电机预测性维护系统应用研究

0引言

在工业制造行业，电机被大量使用。65%的工业能耗由电机消耗，20%的维护费用消耗在电机上。为此,电机的维护在工业制造行业占据着重要的地位。当前,电机的维护主要是人工巡检,加上故障之后的维修,这对工业制造的正常生产活动开展带来了不利影响^[1]。

物联网技术的发展以及国内三大电信运营商的深度参与,使得大规模设备接入与联机、协议解析、边缘数据采集与处理成为可能^[2—3]。通过工业IOT平台,连接各类物联网传感器和智能网关,全面收集生产、检测等各类型设备和机台数据^[4];同时通过融合时序数据库、大数据存储等不同技术组件构建存储平台^[5],对设备运行实时产生的时序型数据与设备故障诊断应用中的高频振动信号等各类型数据进行统一的存储与管理,可以为后续的实时状态监控、可视化、异常告警、故障诊断与预测、分析优化等数字化 应用提供数据支撑^[6]。

利用大数据、人工智能等技术手段实现关键设备的故障预警预测是设备管理中智能化、创新性的价值体现,也是提高设备可靠性、提高生产效率与品质的重要技术手段^[7]。

通过机器学习、多因子分析等数据智能手段,可对设备关键运行参数进行相关分析,建立故障诊断、预测及运行优化等各类模型,有效减少设备故障次数,提高设备运维效率,改善设备状态,实现生产设备全生命周期健康管理,同时也能极大地降低企业的设备运维成本^[8]。

另外,丰富的建模经验,也为后续定制型的预测模型构建提供了必要的技术基础^[9]。

1 电机预测性维护系统设计

1.1 整体设计架构

预测性维护系统 (Predictive Maintenance,PdM) 是层次化的综合解决方案,针对特定系统、单套设备、多套设备分别提供振动监测与诊断、实时状态监测与维护、预测性维护的解决方案,合理应对从部件到设备再到产线、车间、企业等不同层面设备管理的差异化需求。

电机预测性维护系统架构如图1所示。

结合物联网平台的数采能力和大数据建模分析平台的数据分析、建模、预测能力最终形成电机预测性维护系统,该系统的功能简述如下:

1)高频实时的采集能力:基于振动传感器的高频实时采集,全面支持智能分析。

2)多维度的振动分析:支持时域分析、频谱分析、包络分析、趋势分析等实时振动分析。

3)强大的特征库支持:基于FMEA故障库实现统一管理以及持续优化。

4)智能预测与诊断:基于人工智能,对故障样本进行训练分析,实现自动诊断,并支持对故障库进行持续优化。

5)可视化展示:提供丰富的仪表盘、组态、表单、图表文件、数据分析结果等集中展示,支持大屏、web页面、移动端等。

1.2 物联网平台

物联网平台提供了可配置、所见即所得的开发方式,能够帮助IT人员以及业务人员方便快速地开发设备管理、在线监测、告警管理、设备效率分析等各类图形化和数据分析类的工业智能应用。

物联网平台提供泛在的连接能力,通过工业网关连接生产现场多种多样的自动化设备及传感器,同时连接物联网相关的异构的业务系统(例如ERP、 MES等)。平台提供物模型管理能力,基于连接的数据为设备和流程构建物实例。同时提供数据分析能力,包括便捷的公式编辑能力,方便地创建各种类型的KPI指标(例如OEE、JPH等),以及提供规则引擎,实现基于规则的分析。告警是物联网场景最常见的功能,平台提供告警管理,实现告警的定义、分析以及告警消息的灵活订阅。工业应用是物联网平台价值落地的重要一环。平台提供丰富的显示组件,通过拖拉拽组件的方式搭建应用,绑定物联网数据到显示组件,快速实现物联网应用的开发。

1.2.1物联网平台架构

如图2所示,该架构由边缘设备、工业采集网关、边缘智能一体机以及物联网平台组成。边缘设备指工业现场用于生产制作的设备,时刻在产生海量数据,也是工业企业的数字资产。工业采集网关主要用于连接边缘设备,支持数据采集、边缘计算、设备管理、数据上传等,支持多品牌多协议多控制器类型,支持第三方采集网关,具备高可用、横向扩展、断电续传等特点。边缘智能一体机是软硬一体的物联网边缘平台,适用于中小规模物联网应用场景。

1.2.2 物联网平台功能

1.2.2.1 连接异构数据源

1)采集物联网时序数据:通过MQTT、Kafka等协议连接工业网关以及边缘计算设备采集的物联网时序数据。

2)采集业务系统数据:通过数据库对接的方式连接异构的业务系统,可以连接MySQL、PostgreSQL、Oracle、IoTDB等SQL数据库。

1.2.2.2 管理物模型

基于业务需求为设备、流程和关系快速构建各种层次化和拓扑化的物模板,实例化物模型构建物实例。物模板的属性类型包括静态属性、流数据动态属性、批数据动态属性、公式指标、算法模型指标、子模型以及引用模型。

