{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
当前位置: 首页> 技术应用> 正文 
收藏
点赞
投稿
预测性维护助力提升制造业数字化水平
来源: 作者:
  2022-03-15   

作者:陈中仁 寄云科技售前咨询顾问 

全球领先的信息技术研究和顾问公司 Gartner 在预测未来科技热点时指出:“数字化颠覆”概念是未来发展的一个重要核心,这一概念已从过去的偶发性突破转变为如今能够重新定义市场和整个行业的统一革新趋势。未来“数字化即业务,业务即数字化 (Digital is the Business, the Business is Digital)”。

在今日的工业领域,以全数字化为特征的第四次工业革命已然在全球拉开帷幕,“互联网+”、“工业4.0”、智能制造、工业互联网、物联网等新概念、新理念、新技术层出不穷,极大激发了制造企业对全生产系统进行进一步改造和优化的勃勃雄心。

传统设备维护模式下的业务挑战

最大化提高生产效率,降低生产成本是任何一个制造企业的两个基本生存法则和竞争法宝。而效率和成本都和一个关键环节密切相关,这个关键环节就是:关键生产要素(生产设备)的维修和维护。 

试想一家正开足马力生产的企业,突然遭遇生产设备故障而停产,其每一分钟带来的产值损失都是惊人的,而由于不能按期交付产品导致的商誉损害,更是难以在短期内弥补。据 ISA 数据显示,全球制造商每年因停机遭受的损失总计约为 6470 亿美元。类似这样由于生产设备 故障造成计划外停机的问题也困扰着电力、医疗、石化等很多行业。因此,设备维护就成为了业界一致关注的重点之一。

目前,企业主要采用两种基本维护模式:

1、故障后维护(Reactive Maintenance) 

这是最古老的维护定义,指当故障发生后,由技术人员紧急赶往现场进行维修恢复。这种维护只发生在突然的甚至是灾难性的故障之后。这种模式实质上没有采取任何提前保养的措施,因此也被称为急修。

它存在诸多缺陷:

1)故障的发生非常具有偶然性,而且往往是发生在使用高峰这类易于导致严重后果和不方便进行维修的时间。

2)在一个原本正常运转的系统中,一个部件的突发故障很容易导致系统的其他部分遭到伤害甚至损毁,从而增加了诊断难度和费用成本。

3)故障急修通常需要比常规保养更长的时间,还要包括备件的等待时间。并且急修往往需要经验丰富的高级技术人员到场诊断,诊断时间的长短又很难被预估,从而大大影响技术人员的工作安排。

因此,故障保养的费用主要集中在高昂的备件存储费用,维修技术人员的加班费用以及长时间停机等待所带来的生产力的损失费用。所以,尽管这种方式看似对系统和设备进行了最少的干预,但其实故障保养在大多数工业领域中是最为昂贵的保养模式。

2、预防性维护(Preventive Maintenance)

预防性维护是指通过了解系统或某一部件的平均使用寿命,从而预期该部件即将出现故障,根据这一 信息对系统做提前干预,进行检查和提前更换。这种保养方式是在 20 世纪 60 年代到 70 年代被提出的, 其核心理念是基于时间来制定保养工作计划。 

预防性保养的应用极为普遍,尤其在工业领域内被广泛应用。其基本原理可以通过浴盆曲线来说明:

图片 10.png

浴盆曲线是具有代表性的设备故障率曲线,而预防性保养就是根据技术参数或历史经验,判断拐点 P 的出现时间,从而对该部件进行提前更换或调整以避免损耗故障期带来的损失。 采用这种方式,保养的工作变得可以提前规划,人员的工作也可以提前安排。预防性保养丰富了保养 工作的功能,增大了覆盖范围。以预防性保养为核心概念的保养业务主要包含以下三方面工作:

 1)针对系统和子系统的常规保养,对于机械部件进行必要的保养维护,比如润滑、清洁、调整和更换;

2)当发生故障时的紧急修理,与上面提到的故障保养类似。但由于常规保养的存在,故障率将会大大降低;

3)基于平均使用寿命的经验值,对易损件进行修理或提前更换。从而使系统的可靠性和安全性水平保持在一个相对稳定区间。 

由于上面的第 3 点是基于经验值,可以非常容易地根据周期计算来提前安排修理/更换事宜,但也正是由于这种提前更换完全基于理论计算而无视部件或系统的实际运行状态,使得预防性保养在实际应用中存在着保养过剩和保养不足这两大突出矛盾。

预测性维护应用优势明显

随着近年来以物联网、云计算和大数据等技术为特征的全数字化制造的迅猛发展,一种更加高效的维护模式—预测性维护逐渐成为未来企业的核心需要。 

世界知名财务及管理咨询公司德勤出版的《2016全球制造业竞争力指数》报告,也印证了企业对预测性维护的关注,根据对全球制造企业CEO的调查,“预测性分析”是最受企业重视的先进制造技术(详见下图)。而预测性分析在制造业的一个主要应用场景就是设备维护。

图片 11.png

预测性维护技术基于传感器收集的设备工况数据,如噪音、振动、温度、压力等,分析并预测可能产生故障点,并给出相应的维护维修建议。管理人员可以根据建议,提前处理有风险的设备,从而避免故障风险的发生。 

与其他维护方式相比,预测性维护的优势十分明显。短期内,企业可以极大改善自身生产状况:

  • 降低计划外停机,提高设备综合效率 (OEE),确保连续生产,提高产量。

  • 减少维护频率,降低维护成本,缩短维护保养时间,提高运维效率。 

  • 减少更换零部件,充分利用现有设备,延长设备服务寿命,提高投资回报。

长期来看,预测性维护可以更好的为企业自身的客户提供优质服务,从而给企业带来更为长远的利益:

