鋼鐵行業設備狀態智能監測系統

唐運章

（南京鋼鐵聯合有限公司板材事業部設備處，江蘇南京 210035）

0 引言

鋼鐵企業設備運行的穩定性在生產中起著舉足輕重的作用，如果設備出現故障，將直接影響企業正常生產，增加檢修成本，影響企業經濟效益。做好在線設備的精細化管理，快速定位設備故障和處理事故，提前預判設備故障，做好日常維護，是每個鋼鐵企業非常關注的焦點問題。

以往設備維護主要依靠個人和團隊人員的經驗，由于人員不穩定（流失或休班），造成事故恢復時間不確定。目前，檢測儀表和大數據分析手段快速發展，隨著近年工業4.0 概念的提出和實踐，大數據分析方法和機器自學習模型算法的廣泛應用落地。設備狀態監測與智能診斷技術得以發展，為保證鋼鐵企業安全、穩定及長周期運行，更加科學地進行設備檢修及維護，實現提高設備可利用率、降低檢修成本、提高運營效率的目標。為鋼鐵企業生產線的關鍵設備運行狀態制定針對性在線監測方案和智能診斷技術，連續24 h 高密度監測關鍵設備運行狀態，智能報警篩選異常設備，遠程專家即時診斷現場問題，實時采集關鍵設備運行狀態，實現基于狀態檢測的預測性維修，避免非計劃停機風險。

另外，將傳統的人員事故分析及處理方法轉化為模塊化的計算機語言，用于快速分析曲線、信號，快速縮小事故排查范圍、定位設備故障，甚至通過分析數據，發現設備劣化趨勢，給出預判性檢修建議。

1 系統整體架構

系統平臺架構由感知層（檢測傳感器、數據采集）、分析層（經驗模型和機理模型）和應用層（狀態監測、閥值報警、趨勢分析、協同優化）組成，如圖1 所示。

1.1 感知層

感知層（圖2）由采集設備（表1 和表2）、網絡、邊緣服務器組成，采集的數據包括設備的溫度、壓力、位置、流量、電流、扭矩等信號，另外增加關鍵設備的振動信號。

1.2 分析層

設備預測性維護工作，需要極強的數據匯聚、數據治理和數據建模能力，以及其依賴的大數據計算引擎。因此，需要建立一套數據與算法管理系統（工業大腦），使用云計算帶來的各類高性能計算存儲引擎，來支撐高負荷的數據集成、數據治理、數據智能應用。基于此系統，不僅能實現已知算法的部署，也能實現新規則的編寫和導入，以及人工智能規則的訓練。

工業大腦包含以下部分。

圖1 設備狀態智能監測系統平臺架構

圖2 設備狀態智能監測系統感知層組成

表1 常用傳感器類型

表2 新型傳感器類型

（1）云計算底座。對虛擬化算力底座進行統一集群管理。形成統一算力、統一運維、統一權限、統一安全的企業的專有云系統。

（2）計算與存儲引擎。提供高性能的消息隊列引擎、離線計算引擎、流式計算引擎、關系型數據庫、列存儲引擎等計算和存儲引擎，支持高性能數據鏈路的搭建。

（3）數據管理工具。提供數據治理和數據開發的工具和界面，包括數據集成、數據開發和數據服務等。支持對大量測點接入數據的分類分層管理。

（4）算法開發和管理。①支持已有算法的上架；②支持新規則的低代碼編排；③支持數據片段的標注和人工智能算法的訓練。

（5）應用開發工具。提供低代碼開發平臺，可基于數據和算法輸出結果，搭建貼合產線應用的報表、預警、診斷分析工具。數據管理平臺主要提供端到端的一站式數據治理能力，基于計算平臺提供的基礎大數據計算和存儲服務，提供數據開發和管理的整合環境。提供可視化開發界面、離線任務調度運維、快速數據集成、多人協同工作等功能，是一個高效、安全的離線數據開發環境，擁有強大的Open API，為數據應用開發者提供良好的再創作生態。

圖3 設備狀態智能監測系統主畫面

圖4 設備狀態智能監測異常報警

圖6 減速箱各測點的時域波形

數據管理平臺以數據計算與存儲引擎為核心，集成了數據集成、數據開發、生產運維、實時分析、資產管理、數據質量、數據安全、數據共享等核心數據工藝。

1.3 應用層

應用層是對采集的數據進行處理分析，設備狀態智能監測系統主畫面如圖3 所示。利用經驗模型、大數據預測，分析設備異常時報警（圖4）或趨勢（圖5），同時可以多維度綜合分析。

（1）經驗模型。將采集到的振動、位移、溫度、電流等數據推送到各機理模型算法單元，與具體故障分析模型中的工藝參數特征值的狀態或趨勢進行數據擬合與匹配，對設備故障進行提前預警預測。

（2）大數據預測。結合大數據統計算法，匯聚和梳理電機等設備的歷史故障數據，分析故障特征值，進行故障預測模型訓練。同時與專家判定結果進行校驗，逐步提高大數據故障預測的精準度。

（3）可視化狀態監控。動態了解產線或設備的運行概況，通過紅綠燈方式告警設備狀態，快速定位、及時維護，促進設備正常運行。建立監測設備可視化模型，直觀查閱設備資料信息、關鍵測點監測結果和報警情況信息等。自助增減設備測點關注項，根據需要實現多參數（設備狀態數據、工藝數據）關聯對比。設置測點告警閾值，快速提醒測點異常狀態。融入現場專家經驗，結合設備狀態數據、工藝數據等指標，建立報警算法模型，實現設備異常報警。

（4）異常報警。系統根據設定的報警規則，自動判定異常，并對設備報警信息進行提醒，包括報警消息、設備名稱、報警級別、歷史報警次數和報警時間等，實時跟蹤異常處理狀態。異常結果自動對接設備管理系統，按需觸發工單、檢修計劃等，處理結果及時反饋，實現異常管理閉環。

圖7 減速箱拆檢后的表面磨損狀況

（5）綜合分析。查閱測點階段性監測結果，了解測點狀態趨勢。根據需要，篩選測點參數，多狀態組合分析設備劣化跡象，為決策提供數據依據。支持用戶自助調整異常判斷規則，不斷優化算法模型，逐步實現設備故障預知。

2 應用案例

某公司中厚板廠軋機使用過程中，從監測的時域波形可見軋機減速箱各測點存在明顯沖擊（圖6），其中，4 號測點沖擊最高，峰值達到680 m/s^2 以上，峰值來源于減速機的輸出端。通過頻譜分析，為減速機齒輪故障，利用檢修機會，拆檢減速機，發現減速機齒輪發生局部磨損（圖7），與監測結果一致，避免一起重大設備事故。

3 結束語

通過采用設備狀態智能監測系統建立數字化設備管理，對設備進行全天候監察、全方位管理變得可行而必要。通過將人工經驗與信息技術、物聯網、大數據等相結合，強化設備的預防性維護工作，降低設備故障率，提高設備功能精度，減少不必要的維護成本，實現鋼鐵行業設備精準穩定可靠運行。