1.2.2.3 物联网数据存储

支持海量物联网数据的高性能、分布式存储、查询和计算;集群支持千万点每秒级别数据写入,数据存储自动无损压缩比率达90%。

1.2.2.4 数据实时计算和分析

1)公式指标计算:提供计算引擎,轻松实现跨系统的数据查询、指标计算和分析。公式指标计算提供了工业常用的算子,通过拖拉拽属性和算子的方式快速构建公式指标,例如OEE、JPH等指标。

2)规则引擎:物联网平台提供规则引擎,能够基于CRON表达式灵活地定义触发器,提供多样的执行条件设置,包括条件的与、或、次数、持续时间等,提供多种执行动作,包括告警触发、规则触发等。利用规则引擎,便捷地定义告警、定时维保等应用。

3)告警分析:规则的一个执行动作就是告警,通过告警管理,可以定义告警详情,实现告警的确认和挂起,以及基于告警的统计分析。另外,可以定义告警的消息模板,通过邮件、短信、API等方式推送告警相关信息。

1.2.2.5 可视化开发

1)可视化开发:提供丰富的仪表盘、组态、表单、图表文件,包括仪表盘、温度计、折线图、雷达图、柱状图、饼图、地图等常用的可视化组件,同时支持第三方的可视化组件。拖拉拽组件快速搭建可视化页面,并绑定组件到已创建的物实例属性,实现所见即所得的无代码的应用开发。

2)自定义表单:平台支持自定义表单,包括表单的管理,表格数据的修改、存储和查询,利用表格组件实现表单填报等功能。

1.2.2.6 高效边缘协同

无缝对接系统工业网关和边缘智能一体机,实现设备数据同步、模型共享,同时兼容第三方工业采集网关;可以在线部署基于机器学习和AI在云端训练好的复杂分析模型,实现高级数据分析;提供基于 REST API的数据服务。

1.2.2.7 安全与管理

1)权限管理:平台提供用户、用户组、角色管理,实现基于组织和角色的数据权限和菜单权限管理。另外,平台提供网关认证、设备认证等功能。

2)系统管理:平台提供日志管理,支持日志的分类、查询以及导出。平台提供系统监控功能,实现平台资源的统计分析、核心组件的健康度监控以及异常监控,并支持监控项的告警管理。

1.3 大数据建模分析平台简介

大数据建模与分析平台能够快速对接各类实时、结构化和非结构化的异构数据源,自定义跨系统的数据集,通过自带分析组件来快速定义可视化的分析工作流,利用数据集实现分析模型的训练、验证和应用,支持自定义算法组件以及组件共享,提供 SPC、RCA等分析模型模板,支持多种模式的分析任务和跨系统的分析模型在线部署,提供分析结果的图表展示。

大数据建模与分析平台架构如图3所示。

大数据平台的功能如下:

1)快速对接数据源:快速对接各类实时、结构化和非结构化的异构数据源,支持自定义跨系统的统一数据集,利用数据来训练和验证模型,并实现数据的高级分析。

2)丰富的分析组件:提供两百多种数据分析组件,并且持续更新迭代,组件包括工业数据预处理、统计、机器学习算法、深度学习、NLP、模型评估器、建模(训练、验证、应用)。

3)可视化的分析工作流:通过拖放式对选择的组件进行连接以构建可视化的分析工作流,分步骤运行,每一步都能及时地查看执行结果,从而方便地尝试不同算法组合,快速实现流程化、定制化的数据分析。

4)自定义算法组件:支持上传算法代码生成自定义的算法组件,组件发布后支持跨团队的订阅和共享。另外,平台提供常用的分析模型模板助力企业快速地模型开发,包括统计过程控制(SPC)、自动根因分析(RCA)、多元异常检测、虚拟量测(VM)等等。

5)多种任务部署:平台支持模型实例发布为API任务、定时任务、实时任务、交互式任务等模式。分析模型支持发布到数据管理系统、边缘系统以及云端,实现基于模型的实时计算、边缘计算和云端计算。

6)数据可视化:支持组件执行结果实时展示及绘图,包括柱状图、折线图、雷达图等图形,同时提供钻取、联动、缩放、筛选、链接等交互操作。另外,可视化场景可直接生成链接,提供给其他应用系统使用。

1.4 手机APP

提供齐套Android和iOS操作系统的手机App。

1.5 数据库

1.5.1 时序数据库

时序数据库包含时序数据库和展现平台两部分。通过Kafka数据采集调度模块,对外部历史文件数据进行批量采集调度,对传感器实时产生的数据进行实时采集调度,采集调度后数据经过数据交换、数据处理、数据存储,然后在展现平台进行时序数据指标的动态监控,完成数据分析仪表盘等功能,或数据导出进行高级的数据挖掘服务。

