设备智能运维——企业降本增效的“杀手锏”
2020年4月9日，西安因联信息科技有限公司创始人兼总经理吕芳洲受邀在由工业和信息化部文化发展中心主办、先进制造商学院承办的制造业高质量发展公益大讲堂进行直播分享：《设备智能运维——企业降本增效的“杀手锏”》，以下为演讲整理。
为什么在未来整个制造业发展中设备智能运维是企业降本增效的一个有效手段。
01 工业4.0背景下设备运维面临的挑战
当前世界各国都在倡导工业4.0和工业互联网，中国从2015年提出“中国制造2025”开始，历经近五年的摸索和尝试，渐渐开始落地，解决企业实际运行中的一些痛点问题。国家工业信息安全发展研究中心通过调研发现设备资产管理是目前落地最广泛的场景，其中设备状态监测落地率高达80%，预测性维护及围绕它的相关技术更是被誉为制造业 “杀手级”应用。虽然设备资产管理发展态势良好，但是国内企业的设备管理依然面临很多挑战。
一是设备管理方面难题。工厂新旧设备“几代同堂”情况时有发生，设备运行状态数据不及时、不集中、不精细、不完整，造成设备维护工作难于监管，影响设备运转率，降低设备使用寿命。
二是突发故障抢修。即使我们实行按期维修的过渡手段，但还是不可避免的出现突发故障，有可能导致生产的临时意外中断，造成生产成本的大幅提升，甚至对人员的安全造成威胁。
三是专业人才短缺挑战。随着人口红利的逐渐消失，专业人才的短缺，也给企业带来的很大的挑战。一是劳动力成本不断攀升，二是专业化人才始终属于一种稀缺资源，企业难以留住导致青黄不接。
这是整个行业在设备运维方面都不可避免的几大挑战，那么，我们应该怎么去解决这些问题呢？
02 基于预测性维护的设备智能运维
在不同的背景下，设备维护策略分为两种，一种是响应式维护，它的特点就是运行到故障发生时在进行维修和维护；另一种是预防性维护，又分两种情况，一是定期维护，间隔固定的时间进行，二是基于设备实时状态进行预知维护即预测性维护。
预测性维护从三个维度帮助设备进行自我表达，一是解决设备自我感知的问题，首先得发现设备状态的异常。但正常的设备虽然外表形态各异，但看起来都是一个大铁疙瘩，怎么能感觉到它的异常呢？有经验的工程师可以通过现场的声响或温度来进行判断，但是没有经验的呢，一直运转到设备“趴窝”了以后才有可能发现设备异常。二是解决设备实现自我分析的问题，到底是什么导致的异常，故障部位是哪里，严重程度如何，该怎样去应对。三是有针对性的对设备采取维修策略，比如说采用动平衡、对中处理、润滑、更换部件或者停机维修等。
PHM解决问题业务流
PHM是工业设备的故障预测与健康管理的统称。随着信息技术，大数据技术，人工智能技术的发展，设备运维从故障后维护、周期性维护、基于点巡检状态维修逐步升级到数据驱动预测性维护的智慧阶段。电机、泵、风机、减速机、压缩机等设备构成了行业生产的基础，PHM面向炼化、水泥、钢铁、造纸等常规流程工业以及汽车、饮料等离散行业为设备提供设备智能运维的服务。
那么，PHM是怎么解决问题的呢？
在这里要提到现在很火的一个概念——CPS，就是物理世界的对设备数字化的映射，也就是数字化设备模型，它的数据源分成几大类，包括状态参数、工况数据、设计参数，还有设备运行过程中的一些参数，在整个生命周期中的维护参数等等。数字化模型是构建数据化设备的一个基石，是所有统计分析和数据驱动模型的基础， CPS这个概念是不断外延不断完善不断发展的，它并不是一开始就非常完备的体系，是逐渐扩展逐步丰富的。
再回到PHM，它通过监测、预警、诊断和维护这四个流程形成闭环。
● 监测
监测是为了数据可视化，使得不可知不可感的设备变得可知可感。因联的解决方案是提供完整的物联网产品系列、数据接入能力以及整个数字化的模型能力，把物理世界中的设备变成数字世界可感知的设备。
