與此同時，由日本管理團隊率先提出了一種全員維護保全的維修管理模式（TPM）。該管理模式重點闡述設備管理是一個系統工程事件，要以系統的思維對設備的管理和維修進行全面的把控，并根據設備所處的生命周期進行不同側重面的維護管理，且不同角色的設備相關人員均需進行設備的維護保全。

之后，國內學者馮磊在TPM 的基礎上，引入基于LSTM 神經網絡的故障預測系統，長短期神經網絡是由Hochreiter 和Schmidhuber 提出的基于循環神經網絡改進而來的一種神經網絡模式（圖1），該模式使用記憶模塊代替了循環神經網絡中的“隱單元”，從而實現故障模型的學習、記憶和高精度的設備狀態診斷分析[5]。

圖1 長短期神經網絡構造

通過故障預測系統進行設備狀態和人員開展設備維護維修活動的監控，提出“拉動式”TPM管理模式，使TPM 推行更加系統、科學、有力。

TPM 法是以提升設備綜合效率為目標，設備相關方共同參與的設備維護、維修體制[6]。良好的TPM 管理模式的推行重點在于如何采用系統、科學的方法來敦促所有設備相關方合理且完備地開展設備的維護活動，在大數據、機器學習算法廣泛應用的時代，基于大數據和機器學習算法的設備故障預測分析系統被逐步引入到TPM 管理當中，對規避人為風險、客觀系統地實施好TPM 起到了非常重要的作用，實施效果良好。

3 基于故障預測系統的TPM 管理

故障預測分析系統是基于LSTM 神經網絡的設備狀態監測與信息分析系統，系統通過使用LSTM 神經網絡對設備的履歷和運行數據進行訓練分析，將訓練后的數據上傳到MRO云數據系統，通過云系統對系統事實的狀態監測信息進行分析，從而給出設備的維護保養、檢修管理和點巡檢信息指令，指導設備使用過程中的管理行為，該系統運行模式如圖2所示。

圖2 故障預測分析系統模型

為實現公司維修成本的有效控制，通過故障預測分析系統輔助進行硅烷生產區某離心壓縮機的TPM 管理?；诠收项A測分析系統TPM 管理的實施，在狀態監測、維護保養、檢修管理、點巡檢4 個方面對該離心壓縮機的TPM 管理進行優化。

3.1 狀態監測

故障預測分析系統通過工業傳感器收集設備的溫度、壓力、電流、振動等參數，生成如圖3 所示的設備圖形信息，并使用LSTM 神經網絡學習并記憶的圖形數據庫進行信息匹對，最后分析出設備狀態，并給出設備管理人員關于設備使用、維護、維修和備件準備的信息。

圖3 故障預測分析系統展示界面

基于LSTM 神經網絡相對于傳統RNN 循環神經網絡優化了其難以訓練和梯度消失的問題，通過空缺值填充、異常值處理及數據標準化來進行數據的處理。

空缺值填充采用的LSTM 神經網絡數據模型來規避通信技術偶發性故障，常用于對溫度曲線、壓力曲線的數據采集，采用公式（1）：

其中，Yt是空缺值數據，Y（t-ξ）是數據缺失前某規定時間點的數據，Y（t+ξ）是數據缺失后相同時間間隔點的數據。

對于機械振動信息采集，故障預測分析系統采用的是頻譜分析法。該方法是使用工業傳感器將設備某一方向上的振動位移、速度、加速度進行采集，形成固有頻率的波，從而通過波形對設備各轉動部件的完好情況進行判斷。

對于該高轉速壓縮機的轉子位移，故障預測分析系統采用的是軸心軌跡分析法。該方法是使用渦流傳感器向轉子發射電渦流，通過電渦流反射轉子徑向位移的信息，反射到相位圖上，從而分析轉子轉動部件處的完好程度。

相對于傳統DCS 系統對該離心機的連鎖保護，故障預測分析系統能夠根據設備的運行狀態過濾突變雜波，生成設備的頻譜圖、相位圖、波德圖、軸心軌跡圖等圖譜，信息采集更為全面，狀態監測更為嚴謹。

3.2 維護保養

故障預測分析系統在系統搭建時錄入該離心壓縮機的設備參數和技術檔案，基于此，該系統能夠根據系統監測出的溫度曲線、壓力曲線、電流曲線、頻譜圖、相位圖、波德圖、軸心軌跡圖等數據給出推薦的設備維護保養計劃。故障預測系統給出的設備維護保養計劃與人為制定的維護保養計劃的區別主要在于維護項目的準確性與維護時間的延長性上。

