設備健康管理與智能運維.pdf

《設備健康管理與智能運維.pdf》由會員分享，可在線閱讀，更多相關《設備健康管理與智能運維.pdf（20頁珍藏版）》請在三個皮匠報告上搜索。

1、設備健康管理與智能運維某石化設備一體化應用2024年5月需求分析建設目標總體方案應用成效需求分析需求分析-行業及技術發展以云技術、以云技術、5G5G為基礎，推動設備域運維管控，為制造業轉型升級服務為基礎，推動設備域運維管控，為制造業轉型升級服務石化智云石化智云智能智能制造、協同制造、綠色制造、云制造齊頭并進，推動企業轉型升級制造、協同制造、綠色制造、云制造齊頭并進，推動企業轉型升級軟件軟件系統架構從單系統、屬地部署向系統架構從單系統、屬地部署向集團化、云平臺集團化、云平臺的發展需求的發展需求工業云平臺是工業全要素鏈接的樞紐和工業資源配置的核心工業云平臺是工業全要素鏈接的樞紐和工業資源配置的核心

2、國外：起步較早，國外：起步較早，GEGE：PredixPredix，SIEMENSSIEMENS：MindSphereMindSphere，引領工業制造的管理運營方向，引領工業制造的管理運營方向國內：石化智云、航天云網、卡奧斯、三一根云等，從企業級應用向產業、行業級延伸，形成一定的基礎和規模國內：石化智云、航天云網、卡奧斯、三一根云等，從企業級應用向產業、行業級延伸，形成一定的基礎和規模設備管理設備管理從狀態監控向從狀態監控向在線預測、智能運維、無人值守在線預測、智能運維、無人值守方向的發展需求方向的發展需求在電力、石化等流程行業，設備管理已基本具備了設備聯網、狀態監控和運維管理，在電力、石化

3、等流程行業，設備管理已基本具備了設備聯網、狀態監控和運維管理，但對人的依賴依然較多。但對人的依賴依然較多?；诨谌斯ぶ悄?、大數據人工智能、大數據的設備在線監測、故障預測以及智能運維、無人值守是設備域健康管理的發展的設備在線監測、故障預測以及智能運維、無人值守是設備域健康管理的發展趨勢。趨勢。需求分析-信息化系統系統多、接口不規范，多、接口不規范，存在信息存在信息孤島。孤島。設備信息化設備信息化感知程度低感知程度低，以石化行業為例，對于以石化行業為例，對于非非DCSDCS控制系統的機組，無法采集工藝數據，控制系統的機組，無法采集工藝數據，如：如：cscs(煉油煉油)、dehdeh(熱電發電機組

4、熱電發電機組)、PLC(PLC(化工擠壓機化工擠壓機)，大機組的運行機械和工藝數據數字化采集率不大機組的運行機械和工藝數據數字化采集率不到到60%60%，且更新慢，大多缺少轉速數據，無法感知動設備的“動”或“?！?，且更新慢，大多缺少轉速數據，無法感知動設備的“動”或“?！?。建設較早的部分信息建設較早的部分信息化系統缺乏運維支持化系統缺乏運維支持，目前目前已基本達使用年限，采集器、服務器軟件故障率高。已基本達使用年限，采集器、服務器軟件故障率高。云、無人化、人工智能云、無人化、人工智能等新技術在設備域管理方面等新技術在設備域管理方面應用不足應用不足，缺少基于相關技術的設備故障診斷、，缺少基于相關

5、技術的設備故障診斷、智能運維等系統和手段。智能運維等系統和手段。需求分析-設備運行狀態設備設備運行情況（運行情況（以擠壓機為例以擠壓機為例）：）：故障率高故障率高非計劃停車現象頻發非計劃停車現象頻發產品質量產品質量不穩定不穩定故障率故障率高高：集中在集中在齒輪箱、螺桿、軸承等關鍵部件齒輪箱、螺桿、軸承等關鍵部件齒輪箱齒輪箱結構復雜結構復雜（如高密度（如高密度X6401X6401擠壓機，內部共有擠壓機，內部共有1717根軸根軸4848個軸承和個軸承和2020個齒輪）：個齒輪）：斷齒、斷齒、齒圈損傷、崩齒齒圈損傷、崩齒,滾動軸承和螺桿容易滾動軸承和螺桿容易磨損、彎曲，甚至斷裂。磨損、彎曲，甚至斷裂