状态监测的基本原则是建立全面感知和数据标准化。设备进行自我表征和实现自我感知的手段和方法有很多，下面为大家介绍其中几个。可以看到，整个设备的失效模型呈现这样一个曲线，从设备产生初始损伤一直到设备完全失效，不同的场景对应不同的方法，没有一种方法适合所有场景。
温度测试主要反映磨损类故障，当温度出现异常时，说明设备已进入故障晚期，这个方法简单，可作为状态监测参数。
油液分析包含对油的理化分析，比如对润滑油的粘度、水分、酸度进行光谱分析或铁谱分析，分析油液里面所含有的颗粒或颗粒大小来判断设备磨损和污染情况。
应力波分析对设备材料发生的波动或撕裂非常敏感，可以检测出早期故障，但是它有几个特性，一是小段弹性介质的波动，当材料发生变化时才会发生；另外一个就是随着传播距离的增大而迅速衰减，拾取困难；三是在穿越界面时迅速衰减，很难捕获。
基于振动的振动包络分析和振动测试，振动信号的分析技术经过多年的迭代和大量使用已经发展成熟，国内外使用预测性维护技术的企业里面，采用振动信号进行分析的企业占到70%左右；另外它的监测覆盖范围可以涵盖整个机械设备的传动链，并可以对设备的早期故障进行诊断，提前3-6个月发现故障，是检测旋转机械故障最全面、最有效的方法。
实际上我们已经可以勾勒出包括机械设备、电气设备、压力设备在内的设备自我感知的一些常见手段。
振动：适用于旋转机械、往复机械、轴承、齿轮等。
温度（红外）：适用于工业炉窑、热力机械、电机、电器等。
声发射：适用于压力容器、往复机械、轴承、齿轮等。
油液（铁谱）：适用于齿轮箱、设备润滑系统、电力变压器等。
无损检测：采用物理化学方法，用于关键零部件的故障检测。
压力：适用于液压系统、流体机械、内燃机和液力耦合器等。
强度：适用于工程结构、起重机械、锻压机械等。
表面：适用于设备关键零部件表面检查和管道内孔检查等。
工况参数：适用于流程工业和生产线上的主要设备等。
电气：适用于电机、电器、输变电设备、电工仪表等。
● 预警
对设备异常判断的一个基本原则就是能否准确、及时、有效的发现故障，降低误报漏报和重复报的问题，这里面我们提出了一个智能预警的概念。
在实践过程中我们发现很多时候难以对设备进行有效的预警，往往是因为设备不全，数据提取有误，或者使用方式方法有问题。关于怎么样让设备开口说话和进行自我表达，我们认为需要在设备自我感知的基础上构建一套智能化的运行体系。首先要采集设备的原始数据，接着对它进行特征提取。以振动为例，对振动信号进行特征提取最少能提取数百种特征参量，这些特征参量在设备不同过程的故障或者设备状态不同表征的灵敏度都是有差异的。提取完后要对这些特征进行过滤，数据经过过滤后进入整个模型，之后我们再进行整个报警的整合，按照既定的推送策略推送给用户。用户看到的就是对应0-4级的设备故障等级，最后根据不同的级别应该采取相应行动。
● 诊断
诊断就是对设备故障进行准确的定位，这需要对常规故障、自动化故障、复杂故障进行专业化诊断，因联拥有结合专业分析工具和远程诊断服务的完整智能诊断体系，确保设备故障精准定位。
怎么让设备进行自我判断呢？在这里我们提供了两种通路和手段。一种是机理手段。所谓机理实际上是基于专业工程师/专家经验或自身物理系统的特征进行推理分析的一套系统，可以明确表征出来故障的特征，基于AI的体系把专家的经验固化到我们系统里，让系统代替专家进行工作，得出结论，可以实现80%以上设备故障的有效推理和诊断。
另外一种是随着我们故障案例的积累不断地推演推理，基于大数据的手段实现智能诊断。这个系统是一个活的系统，可以不断深入挖掘设备故障数据，不断完备自己的模型，不断进行自我迭代和进化，这和培养专家的过程类似，前者受制于专家的经验和认知，后者随着样本数据和案例越来越多不断演进自我精确度。随着数据和案例的积累，不断逼近甚至超越人类专家的水平，未来真正实现设备智能化诊断。
