高效有效的维护对于所有类型的企业的成功至关重要。在制造,采掘,公用事业和物流行业,任何不必要的停机时间,直接影响底线。商业和住宅的建筑系统故障导致额外费用和不快乐的占用者。

维护系统可以通过维护成熟度模型(图1)中所示的五种不同的实践来观察:

  • 反应性维护。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(IoT)的持续监控,您为更高效的维护打开了大门。物联网将设备连接起来,这样它们就可以共享多种用途的信息。它可以是复杂的相互关联的生产或分销系统的闭环,也可以是为管理人员提供实时数据。物联网在所有连接设备上的传感器网络上运行。在为系统提供功能数据的同时,这些传感器也可以提供有关连接设备运行状态的数据。这些数据可以根据实际的实时情况将维护提升到一个新的水平。这些数据可以以不同的方式使用。它可以通过快速识别故障点来改善反应性维护。或者,它可以为一个更动态的预防性维护系统提供数据。
  • 预测性维护。您将实时传感器数据以及历史上下文(如过去的维护记录)输入基于机器学习的分析软件,可以使预测有可能对失败的可能性。这种维护系统的许多优点包括能够安排维护,以避免无计划的停机,并为方便时间安排,例如过夜或周末。
  • 规范的维护。基于预测性维护数据,您已经了解了一些事情发生,以及如何修复它。您的软件可以采取措施确保正确的部件在手头上,并且可以为维护技术人员提供正确的信息。那样,当你达到维护关闭的最佳时间时,您就可以毫不拖延就可以了。

预测性维护的物联网应用

我与Oracle公司产品管理、物联网和区块链应用副总裁Jai Suri谈了他们提供的维护服务。“据我们所知,与我们谈过的许多公司都处于反应阶段。然而,我的团队已经构建了一个物联网应用程序,支持基于条件的、预测性的,并最终将支持规范性维护系统,”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)

数字孪生可以在任何时刻对这些数据进行询问。它可以用来触发数据点的警报。它还可以为确定趋势和做出预测提供数据。(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:

象征性的总近似:操作员可以在用户界面上可视化传感器数据。优点是有经验的操作人员可以识别模式。过去两三年一直在使用一台机器的人会知道,如果某个特定设备的温度和压力同时上升,那就意味着即将发生故障。

“我们希望将组织内存中存在的模拟知识进行数字化。SURI解释说,还有人们在无法轻易复制的剪切体验中有知识。“这个想法是在该软件中纳入技术中,熟练的操作员将在该领域做些什么:查看数据并识别出特定的波形意味着错误。Oracle的软件使用该模式构造机器学习模型,然后可以实时地连续地应用于流数据。“这是一个需要公平的时间序列分析研究的挑战,”苏里说。“虽然对数据静默的模式检测很好地理解,但是对流时间序列数据的模式检测仍然是一个非常不断发展的技术,”他补充说。模式并不总是匹配模型,因为机器行为并不总是相同的。然而,在加方面,运营商正在寻找的尖峰遵循某种行为。因此,机器学习模型不寻找精确匹配,它正在寻找传感器数据中的某种类型的行为,允许它识别异常,“SURI说。

核密度估计预测维护算法:使用此算法,您输入历史数据,通常在一周内收集。基于此,算法模拟了机器的行为,甚至考虑到季节性,例如一天或一周中的一天。然后,可以被视为“金色”数据集的任何偏差,然后可以在近实时检测,每五分钟定述一次,并且在此期间将被视为异常行为。

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。

一种动作,特别是在基于条件的维护,可以是将命令发送回机器以进行更改,例如“降低速度”或“转动自己”。数据不仅可以消耗,而且可以通过物联网将命令发送回机器。

图4. Oracle IoT中的机器学习和AI的预测维护。

有了边缘分析,许多算法可以被下放到传感器本身,这样它就不会来回到云上了。在机器上评估算法可以实现低延迟响应。许多规则也可以下推到设备本身。让我们假设温度上升了:您不想等到规则在云中计算后才返回,您希望在几秒或更短的时间内执行操作。只有在对规则进行评估并发生操作后,云才能得到通知。

建议

如何使所有的信息对维护经理是可行的?一种方法是优化预防性维护计划。维护经理提供给系统的关键输入之一是构建维护程序。这些是基于预防性维护计划,根据制造商的输入,或他们自己的经验。

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

此时,硬件和软件的成本显着降低,而他们的复杂程度显着增加 - 您可以在您的机器上为您的机器提供一个真正的高功率计算系统。

通讯成本也下降了。如果使用3G/4G蜂窝网络,每个设备的连接费用大约为每月5美元或10美元。如果你有1万到10万的资产,那就很多了。然而,使用劳拉、5G和窄带物联网等新技术,每个资产每年的成本约为2 - 5美元。此外,协议也变得更加标准化。您过去不得不投资大量的软件来在您自己的企业中运行这类数据管道。现在,您只需购买订阅并在您的云中运行所有内容。

预测性维护将得到更广泛的采用,这将有助于在我们真正需要它的时候提高生产力。

本文由《传感器技术》编辑Ed Brown撰写。欲了解更多信息,请访问在这里


传感器技术杂志

本文首先出现在9月,2020年问题传感器技术杂志。

阅读此问题的更多文章在这里

阅读更多来自档案馆的文章在这里