電機預測性維護系統應用研究

摘 要：為了解決電機設備零部件損耗不確定且后果嚴重的問題，設計了基于物聯網和大數據技術的電機預測性維護系統。系統集成應用物聯網平臺和大數據平臺，通過對振動和電氣等數據的監測，對電機關鍵運行參數進行相關分析，建立故障診斷、預測及運行優化等各類模型，實現電機全生命周期健康管理和故障預測，并在石油鉆機上進行了應用。應用案例結果表明，該系統具有較好的經濟性和實用性，可為工業企業電機設備智能運維提供參考。

關鍵詞：物聯網；大數據；電機；預測性維護；設備故障診斷；剩余壽命預測

中圖分類號：TP206+.3；TM307" " 文獻標志碼：A" " 文章編號：1671-0797（2024）14-0020-06

DOI：10.19514/j.cnki.cn32-1628/tm.2024.14.005

0" " 引言

在工業制造行業，電機被大量使用。65%的工業能耗由電機消耗，20%的維護費用消耗在電機上。為此，電機的維護在工業制造行業占據著重要的地位。當前，電機的維護主要是人工巡檢，加上故障之后的維修，這對工業制造的正常生產活動開展帶來了不利影響[1]。

物聯網技術的發展以及國內三大電信運營商的深度參與，使得大規模設備接入與聯機、協議解析、邊緣數據采集與處理成為可能[2-3]。通過工業IoT平臺，連接各類物聯網傳感器和智能網關，全面收集生產、檢測等各類型設備和機臺數據[4]；同時通過融合時序數據庫、大數據存儲等不同技術組件構建存儲平臺[5]，對設備運行實時產生的時序型數據與設備故障診斷應用中的高頻振動信號等各類型數據進行統一的存儲與管理，可以為后續的實時狀態監控、可視化、異常告警、故障診斷與預測、分析優化等數字化應用提供數據支撐[6]。

利用大數據、人工智能等技術手段實現關鍵設備的故障預警預測是設備管理中智能化、創新性的價值體現，也是提高設備可靠性、提高生產效率與品質的重要技術手段[7]。

通過機器學習、多因子分析等數據智能手段，可對設備關鍵運行參數進行相關分析，建立故障診斷、預測及運行優化等各類模型，有效減少設備故障次數，提高設備運維效率，改善設備狀態，實現生產設備全生命周期健康管理，同時也能極大地降低企業的設備運維成本[8]。

另外，豐富的建模經驗，也為后續定制型的預測模型構建提供了必要的技術基礎[9]。

1" " 電機預測性維護系統設計

1.1" " 整體設計架構

預測性維護系統（Predictive Maintenance，PdM）是層次化的綜合解決方案，針對特定系統、單套設備、多套設備分別提供振動監測與診斷、實時狀態監測與維護、預測性維護的解決方案，合理應對從部件到設備再到產線、車間、企業等不同層面設備管理的差異化需求。

電機預測性維護系統架構如圖1所示。

結合物聯網平臺的數采能力和大數據建模分析平臺的數據分析、建模、預測能力最終形成電機預測性維護系統，該系統的功能簡述如下：

1）高頻實時的采集能力：基于振動傳感器的高頻實時采集，全面支持智能分析。

2）多維度的振動分析：支持時域分析、頻譜分析、包絡分析、趨勢分析等實時振動分析。

3）強大的特征庫支持：基于FMEA故障庫實現統一管理以及持續優化。

4）智能預測與診斷：基于人工智能，對故障樣本進行訓練分析，實現自動診斷，并支持對故障庫進行持續優化。

5）可視化展示：提供豐富的儀表盤、組態、表單、圖表文件、數據分析結果等集中展示，支持大屏、Web頁面、移動端等。

1.2" " 物聯網平臺

物聯網平臺提供了可配置、所見即所得的開發方式，能夠幫助IT人員以及業務人員方便快速地開發設備管理、在線監測、告警管理、設備效率分析等各類圖形化和數據分析類的工業智能應用。

