基于智能運維技術的冶金設備狀態(tài)監(jiān)測應用研究

姜 波

（馬鞍山鋼鐵股份有限公司，安徽馬鞍山 243000）

1 概述

傳統設備管理通常依賴于定期巡檢和維護，無法實時獲取設備的運行數據。缺乏實時監(jiān)測和數據分析能力導致無法第一時間發(fā)現潛在問題，增加了設備故障和停機的風險。

定期維修是按照到期必修的要求進行的，忽略了設備制造質量的差異以及設備的實際運行條件和狀態(tài)，可能造成設備的過度維修或維修不足。過度維修可能導致新的隱患，在過度維修過程中，由于維修者技術不佳、工藝不良或管理不善，頻繁的拆裝會導致新的隱患。

采用智能運維技術，可以將維修管理從預防性維修轉變?yōu)轭A知性維修，運用在線檢測手段及時發(fā)現隱藏的故障信息，并做出正確的維修決策，這已成為國內外設備管理發(fā)展趨勢。

2 智能運維技術

2.1 智能運維技術的基本概念

智能運維是一種利用人工智能和數據分析來提升設備維護效率和可靠性的技術。傳統的設備維護通常是要依靠人工判斷來處理各種故障和異常情況，而智能運維則通過自動化和智能化的手段來實現設備維護策略的優(yōu)化和效率提升。

智能運維技術是通過實時監(jiān)控和數據分析來預測和診斷故障，提前采取措施防止故障的發(fā)生或減少故障帶來的影響。同時，智能運維還可以利用機器學習和深度學習等技術，對大量的設備狀態(tài)數據進行分析和挖掘，從中發(fā)現潛在的問題和優(yōu)化空間，提供更好的決策支持和運維策略。智能運維的優(yōu)勢在于提高了設備維護效率和可靠性，降低了維護成本和風險，能夠實時監(jiān)控和分析運行狀態(tài)，及時發(fā)現和響應問題，縮短故障處理時間，提高系統的穩(wěn)定性和可靠性。

2.2 智能運維技術的發(fā)展與應用現狀

設備智能運維技術大體有三個發(fā)展階段。

初級輔助運維。從人力運維向智能運維過渡的初始階段，也是多數制造企業(yè)所處的階段。此時的企業(yè)逐漸建立起監(jiān)控工具，通過流程可溯源、規(guī)范化記錄、工具輔助告警等，改變原有的全盤依賴人工經驗、事后維護的被動性。但該階段依然缺乏對數據的充分利用，離散化的工具難以進一步提高工作效率。

數據融合運維。該階段最明顯的標志之一，就是預知性維護。企業(yè)以平臺形式對產線和設備進行可視、可控的集中管理。在這個階段中，以故障分類、模式識別、智能化專家系統及其計算（故障樹計算、神經網絡計算）等為基礎，使企業(yè)獲得的信息更透明、更準確、更及時。

完全智能運維。這個階段以優(yōu)化控制、經濟運行、壽命管理、系統工程等為內容，以設備全過程經濟管理為技術目標，也是最理想的運維狀態(tài)，系統可對數據進行自主分析，自動做出決策，并自動執(zhí)行。

2.3 智能運維技術在冶金行業(yè)中的應用前景

智能運維技術可以利用傳感器和監(jiān)測系統對冶金設備進行實時監(jiān)測，收集各種關鍵參數和數據指標，如溫度、壓力、振動等。借助先進的數據分析和機器學習算法，可以預測潛在的故障和異常情況。通過及時發(fā)現和警示，可以防止設備故障和非計劃停機時間的增加，從而提高生產效率。

智能運維技術還可以幫助優(yōu)化設備的維護計劃和策略。傳統的預防性維護通常是基于時間或使用壽命來安排的，往往效率較低。而智能運維技術可以根據實時設備狀態(tài)和運行數據，準確確定設備的維護時機和方式，避免不必要的維護和停機。

智能運維技術可以通過對設備的數據分析，實現冶金生產過程中的資源優(yōu)化和能耗管理。通過實時監(jiān)測和分析設備的運行數據，可以識別出能源消耗較高的設備，提供節(jié)能改進建議，優(yōu)化能源使用效率，降低生產成本。

智能運維技術可以實現對冶金設備的遠程監(jiān)控和維護，減少人員在現場的工作量和風險。通過遠程傳感器和監(jiān)控系統，運維人員可以隨時監(jiān)測和控制設備的運行狀態(tài)，并進行遠程故障診斷和維修，提高運維效率和響應速度。［1］

3 基于智能運維技術的冶金設備狀態(tài)監(jiān)測應用研究

3.1 數據采集與處理

選擇適合具體設備的傳感器進行數據采集，如溫度、壓力、振動、電流等傳感器。確定數據采集的頻率，根據設備的運行情況和數據變化速度來決定采集頻率。

對底層數據進行清洗、過濾和標準化，去除異常數據和噪音，保證數據的質量和一致性。對采集到的數據進行分類匯總和格式轉換，以適應后續(xù)的數據分析需求。

采用合適的通信協議和技術，將底層設備采集到的實時數據傳輸至上層的數據處理和分析系統，以實現實時監(jiān)測和預測。選擇合適的數據存儲方案，用于存儲采集到的底層設備數據。