維護項目的準確性主要是指故障預測分析系統能夠根據設備的運行曲線給出具體需要維護保養的項目，而不是像應用DCS 系統的TPM 管理時為確保設備的機械性能而將設備所有相關的零部件依據經驗周期進行統一的維護。故障預測分析系統在某次設備維護到期檢查時，發現設備該設備主機一倍頻振動波峰很小，二倍頻振動波峰較小，高倍頻振動波峰較大，電機軸心軌跡呈橢圓形。由此故障預測分析系統給出維護建議，在本次維護保養中不需要進行聯軸器對中、主機葉輪平衡、壓縮機后軸承和電機軸瓦更換項目的維護，組件松動項目的維護可于一級維護進行處理，本次維護只需進行該壓縮機主機的前軸承進行配套更換即可。

維護時間的延長性主要針對于該離心壓縮機的二級保養和三級保養，區別于應用DCS 系統的TPM 管理時為確保設備的機械性能而按廠家推薦的維護保養計劃對設備進行嚴格的維護保養，故障預測分析系統能夠根據設備的運行曲線給出是否延后進行二級保養和三級保養的建議，從而減少設備維護的頻次，應用故障預測分析系統前后該離心壓縮機的維護保養周期見表1，可以看出引進故障預測分析系統后該離心壓縮機的二級保養和三級保養周期均有所延長，維護頻次下降。

表1 故障預測分析系統應用前后離心壓縮機維護周期 h

3.3 檢修管理

故障預測分析系統在檢修管理的應用上主要體現在檢修技術支持和預測備品備件需求數據。其在檢修技術服務方面能夠輔助設備維修人員進行設備故障的判斷，對癥下藥，提高維修效率。并在預測備品備件需求數據方面，主要是根據系統建立時預設的備品備件供貨周期及設備運行狀態進行分析判斷，在設備運行于亞健康狀態時給出備件儲備建議，維修管理人員在收到備品備件儲備建議后將核對備品備件庫存，若備件庫存低于安全庫存，則開展備品備件的采購活動，從而減少備品備件的過量申報和庫存積壓。

3.4 點檢、巡檢

故障預測分析系統在點巡檢上的應用主要體現在使用移動的數據采集系統敦促維護保養操作人員按需求計劃進行設備的點巡檢及維護保養工作。故障預測分析系統分為主系統和子系統，主系統安裝于中心控制室，主要由設備工程師進行管理，對重點設備進行實時地狀態監測和故障分析，并根據系統的分析結果反饋設備維護保養需求和備品備件的需求預估；子系統安裝于各維修技術員、設備管理員和設備巡檢維保人員的手機上。通過便攜的子系統敦促巡檢維保人員按原定設備巡檢及維保計劃進行設備的巡檢和維護保養，作業完成后上傳作業結果，從而實現智能系統的“智能監工”，規避人為失誤，確保設備能夠被很好的進行維護和保養。

通過基于故障預測分析系統的TPM 管理在硅烷生產區某離心壓縮機上的應用分析，發現故障預測分析系統能夠對公司在用設備的維護保養和備品備件需求進行很好的預估，從而在提高設備完好率、減少備品備件消耗、降低備件庫存方面起到較強的輔助作用，助力實現該公司設備維修成本控制。

4 結束語

4.1 實施效果

通過開展基于故障檢測分析系統的TPM 管理，公司設備管理水平持續提高，設備運行狀態持續見好，2021 年上半年關鍵設備完好率統計見表2，主要設備完好率由2020 年的93.79%提升至2021 年上半年的95.94%，儀表計量器具完好率及儀表泄漏量也有了較為明顯的改善。

表2 公司2021 年上半年關鍵設備完好率統計 %

4.2 現實意義

通過在國內某多晶硅生產企業進行基于故障分析系統的TPM 管理實踐，成功降低了設備的故障率，公司設備維修工作量和備品備件的申報備用減少，最終使得該多晶硅生產公司企業成本得到有效的降低，提高了企業的市場競爭力，對同類型企業開展維修成本控制和企業推行低成本戰略有著較高的借鑒和參考意義。

設備的TPM 管理是現階段的熱點問題，但目前對設備TPM管理的研究陷入了瓶頸，在人工智能高速發展、5G 技術不斷應用的今天，可以著眼于大數據、人工智能和5G 技術研究出新的TPM 模式和理念。