工業設備預測性維護系統

張明濤

（中鐵高新工業股份有限公司，北京 100070）

0 引言

“中國制造”的產品已經成為全球一道獨特的風景線，從制造到 “智造”，推動著制造業數字化、智能化加速發展，制造執行系統的出現為智能制造企業提供了在數字化的制造環境和設備的可視化數據管理，大數據和人工智能技術、智能算法的普及，結合成熟企業運營系統和項目管理系統，預測性維護系統尤其重要。設備的健康運轉對保障產品質量和有序生產起著重要作用，制造流程中的任何一個環節出現問題, 都可能導致整個生產鏈的斷裂, 給企業帶來巨大損失。然而，因設備意外故障導致的非計劃停機維護、有計劃的預防性維護停機不可避免，由此產生的設備維護開銷通常占到制造業企業生產成本的15%～60%，同時，隨著技術的發展，生產設備的復雜性日益提高，用于設備維護的支出也逐年增加。正以如此預測性維護系統當成為未來制造業運營重中之重。

從目前的研究成果來看，目前設計的設備運營管理系統僅停留在信息化層面，僅用于事后記錄，設備維護方式僅依賴于有計劃的預防性維護，由于設備本身的結構和性能的差異，決定了維修周期的不盡相同，由此導致相當一部分的維護工作是不必要的。面對著持續的成本控制要求，工廠管理人員、設備維護人員和負責質量控制的監督執行人員都希望能夠在維持質量標準的同時避免非計劃停機或設備故障以及由此帶來的昂貴代價。因此開發一套預測性維護系統，具有很大的應用價值。

基于上述的背景和研究現狀，本文在現有成熟的運營系統基礎上，設計預測性維護系統，在本系統中構建設備管理、技術人員管理、項目管理、設備維護管理、數據分析、系統管理六大模塊，根據實際使用場景，分析端采用BS方式，移動端采用APP訪問系統；系統采用狀態監測技術在線監控維護日志、性能日志、監測數據、檢查報告、環境數據、項目數據、甚至業務數據。該系統甚至可以在這種結構化和非結構化的數據中檢測到微小的異常情況或故障模式，以確定風險最大的領域。然后，它在風險成為現實之前主動將資源引向這些領域。該方案可以幫助制造商實現可觀的成本節約，并提升勞動效率、提高生產連續性和客戶滿意度，使他們能夠在一個全新的水平上展開競爭。最后，通過項目開發實施交付現場對該系統的可行性可預測能力進行階段驗證階段上線。

1 系統總計架構設計

工業設備預測性維護系統，在制造業已有的工業設備基礎系統上結合5G基站，基于模塊分離的解耦原則，將本系統設計在具有公網IP的云端服務器，同時采用配置簡單、訪問便捷的移動端，將系統收縮在廣域網云端服務器上，總體架構如下圖所示：

圖1 系統架構圖

本系統將通過5G基站模塊采集設備的實施運行數據，發送至云端服務器進行存儲，同時接受云端服務器發送的設備控制指令，從而可以遠程控制工業設備，系統設計的云端服務器是架構核心，搭載了整個預測性維護系統，用戶可以通過PC和移動設備訪問云端服務器的可視化系統，通過操作界面進行設備管理維護。將實現以下功能：（1）針對項目類型的設備管理和技術人員管理。（2）針對設備類型的分析模型維護。（3）針對預測性維護周期對項目周期運營預警分析。（4）各個層級的數據交換。（5）實時的預警信息發布。

2 設備管理模塊設計

設備管理模塊采用SpringBoot 框架進行構建，在IDEA平臺開發，主要編程語言為JAVA，使用主流VUE.JS+Elemenet UI前后端分離框架來編寫展示層，基于MVV模式設計后臺控制層和邏輯層，基于Mybatis持久層框架搭建系統數據層，提高系統可維護性。如下將說明業務功能：

2.1 設備狀態實時監測

傳統的設備實施監控受限于本機網絡，受限于項目駐地的技術人員配置情況，可靠性和可維護性較差，大型工業設備經常性作業在郊區野外，數據回傳基本等于0，基于此，我們將在本地設備周邊搭建基于5G傳輸的物聯網模塊，使得設備數據基于ZigBee協議傳輸至SPARK，基于Echarts圖表組件進行分析展示。

2.2 設備報警平臺

結合歷史數據和行業數據，根據算法平臺訓練后，結合行業、項目模型建立預警機制，根據預警級別將相關操作建議推薦至對應的技術維保人員進行針對性維保。系統對維保后的作業情況提供工單管理，技術管理人員根據工單情況輔助輸入相關維保數據，保存至服務器后臺。

2.3 基于工業設備的數據處理分析

工業設備實時數據通過物聯網技術，建立設備實時數據傳輸體系，通過射頻技術、傳感技術、無線通信技術實現設備和數據信息的采集；通過5G模塊由互聯網通道和隧道傳輸至服務器端，服務端基于業務模型進行設定統一接口標準接受設備信息，對設備可能出現的故障做出準確的分析與判斷，從而有效提高設備的維護效率，主要涉及的感知設備包括振動傳感器、紅外傳感器、轉速傳感器、溫度傳感器。

3 預測模型數據處理

基于工業設備特性，我們通過線性回歸法進行數據特征提取，在對數據分析后構建完整描述該類事件的預警模型，進而實現流式數據的表現。通過規格化處理后，經過訓練后計算出每個特征值對應的權重，特征值與權重的乘積再加上偏置值，得出每臺設備的預測性維護時間，該算法公式為簡寫y=mwT次方，歷史數據會根據0-1區間規整，基于龐大的歷史數據，為了避免一對多的關系，需用海量數據進行不斷訓練和實現一一對應關系，進而提取具有代表性的數據特征點。

要對流式數據事件進行有效判斷，需要在事件發生的時間域內，基于預測參數，對實時感知數據與預警模型的貼近趨勢進行描述。當傳遞數據對預警模型的擬合程度越高，預測參數越靠近模型，則進行告警提醒。系統通過實時數據與預警模型的擬合程度對由低到高分為三個等級，通過等級不同對應不同的應對措施。依據此數據模型當預測模型訓練完畢后，用戶只需要對輸入系統變量值則可以得出預測性維護時間，根據設定閥值標準，進行對應報警信息輸出。

4 結語

本社設計并實現的工業設備預測性維護系統，基于云端大腦，通過接口接受工業數據。云服務通過前后端分離的開發模式，后端采用Spring Boot框架，采用組件化開發將其各個應用的耦合成都。設備維護基于成熟的大數據框架和機器學習算法進行模型訓練和規格化處理，在機器設備運行的同時有效進行數據預測。實際的應用場景驗證了本系統在設備預測性維護的可行性。