近日，工控網(wǎng)有幸邀請到MathWorks預測性維護技術(shù)領(lǐng)域的技術(shù)大咖陳建平加盟工控網(wǎng)智能制造專家?guī)臁?/p>

維護，在很多設(shè)備運行過程中必不可少。任何設(shè)備都可能在生命周期中，因為設(shè)備疲勞衰退，或者外界干擾，經(jīng)歷可能的故障，無論大小，無論類型。尤其在生產(chǎn)環(huán)節(jié)中，保證設(shè)備的可持續(xù)性運行，是設(shè)備維護的目的所在。我們先看一段真實風機設(shè)備故障的視頻，了解一下故障可能帶來的風險。

很多人以為只會出現(xiàn)在大型機械設(shè)備上，比如發(fā)動機。其實，汽車的日常保養(yǎng)就是一個典型的例子。大家有一個基本的認知，每過固定的里程數(shù)或者超過固定的時效，比如 5,000 公里或者半年，我們都會被要求把汽車開到 4S 店更換機油機濾，做一次保養(yǎng)。很多人對這種汽車保養(yǎng)的方式深惡痛絕。一是麻煩，二是成本。大型設(shè)備的維護也面臨著同樣的問題。

這種固定運行時間間隔或者固定運行距離的保養(yǎng)叫做例行維護，就像每年例行體檢一樣，目前是設(shè)備維護的主流方法。在真實場景中，不同的車子，甚至在不同的時間段，每個車子可能經(jīng)歷不同的路況和行駛習慣。這種針對不同的運行條件，卻給出相同的維護方法，要想在精度和成本上達到最優(yōu)幾乎是不可能的。

簡單易行是例行維護的最大優(yōu)點。例行維護在現(xiàn)實中即不夠經(jīng)濟，也不夠智能，但是它有一個最大的有點，那就是簡單。使用者不需要時刻監(jiān)控設(shè)備的運行狀況，只要按照手冊按部就班執(zhí)行維護即可。

簡單易行是以更高的維護成本，較低的正確率為代價的。成本和精度是一對互斥的對象。要想提高維護精度，降低設(shè)備故障的概率，往往依靠提高例行維護的密度來實現(xiàn)的；同樣，要降低維護成本，也要以更高的設(shè)備故障為代價。例行維護往往根據(jù)設(shè)備故障潛在的嚴重后果來增加維護頻率來降低故障概率，往往同時也增加了運行成本。

隨著人工智能在工業(yè)應用的興起，越來越多的公司開始采用，一些基于人工智能的方法，希望同時降低故障概率和降低運行成本。這種方法被稱為預測性維護。我們先看一下著名的石油勘探和鉆井服務公司貝克休斯是在提高精度的同時降低運行成本的？

在需求高峰期，貝克休斯工作人員需要全天候工作，開采石油和天然氣儲層。在單個井場，多達20輛卡車可同時運行，高壓泵將高壓水和沙子的混合物注入鉆井深處。這些泵及其內(nèi)部零件，約 10 萬美金。如果活動現(xiàn)場的卡車發(fā)生泵故障，貝克休斯必須立即更換卡車以確保連續(xù)運行。而向每個站點發(fā)送備用卡車會使公司總體損失數(shù)千萬美元。過于頻繁的維護會造成很大的浪費，導致零件在仍可使用時被更換和額外的停機操作。無法準確預測閥門和泵何時需要維護是構(gòu)成這些成本的基礎(chǔ)。

貝克休斯的工程師創(chuàng)造性地引入了一個預測方法。他們將現(xiàn)場收集的數(shù)據(jù)從溫度，壓力，振動和其他傳感器導入 MATLAB，分析并確定數(shù)據(jù)中哪些信號對設(shè)備磨損影響最大。分析過程包括了常見的傅里葉變換和頻譜分析，過濾卡車、泵和流體的大幅度運動導致的干擾，以更好地檢測閥門和閥座的較小振動。該小組創(chuàng)建并訓練了一個神經(jīng)網(wǎng)絡，以使用傳感器數(shù)據(jù)來預測泵故障。并在現(xiàn)場測試中證實了泵健康監(jiān)測系統(tǒng)預測泵故障的能力。

這個典型的預測性維護算法采用了 MATLAB 作為算法開發(fā)平臺，算法開發(fā)成本節(jié)約了 30%~40%，相比較傳統(tǒng)的通用語言（比如 C/C++），MATLAB 自帶的算法庫讓整個開發(fā)時間較少了一個數(shù)量級。這個項目最終預計節(jié)省超過了 1000 萬美元。

