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。

可以通过维护成熟度模型所示的五种不同实践的镜头查看维护系统(图1):

  • 无功维护。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。
  • 预防性的维护。您拥有固定的维护计划,或许根据制造商的建议,说润滑或更换垫圈。这可能意味着你经常关闭,修复了很快就不会破坏了什么。或者,即使您在一个制造商的日程表之后,您也可能忽略需要更频繁地关注的其他东西,而且您面临意外故障。
  • 基于条件的维护。通过利用物联网(物联网)连续监控,您将门打开更高效的维护。IOT连接设备,以便它们可以共享许多不同目的的信息。它可以在复杂的互联系统的生产或分发系统中关闭循环,或为管理人员提供实时数据。物联网在驻留在所有连接设备上的传感器网络上运行。与系统提供功能数据的同时,这些传感器可以在连接设备的操作条件上提供数据。该数据可以通过在实际实时条件下基于基于实际情况来对新级别带来维护。数据可以以不同的方式使用。通过快速识别故障点,可以提高无功维护。或者,它可以为更具动态的预防性维护系统提供数据。
  • 预测维护。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。

用于预测维护的物联网应用

我对副总统,产品管理,物联网和区块链申请,Oracle Corporation讨论了他们的维护产品。“据我们所知,我们谈论的许多公司都在反应阶段。然而,我的团队建立了一个支持基于条件,预测性的IOT应用程序,最终支持,规定的维护系统,“Suri说。

作为服务的软件(SaaS)应用程序使您可以连接到任何类型的物理资产,这可能是电机,泵,空压机,叉车 - 列表继续 - 并收集有关它们中的每一个的详细实时信息。Oracle软件使用此信息来构建“数字双胞胎”,这是物理资产的虚拟表示。例如,如果在HVAC系统中使用该资产,则数据可包括风扇速度,电机温度和振动,以及入口和输出空气的流量,压力和温度。

图2.数字双胞胎提供了物理资产的虚拟表示。(图形由Oracle提供)

可以在任何时刻询问数字双床。它可用于触发数据点的警报。它还可以提供识别趋势和制作预测的数据。(图2)

分析

我要求SURI解释Oracle软件如何使用数据来确定条件何时趋于失败。他详细介绍了一些不同的方法。

图3. Oracle自动异常检测。

首先是他们的呼叫趋势,这是基于统计过程控制算法,该算法由业界多年来开发。例如,算法可以是:如果行中的六个(或更多)点不断增加(或减少),则表示可能存在潜在的故障。Oracle在多年来,八个统计算法的目录包装在一起,以进行失败预测。(图3)

有许多预测算法,Oracle在其IoT应用程序内部使用。其中几个是:

符号聚合近似:操作员可以在用户界面上可视化传感器数据。优点是经验丰富的运营商可以识别模式。在过去的两三年里使用机器的人会知道,如果特定设备的温度和压力同时尖顶,则表示故障即将发生。

“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。

内核密度估计(KDE)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

在识别正常情况和趋势问题之后,挑战是为特定设备和系统做出预测。第一步是构建关键性能指示符(KPI),因为传感器数据本身不提供足够的性能上下文。决定哪些是系统性能最重要的措施非常重要。例如,KPI可能是每小时故障(MTBF),利用率或功耗之间的平均时间。然后,目标是预测现在从现在或一周开始的这位KPI可能是一天。使用历史数据集,您可以为该特定KPI构建机器学习模型,然后找到一种最适合的算法,以使预测 - Oracle有一个算法的目录开始。因此,基于KPI和数据集的计算,Oracle的Automl技术,它是其IoT应用程序的一部分自动运行多个算法以找到一个提供最佳精度的算法。Automl技术的一个组件是自动恢复机器学习模型,以便找到更好的算法,因为数据演变,通常在一周的过程中。

行动

然后由规则引擎评估所有这些结果。这是手动输入进入的另一个点。操作员决定:“如果发生这种异常,我需要采取哪些行动?”操作可以是发送通知,创建维护工作订单,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。

利用边缘分析,许多这些算法可以向下推到传感器本身,使其不会使圆形跳转到云。评估机器上的算法可以实现低延迟响应。许多规则也可以向设备自身推出。让我们说温度上升了:你不想等到云中评估规则,然后回来了,你想要在几秒钟或更短的时间内采取动作。只有在评估规则之后,云会通知云发生操作。

建议书

如何为维护经理进行可操作的所有信息?一种方法是优化预防性维护计划。其中一个关键输入维护管理器提供给系统是为构建维护程序。这些基于预防性维护计划,遵循制造商输入或自己的经验。

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。

和沟通成本下降。3G / 4G Cellular,每月5美元或10美元的费用为每一个资产。如果您有10,000或100,000个资产,这是很多资产。然而,随着LORA,5G和NB-IOT等新技术,每年的费用约为2美元至5美元。此外,协议变得更加标准化。您曾经必须在您自己的企业中投资大量软件以在您的企业中运行这种数据流水线。现在,您可以购买订阅并在云中运行所有内容。

预测性维护有望变得更广泛采用,这将有助于在我们真正需要它时提高生产力。

本文是由Ed Brown编写的传感器技术编辑。有关更多信息,请访问这里


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这里

阅读档案中的更多文章这里