  • 改善企业产品服务形象和能力 

制造企业可以将对自身产品的预测性分析能力,打包成一个服务产品提供给用户。从而进一步提高客户忠诚度,并极大拓展自己的收入来源。客户可以自我运维预测性维护服务,厂商也可以通过Internet来托管该服务。 

  • 用数据驱动企业产品和服务的创新 

通过收集和分析客户一线使用企业产品状况的数据(租赁或托管的情况下),制造企业可以获得一手资料,对改善企业自身产品的设 计,提升产品质量,甚至优化企业的生产和销售,都有重要的价值。 

  • 为制造企业带来商业模式上的创新 

“分时租赁”、“制造云”、“能力共享”、“软件和数据分析企业”等等创新商业模式,直接影响和决定了企业的未来发展和重大转型方向。

因此,包括波士顿咨询 (BCG),IDC 等研究机构都纷纷将“预测性维护”列为工业物联网领域最快成熟的应用之一。预测性维护在许多资产密集型行业,如汽车、制造、重型装备、智慧建筑、港口等中具有广泛的应用前景。据 IoT Analytics 估计:2016~2022年期间预测性维护的复合年均增长率(CAGR)为39%;到2022年,年度支出将达到109.6亿美元。

预测性维护面临的挑战

虽然预测性维护得到了来自用户和厂商的极大关注,但在大规模应用的时候仍面临种种挑战。

挑战1:如何管理大量联网的设备

实现预测性维护首先需要让需要维护的生产要素(生产设备、传感器等)可以联网,否则无法获取设备工况数据。但是,在企 业生产环境中,联网是一个非常复杂的事情。不同的总线或网络协议和标准,各种具体的安全要求,复杂的生产车间环境,这些 都给设备互联带来了巨大的挑战。 这个挑战在企业决定扩大预测性维护设备范围时将变得更为棘手。因为不同品牌、不同种类的设备有可能要靠不同的厂商负责维护,所以每一台设备的连接、安全策略都不完全相同,但都共享同一个物理基础网络。网络管理的难度可想而知。 

挑战2:如何传输联网设备产生的海量实时数据。 

联网设备的一个特点是会持续产生大量数据,但其中有价值的数据并不是很多。如果把所有数据都上传,会对网络带宽和数据存 储带来很大压力。而且这些数据对时间很敏感,如果没有得到及时处理,其价值就会立刻大打折扣。

挑战3:缺少既能整合不同厂商方案又有丰富成功经验的厂商。 

预测性维护是一个需要融合运营技术 (Operation Technology) 和信息技术 (Information Technology) 的解决方案,涉及自动化、 机械、网络、数据分析、模型算法,信息展现等多个领域,不可能由一家厂商来提供所涉及的技术、产品和服务。所以客户特别 需要一家拥有广泛合作伙伴网络的服务提供商,聚众智,合众力,为客户提供全面的预测性维护解决方案。

防护于未然 寄云预测性维护解决方案

综上所述,物联网和大数据等新技术的出现为解决客户预测运维方面的问题提供了可能,寄云科技作为国内工业互联⽹的头部创业公司,针对预测性维护提出了如下的解决方案框架:

图片 12.png

图1. 寄云科技预测性维护解决方案框架图

从图1可以看出,整个解决方案大致分为三个主要部分:物联网平台、数据分析平台以及应用平台。其中数据负责物联网平台负责边缘端数据的采集与存储,数据分析平台负责数据处理以及建模分析,应用平台负责前端页面展示与交互。详细解释如下:

1、物联网平台

现场控制系统数据以及各种传感器采集的高频数据等各种数据,经工业现场总线或网关汇总,通过标准协议如 MQTT、OPC、kafka 等发送到物联网平台,物联网平台可以安装在边缘网关或者边缘服务器产品上,实现对现场数据的实时采集、传输、实时处理,并可以和后台大数据平台对接,对数据进行进一步的处理。

2、大数据分析平台:对数据进行进一步分析和处理

预测性维护就是根据设备、设施的运行信息,评估部件当前状态并预计未来的状态。寄云工业数据分析和建模平台提供多达252种数据分析组件,并且持续更新迭代,组件包括工业数据预处理、统计、机器学习算法、深度学习、NLP、模型评估器、建模(训练、验证、应用)(如图2)。组件式开发降低了建模的难度,提高了建模效率。

图片 13.png

图2. 大数据分析平台

3、应用开发平台

上层预测维护应用收到实时和历史数据之后,按照之前设计的算法模型进行分析运算,并给出预测结果来指导企业设备的运维计划。同时处理好的数据,可以通过平台代码高配置的可视化平台等展示分析工具进行统计分析展示(如图3)。

图片 14.png

图3. 可视化应用开发平台

例如,某大型石油装备制造企业的智能装备项目采用寄云预测性维护方案(如图4),整合设备的设计、运行、环境、运维档案等数据资源,深入分析并挖掘基于机理的机组失效模型,掌握故障和性能退化趋势,形成具有远程监控、智能报警、预测性维护、健康报告为一体的智能预测性维护系统。实现有效减少维护成本,关键故障提前预警,有效减少事故,减少由于故障造成的损失。

图片 15.png

图4.石油钻机预测性维护系统功能展示

在经过石油、化工、能源、制造等领域深度实践之后,寄云预测性维护系统目前已广泛应用于装备智能化改造升级、关键装备的智能管理和运维,全面助力工业客户实现优化备品备件、减少运维成本和非计划停机、提升设备运行效率、减少安全事故等关键目的,为工业企业提质增效注入强劲动能。

分享到:
  点赞
  收藏
  打印
评论(0
已输入0
最新文章
 2022-06-08