6、。對機器內部零部件的對機器內部零部件的劣化趨勢劣化趨勢無法有效監控無法有效監控故障故障缺乏缺乏有效預警，非計劃停車現象頻發：有效預警，非計劃停車現象頻發：20202020年年1 1-1010月份，非計劃停車月份，非計劃停車800800小時小時,20192019年到年到20202020年年,由于系統由于系統原因停車原因停車108108次。次。設備設備/工藝原因：工藝原因：7676次次電氣原因：電氣原因：2121次次儀表原因：儀表原因：1111次次質量質量不穩定，不穩定，具有拖尾、長短不均等現象：具有拖尾、長短不均等現象：切切粒原因導致擠壓機停機占設備粒原因導致擠壓機停機占設備/工藝原因導致擠壓機

7、停車工藝原因導致擠壓機停車的的30%30%，需求分析-設備管控及工藝優化設備管理需求設備管理需求：運行運行故障故障預測預測/診斷：降低故障率，減少非計劃停車診斷：降低故障率，減少非計劃停車智能化智能化運維手段：提高運維水平運維手段：提高運維水平某擠壓設備工藝某擠壓設備工藝優化需求：優化需求：擠壓機切粒工藝擠壓機切粒工藝/質量優化：提高切粒質量，減少切粒拖尾、長短不均現象的發生質量優化：提高切粒質量，減少切粒拖尾、長短不均現象的發生系統應用需求：系統應用需求：故障故障預警：實時監測、提前預警預警：實時監測、提前預警故障診斷：在線監測、故障診斷故障診斷：在線監測、故障診斷智能運維：系統手段、運維策

8、略智能運維：系統手段、運維策略智能潤滑：潤滑策略智能潤滑：潤滑策略巡檢管理：系統手段巡檢管理：系統手段報修管理：系統手段報修管理：系統手段備件管理：與采購的聯動備件管理：與采購的聯動推動設備管控向無人化、智能化進一步提升推動設備管控向無人化、智能化進一步提升建設目標目 標管理目標：管理目標：減少減少非計劃停車，確保設備的長周期穩定運行非計劃停車，確保設備的長周期穩定運行提升提升設備運維水平，像少人化、無人化值守運維設備運維水平，像少人化、無人化值守運維邁進邁進技術目標：技術目標：智智云平臺（云平臺（SICIISICII）部署，應用）部署，應用5G5G網絡，結合人工智能技術網絡，結合人工智能技術

9、系統目標：系統目標：健康管理：狀態監控、故障預測、智能運維、工藝優化健康管理：狀態監控、故障預測、智能運維、工藝優化功能范圍：數據采集、模型訓練、應用功能范圍：數據采集、模型訓練、應用/組件開發組件開發應用推廣目標：應用推廣目標：基于形成基于形成可復用組件及應用可復用組件及應用探索探索形成可復用推廣的技術方案，未來在形成可復用推廣的技術方案，未來在石化行業推廣石化行業推廣總體方案管 理 模 型管理模型管理模型：包括數據采集及分析處理模型，故障診斷模型，故障預測模型，壽命預測模型包括數據采集及分析處理模型，故障診斷模型，故障預測模型，壽命預測模型，故障綜合分析，故障綜合分析模型，模型，產品質量分

10、析模型。產品質量分析模型。故 障 診 斷 模 型故障診斷模型：故障診斷模型：針對關鍵部件，將不同故障狀態下的數據進行特征提取，挑選出對故障具有高度敏感針對關鍵部件，將不同故障狀態下的數據進行特征提取，挑選出對故障具有高度敏感性的特征值，剔除冗余及干擾特征值，特征值性的特征值，剔除冗余及干擾特征值，特征值輸入輸入XXXXXX網絡網絡進行學習，進而對故障進行診斷。進行學習，進而對故障進行診斷。故故障障診診斷斷模模型型故障故障故障原因故障原因應對措施應對措施軸損壞1.所用聯軸器類型聯軸器是否可提供一定撓性及允許橫向位移2.聯軸器對中必要時重新對中3.剩余不平衡量是否太大減少軸系的剩余不平衡量，在現場

11、更換聯軸器后應重新做動平衡4.齒輪箱是否過載降低負荷或換新齒輪箱齒輪磨損1.齒輪磨損以至失效通知制造廠商2.側隙不合適通知制造廠商3.齒面接觸檢查齒面接觸，應大致在中部（有齒向修形時偏向嚙入端），并檢查軸承的情況（1 1）故障特征與特征參數模塊：表征設）故障特征與特征參數模塊：表征設備故障的一些參數和特征，主要指振動、備故障的一些參數和特征，主要指振動、溫度、壓力、潤滑油液。溫度、壓力、潤滑油液。（2 2）多維信息智能監測診斷模塊：采用）多維信息智能監測診斷模塊：采用多時刻多時刻/工況下多測點傳感器信號集成分工況下多測點傳感器信號集成分析及信息融合技術，設計關聯規則，實析及信息融合技術，設計關

