工业设备预测性维修工业设备预测性维护系统
2024年05月11日 风云资讯
设备的健康运转对保障产品质量和有序生产起着重要作用，制造流程中的任何一个环节出现问题, 都可能导致整个生产链的断裂, 给企业带来巨大损失。然而，因设备意外故障导致的非计划停机维护、有计划的预防性维护停机不可避免，由此产生的设备维护开销通常占到制造业企业生产成本的15%～60%，同时，随着技术的发展，生产设备的复杂性日益提高，用于设备维护的支出也逐年增加。正以如此预测性维护系统当成为未来制造业运营重中之重。
本文在现有成熟的运营系统基础上，设计预测性维护系统，在本系统中构建设备管理、技术人员管理、项目管理、设备维护管理、数据分析、系统管理六大模块，根据实际使用场景，分析端采用BS方式，移动端采用APP访问系统；系统采用状态监测技术在线监控维护日志、性能日志、监测数据、检查报告、环境数据、项目数据、甚至业务数据。该系统甚至可以在这种结构化和非结构化的数据中检测到微小的异常情况或故障模式，以确定风险最大的领域。然后，它在风险成为现实之前主动将资源引向这些领域。该方案可以帮助制造商实现可观的成本节约，并提升劳动效率、提高生产连续性和客户满意度，使他们能够在一个全新的水平上展开竞争。最后，通过项目开发实施交付现场对该系统的可行性可预测能力进行阶段验证阶段上线。
1 系统总计架构设计
工业设备预测性维护系统，在制造业已有的工业设备基础系统上结合5G基站，基于模块分离的解耦原则，将本系统设计在具有公网IP的云端服务器，同时采用配置简单、访问便捷的移动端，将系统收缩在广域网云端服务器上，总体架构如下图所示：
图１ 系统架构图
本系统将通过5G基站模块采集设备的实施运行数据，发送至云端服务器进行存储，同时接受云端服务器发送的设备控制指令，从而可以远程控制工业设备，系统设计的云端服务器是架构核心，搭载了整个预测性维护系统，用户可以通过PC和移动设备访问云端服务器的可视化系统，通过操作界面进行设备管理维护。
将实现以下功能：（1）针对项目类型的设备管理和技术人员管理。（2）针对设备类型的分析模型维护。（3）针对预测性维护周期对项目周期运营预警分析。（4）各个层级的数据交换。（5）实时的预警信息发布。
2 设备管理模块设计
设备管理模块采用SpringBoot 框架进行构建，在IDEA平台开发，主要编程语言为JAVA，使用主流VUE.JS+Elemenet UI前后端分离框架来编写展示层，基于MVV模式设计后台控制层和逻辑层，基于Mybatis持久层框架搭建系统数据层，提高系统可维护性。如下将说明业务功能：
2.1 设备状态实时监测
传统的设备实施监控受限于本机网络，受限于项目驻地的技术人员配置情况，可靠性和可维护性较差，大型工业设备经常性作业在郊区野外，数据回传基本等于0，基于此，我们将在本地设备周边搭建基于5G传输的物联网模块，使得设备数据基于ZigBee协议传输至SPARK，基于Echarts图表组件进行分析展示。
2.2 设备报警平台
结合历史数据和行业数据，根据算法平台训练后，结合行业、项目模型建立预警机制，根据预警级别将相关操作建议推荐至对应的技术维保人员进行针对性维保。系统对维保后的作业情况提供工单管理，技术管理人员根据工单情况辅助输入相关维保数据，保存至服务器后台。
2.3 基于工业设备的数据处理分析
工业设备实时数据通过物联网技术，建立设备实时数据传输体系，通过射频技术、传感技术、无线通信技术实现设备和数据信息的采集；通过5G模块由互联网通道和隧道传输至服务器端，服务端基于业务模型进行设定统一接口标准接受设备信息，对设备可能出现的故障做出准确的分析与判断，从而有效提高设备的维护效率，主要涉及的感知设备包括振动传感器、红外传感器、转速传感器、温度传感器。
3 预测模型数据处理
基于工业设备特性，我们通过线性回归法进行数据特征提取，在对数据分析后构建完整描述该类事件的预警模型，进而实现流式数据的表现。通过规格化处理后，经过训练后计算出每个特征值对应的权重，特征值与权重的乘积再加上偏置值，得出每台设备的预测性维护时间，该算法公式为简写y=mwT次方，历史数据会根据0-1区间规整，基于庞大的历史数据，为了避免一对多的关系，需用海量数据进行不断训练和实现一一对应关系，进而提取具有代表性的数据特征点。
要对流式数据事件进行有效判断，需要在事件发生的时间域内，基于预测参数，对实时感知数据与预警模型的贴近趋势进行描述。当传递数据对预警模型的拟合程度越高，预测参数越靠近模型，则进行告警提醒。系统通过实时数据与预警模型的拟合程度对由低到高分为三个等级，通过等级不同对应不同的应对措施。依据此数据模型当预测模型训练完毕后，用户只需要对输入系统变量值则可以得出预测性维护时间，根据设定阀值标准，进行对应报警信息输出。
4 结语
本社设计并实现的工业设备预测性维护系统，基于云端大脑，通过接口接受工业数据。云服务通过前后端分离的开发模式，后端采用Spring Boot框架，采用组件化开发将其各个应用的耦合成都。设备维护基于成熟的大数据框架和机器学习算法进行模型训练和规格化处理，在机器设备运行的同时有效进行数据预测。实际的应用场景验证了本系统在设备预测性维护的可行性。
原文刊载于《新型工业化》2021年3月 作者：中铁高新工业股份有限公司 张明涛
更多数字化转型内容请关注公众号【ID：xingongyecn】，或百度搜“新工业网”。这里是百万新工业人的知识家园。