高效有效的维护是各类企业成功的关键。在制造业、采掘业、公用事业和物流业,任何不必要的停机时间都直接影响利润。建筑系统的故障,无论是商业还是住宅,都会导致额外的费用和住户的不满。

可以通过维护成熟度模型所示的五种不同实践的镜头查看维护系统(图1):

  • 无功维护。这根本不是一个系统,它基本上运行到失败:当某些事情破坏时,请修复它。任何时候都会发生一个惊喜的细分。它可以是加工厂中的一个关键机器 - 最有可能在最大使用时间发生,这正是最糟糕的时间。由于极热或冷 - 再次,它可能是最大压力的最大压力时的HVAC系统,究竟是最需要的时间。你最好希望你想到手头有备件。
  • 预防性的维护。你有一个固定的维护计划,也许是基于制造商的建议,比如润滑或更换垫圈。这可能意味着你太过频繁地关闭自己,去修复那些短期内不会出现问题的东西。或者,即使你在遵循一个制造商的时间表,你可能会忽略其他需要频繁关注的东西,然后你就会面临意想不到的故障。
  • 基于条件的维护。通过利用物联网(物联网)连续监控,您将门打开更高效的维护。IOT连接设备,以便它们可以共享许多不同目的的信息。它可以在复杂的互联系统的生产或分发系统中关闭循环,或为管理人员提供实时数据。物联网在驻留在所有连接设备上的传感器网络上运行。与系统提供功能数据的同时,这些传感器可以在连接设备的操作条件上提供数据。该数据可以通过在实际实时条件下基于基于实际情况来对新级别带来维护。数据可以以不同的方式使用。通过快速识别故障点,可以提高无功维护。或者,它可以为更具动态的预防性维护系统提供数据。
  • 预测维护。您可以将实时传感器数据和历史背景(如过去的维护记录)输入到基于机器学习的分析软件中,该软件可以预测可能发生故障的时间。这种类型的维护系统的许多优点包括能够安排维护以避免计划外的停机,并将其安排在方便的时间,如晚上或周末。
  • 规范维护。根据预测性维护数据,您大致知道什么时候会发生某事,以及如何修复它。您的软件可以采取步骤来确保手头有正确的部件,维护技术人员可以获得正确的信息。这样,当您达到维护关机的最佳时间时,您就可以毫不拖延地准备好了。

用于预测维护的物联网应用

我对副总统,产品管理,物联网和区块链申请,Oracle Corporation讨论了他们的维护产品。“据我们所知,我们谈论的许多公司都在反应阶段。然而,我的团队建立了一个支持基于条件,预测性的IOT应用程序,最终支持,规定的维护系统,“Suri说。

他们的软件即服务(SaaS)应用程序可以让你连接到任何类型的实体资产,可以是电机、泵、空气压缩机、叉车等等,并收集每一种产品的详细实时信息。甲骨文软件利用这些信息建立一个“数字孪生”,即实体资产的虚拟表示。例如,如果资产用于HVAC系统,则数据可能包括风扇转速、电机温度和振动,以及进、出风的流量、压力和温度。

图2。数字双胞胎提供实体资产的虚拟表示。(图片由Oracle提供)

可以在任何时刻询问数字双床。它可用于触发数据点的警报。它还可以提供识别趋势和制作预测的数据。(图2)

分析

我请Suri解释Oracle软件是如何使用这些数据来确定情况何时趋向于失败的。他详细介绍了几种不同的方法。

图3。Oracle自动异常检测。

第一个是他们所称的趋势,这是基于统计过程控制算法,这是业界多年来开发的。例如,一个算法可以是:如果连续6个(或更多)点不断增加(或减少),这表明可能存在潜在的失败。Oracle将八种统计算法打包在一起,这些算法是多年来开发出来用于预测故障的。(图3)

Oracle内部在其物联网应用中使用了许多预测算法。其中几个是:

符号聚合近似:操作员可以在用户界面上可视化传感器数据。优点是经验丰富的运营商可以识别模式。在过去的两三年里使用机器的人会知道,如果特定设备的温度和压力同时尖顶,则表示故障即将发生。

