作者：邵帅    AVEVA剑维软件中国区APM首席技术顾问

重资产行业中工业用设备往往是非常重要的资产，也是复杂的设施，它往往安装了数十或更多的传感器用于对设备的操作与性能进行持续地监控。这些传感器读数会受不同类型的生产线产品、产量所影响，即便在单一的生产运行情况下也可能受不断改变的操作条件、负荷以及环境的影响。对于试图利用人工来归纳这些传感器之间的关系来确定当前设备的健康状态和性能将是非常复杂与困难的。而对于具有多个厂的多个复杂设备的集团企业来说，如果没有一个比较先进的分析手段，那么几乎不可能同时地完成对所有设备的健康与性能的持续地监控，进而实现设备的预测性维护与缺陷预测。

AI预测性维护基本原理

基于AI的预测性维护与设备缺陷预测技术，能够利用高级预测性分析可以把原始的测量数据转换为有用信息。通过设备的预测模型与高级算法，学习设备不同操作、负荷等条件下的正常运转数据，并基于AI 模型，持续地生成各个传感器信号的预测信号，从而提供设备实际运行与设备期望健康状态的清晰比较。也就是说，基于AI的预测性维护所自动产生的预测信号是一组基于设备正常运转情况下，参照实测传感器数据而建模产生的正常设备运行的动态区间。当实测传感器信号与预测的期望值开始发生偏离时，该偏差量就会被监测到，从而产生基于模型的“偏差预警”。相较于大多数工厂都配备的，有先进报警功能的控制与SCADA系统，所实现的“阈值报警”（达到预设的报警值时，才会触发报警）而言，这种偏差预警往往在发生问题之前，就察觉到设备问题的微小变化，并通知设备运维相关人员关注设备问题，实现主动式、计划性维修。

图1 在SCADA系统中，温度传感器的报警设定值为155℃

如图1所示，在SCADA系统中，温度传感器的报警设定值为155℃。一旦该报警阈值被触及，就需要对设备进行联锁操作或直接干预，这很可能会造成非计划停机而影响产量或质量。基于AI的预测性维护与设备缺陷预测却可以在设备触发报警设定值并需要直接干预的数天，数周或数月前，检测到设备偏离正常运行的状态，即实测值与AI 模型所产生的动态预期值之间的偏离。从而使设备操作人员与工程师提前识别即将发生的设备问题，以便采取有计划的纠正措施。

成功要素

AVEVA剑维软件认为推动预测性维护并使之成功的的5个关键要素，能够帮助工业用户快速获取预测性维护所带来的价值。

• 较成熟的信息基础设施

AI 技术的应用需要获取大量的设备及周边运行数据来进行训练、学习，收集这些数据及信息的基础设施无疑形成了AI 分析的前提。在关键设备上是否安装有相对完备的检测仪表用于检测设备的状态及操作条件等；是否有自动化的数据采集系统用于将仪表中的数据源源不断地收集并存储到实时数据库中；是否有整合式的实时数据库系统将不同采集系统、分析系统中的数据整合并长期存储用于多变量分析与大数据的挖掘；此外，资产管理系统（EAM/CMMS）、交接班日志、生产运行动态报告等也为建模人员了解设备历史运行状况并进行AI 模型的建立提供了额外的指导信息。只有建立了相对扎实稳固的信息基础设施，在利用AI 技术实现预测性维护与设备缺陷预测时才会游刃有余。

• 成立专项推动组织

不同于传统的事后维修、预防性维修与状态维修，对于很多企业而言，预测性维护是一种新型的维修策略。它会为企业带来资产运维效率的提升，但同时会对相关的工程技术人员带来额外的分析与检查的工作，在没有完全体会到预测性维护所带来的收益时，项目的进程往往阻力重重，需要针对这种变革设立专项推动组织，由专人负责，不仅要各业务本门执行预测性维护工作，设置合理的绩效考核，将其融入日常的工作流程中，也要注重分析经验的分享，让相关人员能够体会到分析所带了的成效与经验上的提升。

