預測性維護-關乎OEE
預測性維護并不新鮮,從傳感器數據和歷史數據中確定故障時間或剩余使用壽命(RUL),在很長的時間里,預測性維護對于制造業似乎都是一種“昂貴的消費”。但根據德國知名咨詢公司Roland Berger在其IoT Analytics發出的報告預測,2016-2022年預測性維護的復合增長率達到39%,而2022年總體支出將達到110億美元。這是一項看上去特別有前景的技術,需求增長迅速。
預測性維護的需求之所以發展這么快,在于OEE對于生產的意義:
1.大規模標準化生產:不難理解,標準化生產的產線,如果出現機器宕機,那么,它會影響OEE,而同樣影響企業的盈利能力,因為競爭激烈,使得單位產品的毛利率不斷受到擠壓,因此,穩定的產能,才能確保高的利潤率。
2.個性化生產對產線穩定性的需求:可以想象,對于大批量的標準化生產而言,其單個批次的生產周期會長達數月,因此,即便發生一起宕機故障,其實,對整個生產OEE的影響尚可承受,但是,對于批次變小的生產來說,這個OEE就會損失較大,因此,個性化的生產對預測性維護的需求變得更為迫切。
非正常宕機不僅會造成不良品,以及設備的壽命及備件成本,并且機器重啟的“開機浪費”,這些都將成為成本。因此,無論哪種生產都會遇到OEE挑戰。
預測性維護的好處很多
相對于過去的“事后控制”的被動性維護,以及為了未來的穩定而在固定時間統一“大修”的預防性維護策略而言,預測性維護都有非常多的優勢,使得人們不斷關注它的發展,圖1顯示了它們之間的區別。
圖1-現場維護的發展階段
★機器的安全運行,尤其像大型傳動設備如風力發電機組、熱電聯產機組、鼓風機這些系統如果產生故障,有些是非常危險的,因此,能夠早期診斷其故障,本身就是一種降低風險的措施。安全系統和緊急停車系統的動作,往往意味著故障已然發生。
★優化使用壽命,設備的維護會讓設備增值,如果一臺機組按照10年折舊,那么它延長的壽命都是會為企業帶來額外的利潤。
★避免不必要的維修:能夠更早知道設備的健康狀態,自然是可以前期做一些保養工作,讓故障被推遲或者處于計劃之中,那么,就不必要出現“緊急維修”這種成本極高的方式。
★支持全新的運營模式:在一些行業,服務外包,或者提供有償年度保養計劃服務包也是一種更好的盈利模式,對于企業與用戶而言,都是好的選擇,避免了故障造成的損失,而企業可以利用專業服務來獲利,雙贏的局面。
貝加萊如何為您提供解決方案?
在貝加萊提供的預測性維護方案中,包含了幾個層次:
01傳感器測量與信號處理
首先,感知是首要的,除了豐富的I/O可以測量溫度、壓力等機器的慣常測量模塊,還有專用的振動傳感器,因為在各種信號的故障分析中,振動有一種得天獨厚的優勢,在表1中我們可以看到相對于溫度、噪聲、油液分析等方法,振動對于各種故障都有解析能力。
表1-常見機械故障與處理方法
貝加萊X20CM4810是一個用于振動信號處理的特殊模塊,它支持4個通道的IEPE加速度信號的輸入,并可以對這些信號進行處理,并獲得有效的故障特征。
圖2-X20CM4810用于處理振動信號
信號分析與處理過程首先在對加速度進行積分并成為速度,再積分成為位移(它體現烈度),然后獲得包絡譜,經過濾波和FFT后獲得頻率信息,在機械固有特征頻率之外的那些頻率就成為了焦點。經過整流和解調后可以對其進行分析。
圖3-信號處理的過程
在獲得信號后就可以在分析系統來對故障進行分析預測,制定維護策略。
02預測性維護分析方法
預測性維護的分析通常分為兩個流派,一種是基于物理對象的退化(失效)模型進行分析,另一種則是數據驅動型的分析方法如統計方法和機器學習方法。
退化模型通常也是采用微分方程或差分方程來表征設備的退化(失效)過程,建立影響退化的諸多關鍵因素之間的映射關系,這些影響因素通常也是需要一些經驗參與的。預測性維護的復雜性也往往體現在這里,因為影響因素較多,究竟哪些是關鍵因素,對于不同應用場景還是有差異的。包括設計缺陷、制造工藝差異、化學、外力作用、運行模式等不確定性因素。通常而言,退化的模型也分為物理退化和經驗退化。