“我们想要将组织内的模拟知识数字化。有些人的头脑中拥有的知识是无法通过数学模型轻易复制的。”其理念是将技术熟练的操作人员在现场会做的事情整合到软件中:查看数据并识别出特定的波形意味着某些地方出了问题。甲骨文的软件利用这种模式构建了一个机器学习模型,然后可以持续地实时应用于流数据。“这是一个挑战,需要大量的时间序列分析研究,”苏瑞说。他补充说:“尽管对静止数据的模式检测已经得到了很好的理解,但对流式时间序列数据的模式检测仍然是一项非常发展的技术。”这些模式并不总是与模型匹配,因为机器的行为并不总是相同的。然而,从好的方面来看,操作员寻找的峰值确实遵循某种行为。苏瑞说:“所以,机器学习模型并不是在寻找精确的匹配,而是在传感器数据中寻找特定类型的行为,以便识别异常。”

内核密度估计(KDE)预测性维护算法:使用该算法,您可以输入历史数据,这些数据通常在一两周内收集。在此基础上,该算法对机器的行为进行建模,甚至考虑了季节性因素,如一天中的时间或一周中的一天。任何偏离可以被视为“黄金”数据集的情况,都可以被近乎实时地检测到,比如每五分钟检测一次,并将被视为该时期的异常行为。

kpi和预测

在确定正常情况和趋势问题之后,挑战是对特定的设备和系统进行预测。第一步是构建关键性能指标(KPI),因为传感器数据本身并不能提供足够的性能上下文。决定哪些是系统性能最重要的度量标准是很重要的。例如,KPI可以是平均故障间隔时间(MTBF)、利用率或每小时的功耗。然后,目标是预测从现在起一天或一周后的KPI可能是什么。使用历史数据集,您可以为特定的KPI构建一个机器学习模型,然后找到最适合进行预测的算法——Oracle有一个算法目录。因此,基于KPI和数据集的计算,作为物联网应用的一部分,Oracle的AutoML技术会自动运行多种算法,以找到提供最佳精度的算法。AutoML技术的一个组成部分是定期对机器学习模型进行自动再训练,以便在数据发展的过程中找到更适合的算法,通常在一周内完成。

行动

然后由规则引擎评估所有这些结果。这是另一个需要手动输入的地方。作业者决定:“如果发生了这种异常,我需要采取什么措施?”操作可以是发送通知、创建维护工作单或发送电子邮件。

其中一个动作,特别是基于状态的维护,可能是向机器发送一个命令来进行更改,比如“降低速度”或“关闭自己”。数据不仅可以被消费,还可以通过物联网将命令发送回机器。

图4。Oracle物联网中的机器学习和基于人工智能的预测性维护。

利用边缘分析,许多这些算法可以向下推到传感器本身,使其不会使圆形跳转到云。评估机器上的算法可以实现低延迟响应。许多规则也可以向设备自身推出。让我们说温度上升了:你不想等到云中评估规则,然后回来了,你想要在几秒钟或更短的时间内采取动作。只有在评估规则之后,云会通知云发生操作。

建议

如何为维护经理进行可操作的所有信息?一种方法是优化预防性维护计划。其中一个关键输入维护管理器提供给系统是为构建维护程序。这些基于预防性维护计划,遵循制造商输入或自己的经验。

在有关异常和预测的信息中,系统可以为维护的最佳时间窗口提出建议。您不想过早地执行维护或太晚。预防性维护计划仅仅是指导指南。理想情况下,它应该基于您使用的资产,如何使用它,使用它,依此变化,且依此类推。建议可能会在UI中显示:“HVAC1的当前维护窗口是三个月。我们建议您将其增加到四个月,因为您的失败时间是五个月。“维护管理人员可以决定是否使用这些建议。这样,预防性维护时间表不会保持静态 - 它们可以随着时间的推移和实际机器数据而发展。

展望未来

目前,硬件和软件的成本正在显著降低,而它们的复杂性正在显著增加——你可以用毫不夸张的美元在你的机器上获得一个真正高性能的计算系统。

和沟通成本下降。3G / 4G Cellular,每月5美元或10美元的费用为每一个资产。如果您有10,000或100,000个资产,这是很多资产。然而,随着LORA,5G和NB-IOT等新技术,每年的费用约为2美元至5美元。此外,协议变得更加标准化。您曾经必须在您自己的企业中投资大量软件以在您的企业中运行这种数据流水线。现在,您可以购买订阅并在云中运行所有内容。

预测性维护有望变得更广泛采用,这将有助于在我们真正需要它时提高生产力。

本文是由Ed Brown编写的传感器技术编辑。有关更多信息,请访问这里


传感器技术杂志

本文首次发表于2020年9月号传感器技术杂志。

请阅读本期更多文章这里

阅读档案中的更多文章这里