• 广泛的适用性

基于AI的预测性维护应着手于企业中各种类型的关键设备，包括动、静、电、仪类设备。不应仅关注于有限设备厂商所提供的特定型号设备的故障诊断，应从生产全局角度出发，凡是会影响企业生产、HSE的关键设备或辅助系统都纳入到早期异常感知中，让AI对大量的、不同设备厂商与型号的设备进行7*24小时不间断监控，筛选出值得关注的但很易被人工分析遗漏的设备问题，避免异常的扩大化。

• 专家经验的结合

AI 算法固然重要，但缺失了设备专家经验的预测性维护与设备缺陷预测，就像一具没有灵魂的行尸走肉，无法真正指导设备预测性的分析。基于AI的预测性维护与设备缺陷预测应将设备专家的经验结构化、标准化，形成一个个面向设备的预置初始模型或建模模板，为快速建立设备AI模型并进行故障预诊断，以及处理设备失效的操作指导提供先验知识。

• 工具的易用性

面向工程技术人员简单易用的AI工具，会为大规模建立设备模型以及训练模型提供极大助力。最了解现场设备的，无疑是与设备朝夕相处的现场技术人员，企业需要发挥其专业才能，辅助以简单上手的工具，将其从晦涩难懂的AI算法、重复的数据处理操作、甚至代码编程的非本专业的工作中解脱出来，快速复制成功“经验”（模型）。

AI 应用

接下来让我们看看马来西亚国家石油公司是如何实现其基于AI的预测性维护的。

就像任何的工业组织一样，马来西亚国家石油公司必须确保其设备始终平稳运行，以便能够为客户提供服务。尽管 马来西亚国家石油公司能够提前安排维护活动，但它仍然面临着意外的关键设备故障而导致计划外停机问题，从而导致整个工厂停工并产生灾难性后果。因此，马来西亚国家石油公司选择了 AVEVA Predictive Analytics解决方案，可对设备问题提供早期预警和诊断。这有助于 马来西亚国家石油公司减少设备停机时间、提高可靠性、提高性能和安全性，并减少运营和维护支出。

在选定的上游设施和下游工厂为期六个月的概念验证 (POC) 项目中，马来西亚国家石油公司试用了AVEVA Predictive Analytics。该项目的重点是评估该解决方案在检测和提供机械问题的早期预警方面的有效性。在成功进行 POC 后，马来西亚国家石油公司在四个上游平台和两个下游工厂进行了试点。AVEVA Predictive Analytics 使他们的团队能够采用模板化方法，得以在其他工厂快速部署该解决方案，确保高价值以及快速的投资回报 (ROI)。

此外，马来西亚国家石油公司还使用 PI System 来收集工厂关键资产的数据并构建这些数据以供历史数据的分析。AVEVA Predictive Analytics 能够与 PISystem 协同工作，简化与 PI System 之间的数据集成。

AVEVA 的解决方案还可与马来西亚国家石油公司传统工厂控制系统(DCS)并行工作。运营工程师使用 DCS 系统来操作工厂，而维护和可靠性工程师则使用 AVEVA Predictive Analytics 执行日常任务并监控各个工厂的资产。从技术人员到工厂经理和管理团队，团队中的每个人都可以看到该系统，不仅消除信息孤岛并建立起新的、更具协作性的工作方式。马来西亚国家石油公司使用 AVEVA Predictive Analytics还改善了工厂操作员与其卓越中心（集中式远程监控中心）专家之间的协作，是其可以不断分享所检测到的故障相关的更新和反馈。

在四家工厂成功试点后，马来西亚国家石油公司在另外 10 家工厂部署了 AVEVA Predictive Analytics。仅在试点项目中就为该组织节省总计 1740 万美元，产生了 14 倍的投资回报率。