建立設備數據的管理體系，包括數據分類、命名規(guī)范、數據權限控制等，以確保數據的安全和可追溯性。

3.2 設備狀態(tài)評估與故障預警

從采集到的數據中提取有代表性的特征，用于描述設備的運行狀態(tài)和特征，通過特征工程的方法進行降維或特征選擇，以減少計算復雜性。

基于歷史數據和監(jiān)測數據建立設備狀態(tài)評估模型，使用建立的狀態(tài)評估模型對設備實時數據進行預測和分析，判斷設備是否存在異常。當模型預測或檢測到設備狀態(tài)異常或故障風險時，生成故障預警信號或事件，及時通知相關人員進行處理。

根據故障預警信號或事件，對設備進行維修和優(yōu)化，減少故障的影響和停機時間。通過持續(xù)的監(jiān)測和狀態(tài)評估，進一步優(yōu)化設備維護計劃和運行策略，提高設備的可靠性和生產效率。

3.3 不同場景下的智能算法

3.3.1 閾值分析

在冶金設備狀態(tài)監(jiān)測中，閾值分析是非常重要的一步，可以幫助我們確定設備狀態(tài)的正常范圍并根據預設的閾值來判斷是否存在異常情況。根據設備的特性和運行要求，設定適當的閾值。閾值可以是固定的，也可以基于歷史數據或標準進行設置。將采集到的數據與設定的閾值進行比較，判斷是否存在異常情況。持續(xù)監(jiān)測設備狀態(tài)，可以根據實際情況調整閾值，提高監(jiān)測的準確性和敏感性。設備狀態(tài)監(jiān)測閾值的設置應根據具體的設備和工藝特點進行優(yōu)化，并結合運維經驗和相關標準進行判斷。

3.3.2 趨勢分析

在冶金設備狀態(tài)監(jiān)測中，趨勢分析也是一種重要的方法，用于了解設備狀態(tài)的演變，幫助預測潛在的故障。使用合適的統計或數學方法來分析數據的趨勢，常見的方法包括回歸分析、時間序列分析、平滑方法等。利用趨勢分析的結果，預測設備狀態(tài)的未來發(fā)展趨勢，將趨勢分析的結果與設備故障模式進行比對，幫助進行故障診斷和分析，準確定位設備問題，制定相應的設備維護策略。設備狀態(tài)監(jiān)測趨勢分析應綜合考慮設備的特性、歷史數據和運行環(huán)境等因素。

3.3.3 模型分析

以下介紹3 種對通用旋轉設備的模型診斷方法。

3.3.3.1 時域波形分析法

時域波形分析是一種對旋轉機械振動信號進行分析和評估的方法，通過對振動信號的振幅大小、形狀和變化特性進行觀察和分析，以反映機械狀態(tài)和故障特征。時域波形分析可以直接從振動信號的時間歷程中提取特征量，用于狀態(tài)監(jiān)測與故障診斷。［2］

常用的時域分析特征包括：

（1）均值：振動信號的均值可以給出整體振動水平的信息，可以反映信號的偏離程度。

（2）標準差：振動信號的標準差反映了振動信號的波動或振動幅度，較大的標準差表示振動信號的波動范圍較大。

（3）峰峰值：振動信號的峰峰值是振動信號波形的最大幅值與最小幅值之間的差值，可以反映振動信號的總體振幅變化。

（4）峰值：振動信號的峰值表示信號波形中的最大幅值，可以反映振動信號的最大振幅。

（5）均方根值：振動信號的均方根值是信號幅值的有效值，可以反映振動信號的能量大小。

時域波形分析還可以通過計算峭度、偏度等參數來進一步分析振動信號的波形特征。這些特征值可以通過建立的波形與機械設備運行狀態(tài)之間的對應關系進行比較和分析，從而實現轉子的狀態(tài)監(jiān)測和故障診斷。

3.3.3.2 頻域分析法

頻域分析是對振動信號在頻率上的特征進行分析的方法。通過將振動信號在頻率和振幅之間的關系進行可視化，可以提供更詳細和準確的信息，對于診斷旋轉機械的故障非常有用。［2］

常見的頻域分析方法包括：

（1）傅里葉變換：將時域信號轉換為頻域信號，得到信號的頻譜圖，提供了信號中各個頻率成分的幅值和相位信息。

（2）快速傅里葉變換：是傅里葉變換的一種快速計算算法，可以對大量的離散樣本進行頻譜計算，得到高分辨率的頻率譜圖。

（3）小波變換：小波變換是一種具有時頻局部特性的頻域分析方法，可以將信號分解成一系列不同尺度的頻帶，進而提供信號在不同頻率區(qū)域上的時域和頻域特征。

（4）小波包變換：小波包變換是小波變換的一種擴展形式，進一步將信號分解成更多的頻帶，提供更詳細的頻域信息。

（5）基于經驗模態(tài)分解（EMD）的頻域分析：EMD 是一種數據驅動的時頻分解方法，將信號分解成一系列固有模態(tài)函數（IMF），通過對IMF 的頻譜分析，可以提取振動信號中的頻率特征。

