聚焦预测性维护

#2024 Predictivemaintenanceobjectives 聚焦预测性维护 汇报人：侯衍军 时间：2024.3.29 目录 content 维护目的 预测性维护架构预测性维护实施预测性维护案例 1维护的目的 01维护的目标 问题:工厂为什么会存在? 质量? 成本?顾客服务? 赚钱 (现在和将来都能) 净利润大,相对利润高,现金周转率快, 工厂该怎么做? 1,有效产出最大 2,库存最小 3,运行费用最少 4/2/20244 冰山的提示 01 维护的目标 维护的人员和物料 生产损失 由于不好的运输造成的销售损失 在线库存 质量损失多加设备 不好的财务绩效 缩短设备寿命 01 维护的目标 维护的使命是提供运行时间 维护具有的是可靠性功能 提高设备可靠性 提供什么东西在坏了以后修理 维修功能 延长设备技术寿命 提供安全的工作场所控制维护成本 将设备的有效利用率和性能最大化 优化人员利用 Predictivemaintenanceobjectives 03 以可靠性为中心的维护 预测性维护 基于机器运行状况检测维修 周期性停机检修 故障后维护 预测性维护 大数据/互联网为基础 融合设备相关的各类数据，以设备可靠性为工作重心，基于多种分析方法（规则，数据挖掘模型，专家知识库等）对设备整体进行健康状态的定期评估，并充分考虑机器设备故障的关联性，进行系统的、科学的设备检测和维修活动。 高 通过在线式传感器测点采集的设备状态数据，并融合PLC、DCS等系统采集的设备运行数据，利用大数据分析技术，建立故障预警，诊断、生命周期等机器学习模型，发现设备潜在问题，提前介入维护，实时高效。 智慧阶段 按照人力和生产状况进行检测维修，由于不同设备消耗程度和生周命期差异，这种方式通常效率低下，造成资源浪费。 以设备运行环境和状况为基础，使用一定的辅助设备，进行状态检测和针对性维修。 过渡阶段初级阶段 发现故障后，才根据情况进行维修，需要停机，造成经济损失，且效率底下。 低 04 预测性维护的重要性与基本原理 设备故障对生产的影响传统维护方式存在的问题预测性维护的概念和优势 设备维护对生产的影响是不可忽视的，一旦设备发生故障，会导致生产中断、损失产能等问题。 传统维护方式通常是定期检修或修复故障，无法提前预知设备故障，效率低下。 预测性维护通过对设备状态进行实时监测和分析，能够提前预测设备故障，减少生产损失。 基本原理→ 数据采集与监测 数据分析与模型建立 故障预测与预警 维护决策与执行 通过传感器等设备采集设备运行数据，实时监测设备状态。 对采集到的数据进行分析，建立设备故障预测模型。 根据模型预测设备故障，并发出预警信号。 根据预警信号制定维护计划，进行维护决策和执行。 05 预测性维护收益 事后维修成本最昂贵，预防性维护往往过度维护，预测性维护最精准最经济 从定时维保到精准维保 事后维护 预防性维护 预测性维护 故障发生后 遵从操作手册 预测设备状 态按需维护 最昂贵的维护 有计划无目标 最经济的维护 事后维修：事后弥补，亡羊补牢，代价最为高昂； 预防性维护：事先维护，这是目前最为普遍的设备维护方式，主要是基于时间进行的定期维护； 预测性维护：事先维护，实时监控设备运行状态，根据设备的故障模型更准确的判断故障何时发生，发现故障隐患， 触发报警或维修命令。 预测性维护 通过监控设备状态检测和状态预测，可在故障早期发现问题， 提前维护纠正设备隐患。 