作者宋博

傳統的裝置維護管理通常基於事後維修、維護，就是在機械裝置出現故障，無法繼續正常執行的情況下，然後才想到對裝置進行維修、保養，包括檢查故障部位、修復故障或者零部件調換，排除故障後恢復生產，這樣的維修狀態會造成大量的非計劃停機，不僅造成大量的損失，同時也使得裝置的壽命大打折扣。

當前，基於一些先進技術的逐漸成熟，如：物聯網、AI等技術，預測性維護逐漸提上日程，所謂預測性維護，指的是在裝置尚未因為故障停止執行之前，即可判斷出裝置需要維修的部位、方法和時間。從而提升維修效率和生產效率。冶金行業作為重資產裝置較多的行業，實現基於資料驅動的裝置預測性維護勢在必行。

下面我以大型水泵為例，簡單介紹一下如何利用實時資料、智慧演算法實現裝置的狀態監控、異常檢測和壽命預測。

水泵作為大型的動裝置，在冶煉企業中用到的地方很多，也會經常性的出現一些故障，如：密封圈、軸承、葉片等，下面我們以資料、模型為基礎提取預測性維護的特徵值來給水泵進行預測性維護。

利用IoT將水泵執行過程中的實時資料進行採集

水泵結構圖

如上圖所示，可在水泵中增加相關感測器或者利用變頻裝置讀取出相關實時資料，資料如下：

（1）水泵出入口壓力差

（2）水泵角速度

（3）電機轉矩

（4）水泵轉矩

（5）水泵的流量

同時在現場部署網路、現場匯流排、PLC等裝置將上述所描述的感測器進行聯網及資料的實時採集，裝置實時採集架構如下圖所示：

構建水泵模型

根據相關設計手冊可得出水泵的揚程模型為：

根據相關設計手冊可得出水泵的轉矩模型為：

其中hnn,hnv,hvv可理解為權重係數。

為了便於理解，我們擬選用穩態的執行狀態作為測試物件，透過改變出口閥門的流量，我們可以得到不同情況下的：流量-揚程曲線。

基於穩態的工況進行研究，得出相對簡化的揚程公式和轉矩公式，如下：

從上述公式中可以看出： hnn,hnv,hvv,k0,k1,k2是我們需要評估的“權重引數”，我們可以利用工況好的情況下的資料來擬合“權重引數”，然後在故障情況下，利用現場實時採集的資料擬合故障情況下的“權重引數”。兩類引數進行對比即可判斷出當前水泵執行狀態是否健康。

計算權重引數

為了便於分析，我們選擇兩種裝置狀態下進行分析：健康狀態、大間隙狀態；

利用IoT將這兩種狀態下實時採集的執行引數進行彙集，分別定義為TH和TB；將TH和TB分別代入揚程方程和轉矩方程，並進行最小二乘法擬合，模型如下：

健康狀態下：

大間隙狀態下：

透過這種方式即可計算出：

健康狀態下的“權重引數”：hnn0，hnv0，hvv0，k00，k10，k20；

大間隙狀態下的“權重引數”：hnn1，hnv1，hvv1，k01，k11，k21；

判斷異常

當我們得出了健康狀態下的“權重引數”和大間隙狀態下的“權重引數”，就可以利用最最佳化理論和工具計算兩種“權重引數”之間的“距離”，從而根據“距離”的差異來判斷當前執行狀態是否處於異常狀態。我們可選用馬式公式來完成這個功能。

視覺化效果如下：

如上圖所示，我們可以根據經驗或者不斷迭代，來定義健康裝置的係數邊界，大於邊界值我們可以認為是故障狀態下的裝置，我們將它定義為異常，同時利用IoT的異常推送功能，推送給相關的責任人，提醒他進行裝置的維護保養等。

IoT異常管理

透過上述四步，我們就可以利用實時資料、演算法，做到資料驅動的科學裝置管理，從而替代、最佳化以往的基於流程的裝置管理體系，有效杜絕過保養、欠保養的發生，防止大型裝置的故障率，降低備品備件資金佔有量，提高生產效率，提高產量，為冶金企業有效做到降本增效提供一種新的策略和思路。

專家觀點∣基於資料驅動的裝置預測性維護

相關文章