物聯網平臺提供泛在的連接能力，通過工業網關連接生產現場多種多樣的自動化設備及傳感器，同時連接物聯網相關的異構的業務系統（例如ERP、MES等）。平臺提供物模型管理能力，基于連接的數據為設備和流程構建物實例。同時提供數據分析能力，包括便捷的公式編輯能力，方便地創建各種類型的KPI指標（例如OEE、JPH等），以及提供規則引擎，實現基于規則的分析。告警是物聯網場景最常見的功能，平臺提供告警管理，實現告警的定義、分析以及告警消息的靈活訂閱。工業應用是物聯網平臺價值落地的重要一環。平臺提供豐富的顯示組件，通過拖拉拽組件的方式搭建應用，綁定物聯網數據到顯示組件，快速實現物聯網應用的開發。

1.2.1" " 物聯網平臺架構

如圖2所示，該架構由邊緣設備、工業采集網關、邊緣智能一體機以及物聯網平臺組成。邊緣設備指工業現場用于生產制作的設備，時刻在產生海量數據，也是工業企業的數字資產。工業采集網關主要用于連接邊緣設備，支持數據采集、邊緣計算、設備管理、數據上傳等，支持多品牌多協議多控制器類型，支持第三方采集網關，具備高可用、橫向擴展、斷電續傳等特點。邊緣智能一體機是軟硬一體的物聯網邊緣平臺，適用于中小規模物聯網應用場景。

1.2.2" " 物聯網平臺功能

1.2.2.1" " 連接異構數據源

1）采集物聯網時序數據：通過MQTT、Kafka等協議連接工業網關以及邊緣計算設備采集的物聯網時序數據。

2）采集業務系統數據：通過數據庫對接的方式連接異構的業務系統，可以連接MySQL、PostgreSQL、Oracle、IoTDB等SQL數據庫。

1.2.2.2" " 管理物模型

基于業務需求為設備、流程和關系快速構建各種層次化和拓撲化的物模板，實例化物模型構建物實例。物模板的屬性類型包括靜態屬性、流數據動態屬性、批數據動態屬性、公式指標、算法模型指標、子模型以及引用模型。

1.2.2.3" " 物聯網數據存儲

支持海量物聯網數據的高性能、分布式存儲、查詢和計算；集群支持千萬點每秒級別數據寫入，數據存儲自動無損壓縮比率達90%。

1.2.2.4" " 數據實時計算和分析

1）公式指標計算：提供計算引擎，輕松實現跨系統的數據查詢、指標計算和分析。公式指標計算提供了工業常用的算子，通過拖拉拽屬性和算子的方式快速構建公式指標，例如OEE、JPH等指標。

2）規則引擎：物聯網平臺提供規則引擎，能夠基于CRON表達式靈活地定義觸發器，提供多樣的執行條件設置，包括條件的與、或、次數、持續時間等，提供多種執行動作，包括告警觸發、規則觸發等。利用規則引擎，便捷地定義告警、定時維保等應用。

3）告警分析：規則的一個執行動作就是告警，通過告警管理，可以定義告警詳情，實現告警的確認和掛起，以及基于告警的統計分析。另外，可以定義告警的消息模板，通過郵件、短信、API等方式推送告警相關信息。

1.2.2.5" " 可視化開發

1）可視化開發：提供豐富的儀表盤、組態、表單、圖表文件，包括儀表盤、溫度計、折線圖、雷達圖、柱狀圖、餅圖、地圖等常用的可視化組件，同時支持第三方的可視化組件。拖拉拽組件快速搭建可視化頁面，并綁定組件到已創建的物實例屬性，實現所見即所得的無代碼的應用開發。

2）自定義表單：平臺支持自定義表單，包括表單的管理，表格數據的修改、存儲和查詢，利用表格組件實現表單填報等功能。

1.2.2.6" " 高效邊緣協同

無縫對接系統工業網關和邊緣智能一體機，實現設備數據同步、模型共享，同時兼容第三方工業采集網關；可以在線部署基于機器學習和AI在云端訓練好的復雜分析模型，實現高級數據分析；提供基于REST API的數據服務。

1.2.2.7" " 安全與管理

1）權限管理：平臺提供用戶、用戶組、角色管理，實現基于組織和角色的數據權限和菜單權限管理。另外，平臺提供網關認證、設備認證等功能。

2）系統管理：平臺提供日志管理，支持日志的分類、查詢以及導出。平臺提供系統監控功能，實現平臺資源的統計分析、核心組件的健康度監控以及異常監控，并支持監控項的告警管理。