貝克休斯的案例就是典型的預測性維護的例子。工程師利用傳感器搜集的數(shù)據(jù)，提取傳感器數(shù)據(jù)的有效成分，基于這些數(shù)據(jù)特征進行故障模型建模，可以預測設(shè)備的剩余使用壽命（RUL) 或者診斷故障類型，并在生產(chǎn)環(huán)境中進一步搜集不斷優(yōu)化預測模型。

一個合理的預測性維護模型可以在提高預測故障精度的同時，降低設(shè)備維護成本，增加設(shè)備運行壽命。維護的本質(zhì)是按需提供必要的設(shè)備維護，盡可能減少甚至避免傳統(tǒng)兩次例行維護之間潛在的故障發(fā)生概率，最終實現(xiàn)設(shè)備的不停機運行和降低成本。

除了大型設(shè)備的維護，當前智能建筑方興未艾，通過在建筑物中添加傳感器的方式，提供智能化樓宇控制，降低維護成本和提高客戶體驗，增加客戶對產(chǎn)品的粘度。我國在十年前就已經(jīng)有文獻提出了針對廣州塔小蠻腰提供智能化監(jiān)控的研究性方法。早在幾年前，日本政府考慮維護年久失修的橋梁；因為預算有限，無法對所有的橋梁展開全面的修復工作。一種有效的解決方式是，在橋梁上架設(shè) IoT 設(shè)備，通過低功耗無線設(shè)備發(fā)回實時的傳感器數(shù)據(jù)，包括震動、濕度、溫度等傳感數(shù)據(jù)到數(shù)據(jù)中心。數(shù)據(jù)中心根據(jù)模型找出最容易近期出故障的橋梁，立即展開橋梁維護工作，好鋼用在刀刃上。

我們用一個針對風機的承軸開發(fā)預測維護模型的例子，讓大家了解一下如何開發(fā)流程和潛在的挑戰(zhàn)。風機數(shù)據(jù)搜集自一個 2兆瓦的風力發(fā)電機的高速轉(zhuǎn)軸，該轉(zhuǎn)軸由一個20齒小齒輪驅(qū)動[1]，每天搜集6s 的震動信號，連續(xù)采集 50 天。

直接觀測原始震動信號很難分辨出信號的變化過程。在稍微復雜一點的設(shè)備中，多個維度的傳感器的數(shù)據(jù)常常是高度耦合在一起的，我們無法通過傳統(tǒng)的基于閾值的方法來設(shè)置警報曲線。

在從耦合在一起的數(shù)據(jù)中提取出設(shè)備相關(guān)信息，需要相關(guān)領(lǐng)域的技術(shù)專家，即了解設(shè)備的運行原理，又了解信號分析，能夠根據(jù)數(shù)據(jù)的特征，反推出設(shè)備故障類型，這就是進入更加高級的故障領(lǐng)域——故障診斷。

通過自動化建模，我們很快就可以把人工智能的技術(shù)加載到模型之中，并且通過生產(chǎn)過程搜集的數(shù)據(jù)，進一步從新的數(shù)據(jù)中學習，即半增強學習。

如果缺乏模型的條件下，我們可以通過物理建模的方式，構(gòu)建復雜系統(tǒng)的物理模型，注入錯誤觸發(fā)條件，通過模擬的方式搜集足夠的數(shù)據(jù)以支持模型的建立。

經(jīng)過模型確認，我們可以把模型轉(zhuǎn)化為能夠下載到嵌入式處理器中的代碼，最終部署到生產(chǎn)系統(tǒng)之中。

開發(fā)整個預測性維護系統(tǒng)的完整流程如下所示：

在整個開發(fā)流程中，除了有效的工具輔助之外，我們還會面臨一些技術(shù)挑戰(zhàn)，：

1. 傳感器數(shù)據(jù)的提取，干擾消除和可視化處理

2. 針對具體的領(lǐng)域知識，提取設(shè)備運行信息

3. 基于機器學習和深度學習，建立智能預測（RUL）和診斷模型

4. 構(gòu)建設(shè)備的物理模型，缺乏前期數(shù)據(jù)時，模擬出足夠的數(shù)據(jù)

5. 把模型轉(zhuǎn)化為嵌入式算法，開發(fā)并部署到生產(chǎn)環(huán)境之中

6. 大數(shù)據(jù)場景下的預測性模型分析和構(gòu)建

通過傳感器搜集設(shè)備運行數(shù)據(jù)，從數(shù)據(jù)中看出設(shè)備的健康狀態(tài)，從而預測設(shè)備的工作壽命和潛在故障類型，讓設(shè)備故障“未有形而除之”，這就是預測性維護存在的最大價值；提供一個長期無故障運行的長壽設(shè)備，也是智能制造的競爭力所在。