其中物理退化對于設備簡單且退化由單一因素影響的,那么退化模型的RUL預測精度就會較高,這種對于機械類運動的應力、累積疲勞、斷裂、損傷力學等通常有較為顯著的物理表征退化過程。因為一些運動組件長期受到載荷的往復循環,這種具較高可預測性,也有比較成熟的模型如Paris裂紋擴展模型或Forman模型等,因為設備退化的機理相對單一往往比較容易。當然對于復雜的不確定的場景來說,精準的物理退化模型也比較難以獲得。
這類系統依賴于先驗知識,由其開發的“專家系統”往往不是那么廣泛適用,因此,往往是由一些非常專業的小公司在所在的小市場中發揮作用。
03數據驅動方法-采用AI技術實現預測性維護
隨著智能技術的發展,包括軟件技術、AI芯片等的成熟,采用數據驅動模式的預測性維護也逐漸被納入到解決這些產業問題的領域,AI技術的優點在于無需先驗知識,通過數據分析尋找規律,這樣可以突破需要行業機理、先驗知識的問題。
數據驅動方法分為統計方法和機器學習的方法,而統計方法通常采用主要成分分析或偏最小二乘法處理設備的退化數據,建立統計量并進行設備健康狀態的評估,但是,也受到數據量和統計理論的約束,適用性也不強,這里的原因在于故障數據通常是小數據,因為對于機械設備如果有大量的故障信號,在產業里,對于這樣的機械設備就會存在“質量”問題—評價系統的穩定性的重要指標。而機器學習的方法可以利用機器學習的已有豐富技術,可用方法多樣,采用支持向量機、隱馬爾科夫過程、高斯過程回歸、深度學習等方法來實現。
對于分析方法,有兩點很重要:
(1)盡量機理建模與數據建模相結合:物理的機械失效機制不容易發掘,需要大量的工程積累,而采用機器學習等方法,本身也有可解釋性、數據訓練與驗證的問題,也是非常需要專業知識的,不能過分的依賴于機理或數據驅動模型,盡量各取其長。
(2)知識復用:盡管有各種工具,但是,對于工業場景來說,解決用戶的痛點才是問題的關鍵,必須聚焦問題本身的積累,將解決問題的知識變為可被復用的知識,才能整體降低用戶端的成本。對于工具類廠商可以關注易用性工具的設計,但對于應用側來說,必須關注建模的能力培養。
03系統架構
對于貝加萊而言,為預測性維護提供了從數據采集、處理、傳輸、分析的基礎平臺,圖4中,整個架構是完整的。對于用戶來說,針對其行業應用,可以提供基于PC架構的分析,或通過OPC UA/MQTT的云端訓練,并下行部署。
圖4-貝加萊為預測性維護提供的基礎設施框架
貝加萊的預測性維護,為用戶提供了實現整個預測性維護的基礎設施,這是對原有的控制系統與邊緣架構的擴展,它將豐富的I/O采集能力、數據通信能力(如豐富的總線及OPC UA Pub/Sub)和計算平臺的能力進行了結合,使得預測性維護作為一個任務擴展原來的機器能力,而不增加額外的硬件。也可以與第三方的專家系統進行交互,或者與專業的云端預測性維護分析應用進行交互。
關于貝加萊
微信號:br-automation(←長按復制)
貝加萊是一家總部位于奧地利并在全球擁有分公司的創新型自動化企業。2017年7月6日,貝加萊成為ABB集團的機械自動化事業部。作為工業自動化領域的全球領導者,貝加萊將前沿技術與領先工程相結合,為幾乎每個行業的客戶提供面向機器與工廠自動化、運動控制、HMI和集成安全技術的完整解決方案。借助于OPC UA、POWERlink、openSAFETY等工業物聯網通信標準,以及強大的Automation Studio軟件開發平臺,貝加萊不斷重新定義自動化工程的未來。受簡化流程和超出客戶預期的承諾驅動,貝加萊始終保持創新精神并處于工業自動化領域的前沿。
獲取更多信息,請訪問www.br-automation.com