1.3" " 大數據建模分析平臺簡介

大數據建模與分析平臺能夠快速對接各類實時、結構化和非結構化的異構數據源，自定義跨系統的數據集，通過自帶分析組件來快速定義可視化的分析工作流，利用數據集實現分析模型的訓練、驗證和應用，支持自定義算法組件以及組件共享，提供SPC、RCA等分析模型模板，支持多種模式的分析任務和跨系統的分析模型在線部署，提供分析結果的圖表展示。

大數據建模與分析平臺架構如圖3所示。

大數據平臺的功能如下：

1）快速對接數據源：快速對接各類實時、結構化和非結構化的異構數據源，支持自定義跨系統的統一數據集，利用數據來訓練和驗證模型，并實現數據的高級分析。

2）豐富的分析組件：提供兩百多種數據分析組件，并且持續更新迭代，組件包括工業數據預處理、統計、機器學習算法、深度學習、NLP、模型評估器、建模（訓練、驗證、應用）。

3）可視化的分析工作流：通過拖放式對選擇的組件進行連接以構建可視化的分析工作流，分步驟運行，每一步都能及時地查看執行結果，從而方便地嘗試不同算法組合，快速實現流程化、定制化的數據分析。

4）自定義算法組件：支持上傳算法代碼生成自定義的算法組件，組件發布后支持跨團隊的訂閱和共享。另外，平臺提供常用的分析模型模板助力企業快速地模型開發，包括統計過程控制（SPC）、自動根因分析（RCA）、多元異常檢測、虛擬量測（VM）等等。

5）多種任務部署：平臺支持模型實例發布為API任務、定時任務、實時任務、交互式任務等模式。分析模型支持發布到數據管理系統、邊緣系統以及云端，實現基于模型的實時計算、邊緣計算和云端計算。

6）數據可視化：支持組件執行結果實時展示及繪圖，包括柱狀圖、折線圖、雷達圖等圖形，同時提供鉆取、聯動、縮放、篩選、鏈接等交互操作。另外，可視化場景可直接生成鏈接，提供給其他應用系統使用。

1.4" " 手機App

提供齊套Android和iOS操作系統的手機App。

1.5" " 數據庫

1.5.1" " 時序數據庫

時序數據庫包含時序數據庫和展現平臺兩部分。通過Kafka數據采集調度模塊，對外部歷史文件數據進行批量采集調度，對傳感器實時產生的數據進行實時采集調度，采集調度后數據經過數據交換、數據處理、數據存儲，然后在展現平臺進行時序數據指標的動態監控，完成數據分析儀表盤等功能，或數據導出進行高級的數據挖掘服務。

時序數據庫系統支持批量和實時的數據加載，加載速度高達每秒千萬級別測點，支持4～10倍的無損數據壓縮，支持小時粒度可變時間片設置，支持類SQL查詢、秒級查詢響應以及上千的并發查詢，數據圖表實現可視化查詢和分析，支持副本存儲保證數據安全，支持高可用和橫向擴展。

1.5.2" " MPP數據庫

MPP數據庫是一款高性能、高兼容、高可用、低成本的PB級企業海量數據庫，是簡單實用的下一代PB級實時分析型數據倉庫，也是節點數量可以伸縮的數據庫集群，能夠高效處理I/O數據吞吐和并發計算，在工業生產、數據中心等商業智能應用領域，對海量數據處理的性能極其優異，承載著將工業企業的數據價值實時化分析的重任。