9 2预测性维护架构 目标、策略、标准 01 智能预警模块 ISO阈值报警 自适应阈值预警 多参量预警 趋势预警 系统架构 PC浏览器 大屏 APP/微信 智能诊断模块 温度 压力压差 电压 电流 湿度 噪音震动 液位 视频 人工分析模块 波形图 对外接口模块 频谱图 按需求定义 瀑布图 趋势图 工业大数据平台 设备参数录入 无线网关 有线数据采集单元 DCS数据 OPC Modbus 监控系统 终端 离线巡检仪 原有监测系统 02 维护的策略 预测性维护 依据状况的监测 仪器设备-校验,震动分析,温度/红外监测,超声波厚度测试，空中超声探测,油样分析（摩擦学）,平衡和调整电机电流监测,高电阻测试 ③ ① 用各种各样的手段,对设备状况进行监测,在确实需要的情况下,采取措施避免故障发生。 ② 维护人员：看、听、闻、触、问 利用物联网网络将所有资产整合到实时化的生态系统 中，才能进行预测性维护。可以获得实时的资产状况信息，而不是以往的数据，这些信息将成为维护方案的基础。预测性维护是实时执行的，时间和位置都需要非常精准。 3预测性维护实施 01 预测性维护实施流程 数据处理 对收集到的数据进行清洗、整理、转换，以便进行后续分析。 预测分析 对设备运行数据进行实时监测，利用专家训练好的模型进行故障预测。 数据收集 收集设备运行数据，包括传感器数据、历史维护记录等。 模型训练 利用机器学习算法训练预测模型，识别设备故障模式。 维护计划制定 根据预测结果制定维护计划，包括维护时间、维护内容等。 02 数据收集与整理 数据来源 包括传感器数据、设备运行日志、历史维护、维护记录等 数据清洗 去除重复、异常、无效数据，确保数据质量，通过对设备历史数据进行分析和处理，消除数据偏差，提高数据准确性和可靠性的过程。 数据整合 将不同来源、格式的数据进行整合，形成统一的数据集 2024-4-215 03 数据采集解决方案 信息系统：APS/MES/QMS… 应用接口：API/MQTT/OPCUA/Webservice RAM 数字化互联平台 （windows/linux多平台部署） PLC类设备 硬件接口-串口/以太网 PC类设备 硬件接口-以太网 硬件接口-以太网 仪器仪表/专用设备 硬件接口-串口/以太网 支持的协议 三菱MC/Ezsocket、西门子S7、罗克韦尔DF1，Ethernet/IP、欧姆龙Fins/hostlink、松下NEWTOCOL、安川OPC 支持的控制器品牌 三菱、西门子、AB、施耐德、 欧姆龙、台达、安川、基恩士、松下、永宏、信捷 支持的协议/接口方式 数据库接口：ODBC、数据库/表； 文件接口：TXT/EXCEL/XML 应用程序接口：OPCDA/UA,API，Webservisce、Socket 支持的设备类型 现场SCADA系统、工控机、检测设备 支持的协议 OPCDA/UA、MTconnect，Eromap63、FanucFocasEthernet、ABBRobotSDK 支持的设备类型 西门子、Fanuc、Mazak、herco、三菱、海天、富强鑫、恩格尔、Fanuc…机械手：ABB 支持的协议 公有协议：Modbus/Modbustcp 定制开发协议：自定义协议、SDK、API、 DLL 支持的设备类型 能源仪表、实验室仪器、工业相机、拧紧工具… 04 设备运行监控（本地） 仪器测试联动设备 公用设备公用设备 OPCRS232RS485 以太网口RJ45 …… 设备矩阵设备生产监控 物流设备能源仪表 设备参数监控 标准化管理 故障统计 设备物联呈现主要侧重于设备状态的管理与实时工况的统计分析，通过EAM与SCADA实现与生产关键设备的互联互通，实现设备生产实绩、检测实绩的在线采集，例如：运行状态、工艺参数、停机时长、能耗监控等，减轻设备人员的工作强度，提高效率；基于数据进行分析，如停机原因分析，并将结果应用于业务管理过程。 05 设备运行监控（远程） APP实时接收 4预测性维护案例 预测性维护的方法 基于经验的分析 凭借工程师、设备使用者、设备厂家的历史经验，对设备运行状态进行判断 基于数据的分析 运用统计分析方法，对大数据进行深入全面的挖掘（历史故障、实时数据）发现潜在规律 基于AI学习的分析 利用AI学习算法，对数据进行训练和学习，实现智能预测 一、经验预测案例（空压机预测维护） 1.