● 维护
我们回到现场维护这样一个闭环里，通过PHM系统或对外API接口触发相应的流程、相应的业务系统和相应的工单，对整个故障进行消除。
03 PHM系统的部署
PHM系统的部署分三层。
第一层是物理感知层，我们借助多元化的智能传感器、DCS、SCADA系统，通过边缘智能网关进入到PHM系统里。
第二层是PHM智能云平台。智能云平台上的核心在于PHM的工业算法模型，也就是我们建立起一个设备模型上面附着的算法模型就可以产生实际化的表达。
第三层是应用层。对于企业我们可以提供综合分析决策支撑的大屏，也可以做整个设备智能运维诊断分析的应用。对设备运行维护人员来说，通过PHM系统能更详细了解设备运行情况。与此同时我们还可以建立实时推送告警，24小时全天候不间断的掌握设备运行情况。
整个PHM系统部署完成以后，通过逐级的体系给企业提供完善的设备运行维护系统。
04 设备智能运维带来的实际价值
回归到现实价值，从资产管理的维度讲使用设备预测性维护的手段带来的价值。
◆ 现场人员安全保障
工业现场很多设备处在百米以上的高空，尤其是风电行业管理人员要实现巡检和设备检修实际上会有很大风险。
◆ 备品备件提前准备
对设备状态的准确预知可以体现在备品备件提前准备，也可以优化备品备件的库存，根据大数据对备品备件准备策略进行调整和优化。
◆ 减少单机维护成本
◆ 避免生产线的突然中断
非计划性停机在流程工业里非常典型，尤其是生产线的突然中断造成的整个流程的中止。
◆ 优化人员结构
对于企业来说，使用PHM系统对人员的要求降低，实现用少量的专家管理更多的设备，或让这些专家的经验外延，使得企业培养人员的压力变小，对企业来说适用性人才会越来越多，降低企业人员成本。
◆ 为制造商提供改进建议
过去我们在实践过程中发现有些设备装配采用的零部件有批次性质量问题，这会造成批次性的故障，这些故障信息对于制造商来说可以改进他的生产工艺，改进他对原材料的选择、厂商的选择、型号的选择等。
案例分享
我们通过最简单的方式加外部传感器迅速构建设备智能运维体系，传感器不断采集数据发送到智能网关，向上进入到我们的业务系统里去。下面来看几个实际的案例，对设备智能运维的价值进行直观的感受。
案例1—某饮料工厂部署案例
我们将平台部署在公有云平台上，实现对该客户5家工厂的洗瓶机、灌酒机、贴标机、真空泵等44余台设备的状态监测，对不同工厂工艺流程进行管理、管控和比较，对设备集群进行管理，对设备的实时情况进行预警和诊断分析，另外我们提供了整个设备模型库管理的工具和方法。通过部署远程设备运维系统，大大降低了现场巡检人员的劳动强度，提升了人员工作效率，有效降低设备非计划停机风险，从而保障工厂的生产连续作业，节省备件库存和设备维修保养费用。
案例2—某采油厂注水泵，避免安全事故
假如我们已知设备出问题了，但生产要求下不能停机检修，该怎么办？这时候我们可以在设备状态监测下继续运行，当不得不进行维修的时候再进行维修。我们的一个采油厂客户的注水泵监测到已经发生严重故障，但是由于无备机切换，所以不能停机检修，我们的系统和人员24小时密切监控设备运行状态，实现该注水泵带病安全运行5个月，保证生产正常运行的同时避免了设备突然发生故障。
案例3—某水泥厂辊压机，避免故障停机损失
大家都知道，设备故障发现得越早，企业在允许的情况下越快维修，造成的生产损失就会越少。辊压机是水泥厂一种关键设备，我们通过智能监测系统提前预知性的发现该辊压机齿轮箱的早期故障，提前做好了备件准备，为水泥厂避免了辊压机返厂维修带来的连锁损失761万。