1.6" " 網絡安全

1.6.1" " 應用技術

在基于國產密碼算法的PKI中，所有的密碼算法均使用國產密碼算法，主要包括對稱算法SM4、非對稱算法SM2和Hash算法SM3。

在系統中采用基于國產密碼算法的PKI技術來實現數據的簽名和驗簽，由于算法的安全性是得到國家認可的，因此能夠保證簽名和驗簽的結果是安全可信的。

1.6.2" " 密碼應用架構

針對本項目中平臺側、邊緣側密碼應用安全的設計包括以下部分：

1）平臺側存儲了核心、重要的業務數據，平臺側應用數據的安全性需要采用合規的密碼產品與平臺側應用結合，實現平臺側核心、重要業務數據的加密保護。

2）平臺側通過網絡通信方式，將平臺側數據和程序下發給邊緣側，在網絡傳輸過程中，需要采用合規的密碼產品，實現平臺側與邊緣側通信過程中數據的機密性、完整性。

1.6.3" " 平臺側數據加密存儲

平臺側存儲了核心、重要的業務數據，平臺側部署數據加解密系統，并為其提供數據加密、解密服務接口，實現平臺側核心、重要業務數據的加密保護。

1.6.3.1" " 數據加解密服務系統

數據加解密服務系統為商用密碼檢測中心合規性密碼產品。平臺側應用可直接調用數據加解密服務系統提供的數據加解密服務，實現平臺側核心、重要業務和用戶數據的加密存儲，防止數據泄露風險。

1.6.3.2" " 服務器密碼機

服務器密碼機也是敏感數據安全保護的一種有效物理工具，能可靠、安全地保護網絡中的數據，包括對數據的加/解密、簽名驗證；消息來源正確性驗證（MAC）的產生，能有效地防止對數據進行篡改、偽造和竊取等行為。海泰方圓服務器密碼機還有完善的密鑰管理體系，能提供由全硬件噪聲源產生的隨機密鑰以及密鑰的人工輸入接口，能有效防止通信信道上的主動攻擊行為。

2" " 應用案例

本系統在中石油寶石機械石油鉆機上進行了應用，通過數字化的手段有效實現了設備軟性價值的增長點，滿足石油連續性生產要求。通過各種實時監控、定期的計劃性維修和不定期的視情維修，能對設備進行有效的維護，避免設備的無計劃停機造成巨大的損失。

架構如圖4所示。

應用圖如圖5所示。

實現價值：幫助鉆機用戶構建基于設備實時數據實現預測性維修的完整方案，提供故障知識庫幫助客戶提高故障診斷效率，實現運維經驗的沉淀，通過移動端幫助運營人員隨時隨地了解設備的健康狀態，并通過遠程專家指導，對異常做出及時處理。另外，該系統的應用，有效減少了人員出差90人次，增加了備件銷售3 000萬元，幫助了企業向服務型制造轉型。

3" " 結束語

電機屬于旋轉動力機械，廣泛運用于工業領域的各行各業。電機是否連續轉動，對企業生產至關重要。在不可預測的情況下，這種損耗常常引起設備停機，影響作業效率。更有甚者，它會導致嚴重故障，給工業生產帶來極大的損失。本文設計的基于物聯網和大數據的電機預測性維護系統能實時評估電機健康狀態，提前預測電機故障，從而降低企業設備運維成本，具有極大的經濟價值和可推廣性。

[參考文獻]

[1] 李洋.基于設備建模的設備預測性維護方法[J].中國設備工程，2022（12）：86-88.

[2] 陳冬梅，趙思恒，魏承印，等.船舶柴油機狀態監測及預測性維護研究及應用[J].中國機械工程，2022，33（10）：1162-1168.

[3] 胡宏明，張波.設備預防預測性維護應用[J].設備管理與維修，2022（22）：58-60.

[4] 朱廷，賁道偉.集裝箱岸橋預測性維護的研究[J].智能制造，2023（1）：106-108.

[5] 姜姍.電機智能軸承在線監測系統及故障預警技術研究[D].哈爾濱：哈爾濱理工大學，2019.

[6] 金曉航，孫毅，單繼宏，等.風力發電機組故障診斷與預測技術研究綜述[J].儀器儀表學報，2017，38（5）：1041-1053.

[7] 黃猛.基于大數據和機器學習模型的風力發電機組健康管理研究[J].機械制造，2017，55（8）：37-39.

[8] 傅建中.智能制造裝備的發展現狀與趨勢[J].機電工程，2014，31（8）：959-962.

[9] 李垚，朱才朝，陶友傳，等.風電機組可靠性研究現狀與發展趨勢[J].中國機械工程，2017，28（9）：1125-1133.

收稿日期：2024-03-22

作者簡介：程倫新（1983—），男，湖北黃岡人，碩士，工程師，研究方向：智能制造、物聯網技術。

王學良（1974—），男，四川眉山人，高工，研究方向：智能制造、人工智能。

王劭博（1985—），男，浙江杭州人，碩士，工程師，研究方向：智能制造、物聯網技術。