充分利用经验：专家拥有丰富的经验化知识，可以通过他们的专业知识和经验来识别和预测可能的设备问题。 2.减少无计划的停机时间：预测性维护能够尽早地发现和修复隐性故障，从而避免设备突然出故障，造成的无计划的设备停机时间。 3.延长设备使用寿命：预测性维护能够在问题变严重之前找到并解决问题，从而延长设备的使用寿命。 经验+数据： •通过轴承温度判断驱动电机轴承劣化趋势。 •通过吸气过滤器压差趋势判断最佳更换周期 •通过空压机转子出口温度趋势，通过经验判定是否存在超温 （清洗冷却器最佳时机） •通过空压机转子出口温度趋势，通过经验判定是否存在超温 （更换高压转子最佳时机） 经验+数据： •基于空压机压力波动范围人为判断压力带是否稳定，是否需要更改压力带设定值（控压稳定性） •结合实时转子温度、压力、振动值和历史数据判断电机、转子轴承完好程度 •基于空压机出口压力认为判断时间段内压力瞬降点，提升压力输送稳定性 二、数据预测案例（发酵罐预测维护） 预测精度降低随机性提升决策质量提高效率避免人为错误实时监控定制化解决方案 历史数据包含设备在过去的表现和失败模式，这有助于精确预测设备的未来性能以及可能出现的问题。 纵深的数据历史和模式识别可以显著降低随机故障和意外，提高了预测的可靠性。 基于数据的预测能提供详实的证据，让决策者能做出更明智的决策，模型可以基于过去的数据找到导致设备故障的关键因素。 基于大数据的预测性维护在许多情况下比基于经验的方法更为精准和有效，解决问题的时间也会缩短，节省资源，提高其效率 即使是最有经验的专家也可能会犯错误。而在设备预测性维护中，有了大数据的引导，就能够避免由于人为误判带来的成本损失。 基于历史大数据的维护可以轻易地结合现代的监控系统进行实时监控和预测，不仅仅局限在过去的经验上。 通过大数据，企业可以根据各类设备的特定模式和需求，为每一种情况找到最适合的维护策略。 发酵罐预测性维护系统，加装震动、温度等传感器，通过历史大数据积累分析搅拌装置运转状态，预测最佳维护时间，避免产中停机 三、AI预测案例（冷水机预测维护） 高效性 预测精度 自动化 持续监测 模型可以快速分析大量的数据，使得预测性维护更加快速有效。 通过识别和学习设备运行模式和趋势，可以更准确地预测设备可能的故障和性能下降。 可以自动进行数据分析和故障预测，而无需人类的干预，这降低了人为错误的风险。可以24/7持续监控设备状态，这保证了可以立即发现设备问题。 能够从过去的数据中学习到很复杂的模式，它们可以用于独立预测未知的设备故障。 深度学习 AI模型随时间推移可以持续学习和改进，提升其预测的精度和性能。 自我优化 可以处理和分析大规模的设备数据，这是人类难以完成的。 大规模分析 更准确地预测设备维护的时间点，避免设备过早维护导致的资源浪费及过晚维护导致的设备故障。 避免过度维护 在故障发生前预先进行修理，避免因设备停机而导致的生产损失，从而节省大量的成本。 节省成本 模型+学习： •通过压缩机热平衡法计算冷却水实时流量，判定是否存在流量衰减 •结合实时COP与历史数据分析，判定流量衰减对COP的影响 •结合冷站群控，判定流量衰减原因（冷凝器结垢、水泵衰减、冷却塔喷头堵塞等） 模型+历史数据）： •基于冷凝器出口过冷度、蒸发器液位及过热度、大阀门结霜情况判断 制冷剂是否泄漏或充注过多 •结合实时COP和历史数据判断制冷剂充注偏离带来的影响 •基于历史数据的学习，确定制冷剂偏离的确定值 安全管理-夹层感温摄像系统改造效果 模拟高温异常-报警测试效果 1、摄像头设定温度：58℃以上报警后弹窗 2、报警测试物：热水瓶