时序数据库系统支持批量和实时的数据加载,加载速度高达每秒千万级别测点,支持4~10倍的无损数据压缩,支持小时粒度可变时间片设置,支持类 SQL查询、秒级查询响应以及上千的并发查询,数据图表实现可视化查询和分析,支持副本存储保证数据安全,支持高可用和横向扩展。

1.5.2 MPP数据库

MPP数据库是一款高性能、高兼容、高可用、低成本的PB级企业海量数据库,是简单实用的下一代 PB级实时分析型数据仓库,也是节点数量可以伸缩的数据库集群,能够高效处理I/O数据吞吐和并发计算,在工业生产、数据中心等商业智能应用领域,对海量数据处理的性能极其优异,承载着将工业企业的数据价值实时化分析的重任。

1.6 网络安全

1.6.1 应用技术

在基于国产密码算法的PKI中,所有的密码算法均使用国产密码算法,主要包括对称算法SM4、非对称算法SM2和Hash算法SM3。

在系统中采用基于国产密码算法的PKI技术来实现数据的签名和验签,由于算法的安全性是得到国家认可的,因此能够保证签名和验签的结果是安全可信的。

1.6.2 密码应用架构

针对本项 目中平台侧、边缘侧密码应用安全的设计包括以下部分:

1)平台侧存储了核心、重要的业务数据,平台侧应用数据的安全性需要采用合规的密码产品与平台侧应用结合,实现平台侧核心、重要业务数据的加密保护。

2)平台侧通过网络通信方式,将平台侧数据和程序下发给边缘侧,在网络传输过程中,需要采用合规的密码产品,实现平台侧与边缘侧通信过程中数 据的机密性、完整性。

1.6.3 平台侧数据加密存储

平台侧存储了核心、重要的业务数据,平台侧部署数据加解密系统,并为其提供数据加密、解密服务接口,实现平台侧核心、重要业务数据的加密保护。

1.6.3.1 数据加解密服务系统

数据加解密服务系统为商用密码检测中心合规性密码产品。平台侧应用可直接调用数据加解密服务系统提供的数据加解密服务,实现平台侧核心、重要业务和用户数据的加密存储,防止数据泄露风险。

1.6.3.2 服务器密码机

服务器密码机也是敏感数据安全保护的一种有 效物理工具,能可靠、安全地保护网络中的数据,包括对数据的加/解密、签名验证;消息来源正确性验证(MAC)的产生,能有效地防止对数据进行篡改、伪造和窃取等行为。海泰方圆服务器密码机还有完善的密钥管理体系,能提供由全硬件噪声源产生的随机密钥以及密钥的人工输入接口,能有效防止通信信道上的主动攻击行为。

2 应用案例

本系统在中石油宝石机械石油钻机上进行了应用,通过数字化的手段有效实现了设备软性价值的增长点,满足石油连续性生产要求。通过各种实时监控、定期的计划性维修和不定期的视情维修,能对设备进行有效的维护,避免设备的无计划停机造成巨大的损失。

架构如图4所示。

应用图如图5所示。

实现价值:帮助钻机用户构建基于设备实时数据实现预测性维修的完整方案,提供故障知识库帮助客户提高故障诊断效率,实现运维经验的沉淀,通过移动端帮助运营人员随时随地了解设备的健康状态,并通过远程专家指导,对异常做出及时处理。另外,该系统的应用,有效减少了人员出差90人次,增加了备件销售3 000万元,帮助了企业向服务型制造转型。

3 结束语

电机属于旋转动力机械,广泛运用于工业领域的各行各业。电机是否连续转动,对企业生产至关重要。在不可预测的情况下,这种损耗常常引起设备停机,影响作业效率。更有甚者,它会导致严重故障,给工业生产带来极大的损失。本文设计的基于物联网和大数据的电机预测性维护系统能实时评估电机健康状态,提前预测电机故障,从而降低企业设备运维成本,具有极大的经济价值和可推广性。

[参考文献]

[1]李洋.基于设备建模的设备预测性维护方法[J].中国设备工程,2022(12):86—88.

[2] 陈冬梅,赵思恒,魏承印,等.船舶柴油机状态监测及预测性维护研究及应用 [J].中国机械工程,2022,33 (10):1162—1168.

[3]胡宏明,张波.设备预防预测性维护应用[J].设备管理与维修,2022(22):58—60.

[4]朱廷,贲道伟.集装箱岸桥预测性维护的研究[J].智能制造,2023(1):106—108.

[5]姜姗.电机智能轴承在线监测系统及故障预警技术研究[D].哈尔滨:哈尔滨理工大学,2019.

[6]金晓航,孙毅,单继宏,等.风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报,2017,38(5):1041—1053.

[7]黄猛.基于大数据和机器学习模型的风力发电机组健康管理研究[J].机械制造,2017,55(8):37—39.

[8]傅建中.智能制造装备的发展现状与趋势[J].机电工程,2014,31(8):959—962.

[9]李垚,朱才朝,陶友传,等.风电机组可靠性研究现状与发展趋势[J].中国机械工程,2017,28(9):1125—1133.

2024年第14期第5篇