6-1 工业设备预测性维护及时序数据库选型

PdM价值及发展历程

• 案例价值：

  • 卡特彼勒：在线监测设备，故障预警率提升至58%。
  • GE：被动维护减少10-40%，设备可利用率提升2-6%，减少事故和故障停机。
  • 徐工：故障率降低一半，维护成本减少。

• 商业模式转变：

  • GE：从卖发动机转向卖里程，从卖风机转向卖发电量。

PdM的常见技术路线

• 信号处理：适用于设备运行状态的实时监控，准确度高但成本较高。
• 机理+大数据：结合设备机理模型和大数据分析，准确度高但建模挑战大。
• 数字孪生：基于虚拟空间构建的数字孪生模型，可节省50%以上时间。
• AI/Machine Learning (AIML)：基于图像的分析，易于理解但存在过学习风险。

PdM常见技术路线

• 信号处理：

  • X轴：0.658
  • Y轴：16.05
  • 时间/频率图

• 机理+大数据：

  • 基于油泵特性理论值对比判断油泵效率。
  • 通过高低压模式差异反映液压系统内泄程度。

• 数字孪生：

  • 基于历史数据预测设备状态。
  • 根据异常指标组合判定异常根因。

PdM时序数据库选型

• 需求：

  • Kafka消费1.5万条/秒，100GB/天。
  • 20000台设备，5类20+模型，Python脚本每台每天500+指标。

• 窄表 vs 宽表：

  • 窄表：时间、指标名、指标值、设备编号、城市。
  • 宽表：设备ID、时间、温度、湿度。

• 选择：

  • Mars：压缩比高，分析查询友好，向量化友好，行列混合有序存储。

PdM案例与价值故事

• 堵管问题分析：

  • 背景：客户情绪化抱怨，服务难以解决。
  • 解决方案：通过平台查看数据，减少因抱怨出差，降低故障发生率40%。

• 油泵电流和换向次数：

  • 通过线性拟合定位液压系统问题，提高故障预测准确性。

一点思考

• 人才转型：企业数字化转型人才多来自互联网，带来Hadoop + Spark + HIVE等生态。
• 初期阶段：解决业务数据打通、KPI计算等问题。
• 深入阶段：需适应工业机理的分析需求，现有技术可能不足。
• 解决方案：尝试引入适应需求的技术，如MatrixDB等。