以上頻域分析方法可以通過計算振動信號的頻譜圖，對信號的頻率成分進行分析。通過分析不同頻段的信號特征，可以識別和解釋可能存在的故障特征。頻域分析方法的選擇取決于振動信號的性質、故障模式和分辨率要求等。

3.3.3.3 基于神經網絡旋轉機械故障診斷方法

根據時域或頻域選取合適的特征參數。根據故障機理，當故障發(fā)生時，相關特征參數會發(fā)生較大變化。通過神經網絡模塊，采用多層的BP網絡結構，利用訓練樣本對網絡進行訓練。在MATLAB 工具中，可以使用神經網絡實現旋轉機械的故障診斷。

使用訓練好的神經網絡進行故障診斷。將新的振動數據輸入到網絡中，觀察網絡的輸出結果。如果網絡輸出與期望結果相符，則說明網絡能夠正確地實現故障診斷。如果輸入數據在一定范圍內偏離樣本知識，網絡的輸出結果仍然接近樣本，則說明網絡在故障診斷方面具有一定的可靠性，實施時需根據具體情況做適當調整和改進。神經網絡的訓練和測試過程可能需要經過多輪迭代和調優(yōu)，以達到更好的診斷效果和準確性。［3］

3.4 案例研究與結果分析

3.4.1 高爐風口智能運維系統

2022年12月11日，某鋼廠高爐33#直吹管部位燒穿噴焰，因風口送風支管發(fā)生大面積倒灌，高爐休風14 h 更換34 支直吹管和2 個風口小套，直接經濟損失56 萬元。2023 年2 月建立了高爐風口智能巡檢系統集成方案，是基于紅外熱成像技術、視覺技術和大數據技術研發(fā)的人工智能產品。通過巡檢機器人系統，可定期或按需對高爐直吹管、風口、槍包及相關位置的高溫區(qū)域進行自動巡檢。基于紅外熱成像技術、數據采集技術和計算機數據處理技術，利用設備外表溫度變化與設備內部狀況的相關性，通過智能分析軟件對設備表面溫度數據進行實時分析和處理，當發(fā)現異常情況時，系統立即自動發(fā)出報警。

3.4.2 智能運維系統構成

該系統主要由四舵輪驅動機器人本體、中繼站、數據通訊設備、數據處理主機、顯示器、交換機、控制主機柜及配套附件等組成，系統構成示意圖見圖1。機器人包含紅外熱成像儀、圖像采集模塊、光源模塊、煤氣檢測模塊、聲音采集模塊、數據存儲模塊、自動充電裝置和位置傳感器等。中繼站包含數據存儲設備、自動充電設備、配電單元和數據通訊設備等。

圖1 系統構成示意圖

高爐直吹管溫度自動檢測系統示意圖見圖2。

圖2 高爐直吹管溫度自動檢測系統

智能機器人按照預設軌跡對高爐直吹管風口進行自動巡檢，及時掌握風口平臺直吹管溫度變化趨勢、檢測煤氣泄漏及直吹管燒穿產生的巨大噪音，避免重大惡性事故的發(fā)生。

3.4.3 智能運維系統成效

2023年7月24日智能運維系統發(fā)現高爐34#風口直吹管前端發(fā)紅，系統報警信息圖見圖3。17：24直吹管溫度為326 ℃，高溫報警，操作人員收到報警后，采取臨時措施，適當控風控氧防止事態(tài)擴大，停煤槍，爐體架設水管，外部打水冷卻后相應位置紅外測溫180～190 °C，爐內參數逐步恢復正常。停煤拔煤槍后發(fā)現34#煤槍距槍頭800 mm 處有裂縫，經分析煤槍質量不佳。

圖3 系統報警信息

4 結論

通過對基于智能運維技術的冶金設備狀態(tài)監(jiān)測應用的研究，可以看出智能運維技術在冶金行業(yè)中有廣闊應用前景。智能運維技術可以實現對冶金設備狀態(tài)的準確監(jiān)測和故障預警，從而提高生產效率和設備可靠性。

智能運維技術在冶金行業(yè)中的推廣存在一些困難。首先，冶金生產工藝較為復雜，存在多種物理過程，因此設備監(jiān)測系統需要具有可適應性和穩(wěn)定性。其次，大規(guī)模的數據處理和分析需要高效的計算能力和可靠的數據存儲系統。此外，智能運維技術的建設投資較高，對人員技術水平要求較高。

未來，可以進一步探索更先進的傳感器技術和數據采集方法，提高數據的準確性和可靠性，還可以研究開發(fā)更高效的數據分析和機器學習算法，以提高設備故障的預測準確度，并優(yōu)化維護計劃和策略。