12、聯規則，實現同質及異質傳感器信息源在時空上的現同質及異質傳感器信息源在時空上的互補和冗余信息組合?；パa和冗余信息組合。（3 3）齒輪故障診斷模塊：海量數據存取、）齒輪故障診斷模塊：海量數據存取、信號分項處理綜合處理與遠程處理、自信號分項處理綜合處理與遠程處理、自適應濾波、故障特征提取、監測診斷結適應濾波、故障特征提取、監測診斷結果遠程發布、大數據處理分析、故障信果遠程發布、大數據處理分析、故障信號處理。號處理。故障診斷報告故障診斷報告典型故障分析典型故障分析故障診斷模型故障診斷模型故 障 預 測 模 型故障預測模型：故障預測模型：針對部件，將采集到的振動、溫度、電流、電壓等多源數據推送到各機理

13、模型算法單元，與具體故障分析模型針對部件，將采集到的振動、溫度、電流、電壓等多源數據推送到各機理模型算法單元，與具體故障分析模型中的工藝參數特征值的狀態或趨勢或進行數據擬合或匹配，通過數據推理和深度學習算法，結合典型故障發生時的特征參數變中的工藝參數特征值的狀態或趨勢或進行數據擬合或匹配，通過數據推理和深度學習算法，結合典型故障發生時的特征參數變化趨勢及規律，分析故障特征值，進行故障預測模型訓練，同時與專家判定結果進行校驗，逐步提高大數據故障預測的精準度?；厔菁耙幝?，分析故障特征值，進行故障預測模型訓練，同時與專家判定結果進行校驗，逐步提高大數據故障預測的精準度。從而實現故障預警、故障預測。

14、從而實現故障預警、故障預測。振動信號經變分模態分解后獲得各振動信號經變分模態分解后獲得各模態分量對比圖模態分量對比圖運行趨勢對比分析圖運行趨勢對比分析圖故障特征值分析系統故障特征值分析系統故障預測模型故障預測模型（1 1）故障預警模塊。）故障預警模塊。（2 2）機理模型算法模塊。）機理模型算法模塊。（3 3）故障預測模塊。）故障預測模塊。（4 4）故障預測模型訓練模塊。）故障預測模型訓練模塊。壽 命 預 測 模 型壽命預測曲線壽命預測曲線疲勞損傷累積壽命預測疲勞損傷累積壽命預測疲勞壽命系數曲線疲勞壽命系數曲線壽命預測模型壽命預測模型（1 1）齒輪性能退化模塊：利用精度退）齒輪性能退化模塊：利用

15、精度退化規律，通過實時監測數據分析和?；幝?，通過實時監測數據分析和模型建立，量化監測設備的使用壽命。型建立，量化監測設備的使用壽命。（2 2）齒輪疲勞損傷模塊：通過對歷史）齒輪疲勞損傷模塊：通過對歷史數據的抽樣分析，利用正態分布的方數據的抽樣分析，利用正態分布的方法，對監測設備歷史數據進行還原，法，對監測設備歷史數據進行還原，利用疲勞損失累計算法對設備的壽命利用疲勞損失累計算法對設備的壽命進行計算和評估。進行計算和評估。（3 3）齒輪箱使用壽命預測模塊：通過）齒輪箱使用壽命預測模塊：通過接觸疲勞和彎曲疲勞測試積累數據構接觸疲勞和彎曲疲勞測試積累數據構建模型進行預測和驗證。建模型進行預測和驗證

16、。設備性能退化趨勢預測模型：設備性能退化趨勢預測模型：利用位移等特征退化規律，通過實時監測數據分析和模型建立，量化監測設備的使用壽命；利用位移等特征退化規律，通過實時監測數據分析和模型建立，量化監測設備的使用壽命；利用疲勞損傷累積規律，通過對歷史數據的抽樣分析，利用正態分布的方法，對監測設備歷史數據進行還原，利用疲勞損失利用疲勞損傷累積規律，通過對歷史數據的抽樣分析，利用正態分布的方法，對監測設備歷史數據進行還原，利用疲勞損失累計算法對設備的壽命進行計算和評估；累計算法對設備的壽命進行計算和評估；通過對某一材料的齒輪進行模擬計算強度，與測試結果進行對比修正理論計算的參數，可以為設備壽命預測提供

17、基礎數據支通過對某一材料的齒輪進行模擬計算強度，與測試結果進行對比修正理論計算的參數，可以為設備壽命預測提供基礎數據支撐。撐。故 障 綜 合 分 析 模 型可靠性綜合可靠性綜合評價評價系統系統故障定位故障定位故障綜合分析故障綜合分析（1 1）模型融合模塊。）模型融合模塊。（2 2）模型數據分析）模型數據分析及訓練模塊。及訓練模塊。（3 3）迭代優化模塊。）迭代優化模塊。針對不同的分析對象，導入機理模型，建立基于人工智能的分析算法，進一步建立特征診斷模型實現大數據分析及自我訓針對不同的分析對象，導入機理模型，建立基于人工智能的分析算法，進一步建立特征診斷模型實現大數據分析及自我訓練，不斷優化改進

18、設備的輸入和輸出量的邏輯關系，對設備診斷及優化提供數據支撐，提高故障預測準確率。練，不斷優化改進設備的輸入和輸出量的邏輯關系，對設備診斷及優化提供數據支撐，提高故障預測準確率。產 品 質 量 分 析 模 型產品質量分析模型流程圖產品質量分析模型流程圖產品質量分析模型產品質量分析模型序號序號模塊模塊1 1擠壓機切粒拖尾設備分析擠壓機切粒拖尾設備分析模塊模塊2 2擠壓機切粒拖尾工藝分析擠壓機切粒拖尾工藝分析模塊模塊3 3擠壓機切粒拖尾物性分析擠壓機切粒拖尾物性分析模塊模塊4 4擠壓機切粒拖尾質量綜合分析擠壓機切粒拖尾質量綜合分析模塊模塊5 5擠壓機切粒長短不均設備分析擠壓機切粒長短不均設備分析模塊

19、模塊6 6擠壓機切粒長短不均工藝分析擠壓機切粒長短不均工藝分析模塊模塊7 7擠壓機切粒長短不均物性分析擠壓機切粒長短不均物性分析模塊模塊8 8擠壓機切粒長短不均質量綜合分析擠壓機切粒長短不均質量綜合分析模塊模塊9 9優化策略優化策略模塊模塊通過查找設備運行狀態、生產工藝通過查找設備運行狀態、生產工藝參數、參數、平穩供電、物料物性與產品質量的相關性關系，建立人工智能分析模型，找到關鍵平穩供電、物料物性與產品質量的相關性關系，建立人工智能分析模型，找到關鍵因素的影響因子，提出改良建議，因素的影響因子，提出改良建議，降低產品降低產品質量問題的概率。質量問題的概率?；谌斯ぶ悄芊治黾毣Ｐ突谌斯ぶ悄?/p>

20、分析細化模型，以以某擠壓機為例：某擠壓機為例：1 1）切粒拖尾設備模型、切粒拖尾工藝模型、切粒拖尾物性模型、切粒拖尾質量綜合分析模型）切粒拖尾設備模型、切粒拖尾工藝模型、切粒拖尾物性模型、切粒拖尾質量綜合分析模型；2 2）切粒長短不均設備模型、切粒長短不均工藝模型、切粒長短不均物性模型、切粒長短不均質量綜合分析模型。）切粒長短不均設備模型、切粒長短不均工藝模型、切粒長短不均物性模型、切粒長短不均質量綜合分析模型。系 統 架 構系 統 數 據 架 構應用成效應 用 成 效設備實時狀態總覽設備實時狀態總覽智能診斷智能診斷專業分析工具專業分析工具綜合維修決策綜合維修決策故障案例庫故障案例庫異常預警通知（常規異常預警通知（常規+智能）智能）實現設備健康狀態管理，為設備維修維護從計劃修過渡到實現設備健康狀態管理，為設備維修維護從計劃修過渡到狀態修奠定管理和技術基礎；狀態修奠定管理和技術基礎；避免避免“過剩維修”，“過剩維修”，防止防止因不必要的因不必要的拆卸降低設備精度，拆卸降低設備精度，延長延長設備設備壽命壽命；故障和原因定位精準，故障和原因定位精準，減少減少維修時間；維修時間；非非計劃停機或停工事件大幅計劃停機或停工事件大幅下降，下降，提高提高設備完好率和設備使用率設備完好率和設備使用率。