DMS设备故障预测与健康管理解决方案

发布于：2023-01-04 来源：大禹汇智

1.实现PHM的必要性与意义

随着中国经济的飞速发展，中国的现代化工业正在经历跨越式大发展的阶段，同时，过去数十年间，我国在航空航天、电力、石化、交通运输等行业形成大量设备需要维护和管理，大量复杂系统的复杂性、综合化、智能化程度不断提高。伴随着复杂系统的发展,其研制、生产尤其是维护和保障的成本越来越高。同时,由于组成环节和影响因素的增加,发生故障和功能失效的几率逐渐加大，装备交付后需要经常性维护检修，保障稳定性，一旦装备出现异常，损失巨大，而传统维护检修更依赖人的经验和能力，在设备发生故障后，会进行故障机理分析，但不具备对故障的预测、预警能力。即便建设了一定的系统，由于系统模型积累有限，导致设备工况精准报警、故障智能诊断能力不足。目前，大多数信息化项目的商业模式仍然是系统本地化授权为主，数据不出厂，系统开发商很难取得设备运行数据，并将故障的历史数据特征进行挖掘和模型训练，这导致了目前大部分系统仍然是简单的模型和人为规定的上下阈值报警。而这类系统在实际运行环境中，往往在变化工况、设备启停等常规操作下就会产生误报，不能有效检测出设备真正因长时间运转产生的微小破损或劣化，从而失去了报警的意义。同时，数据和模型的缺失也导致备受关注的设备预测性维护，落地效果不及预期。

2.DMS设备故障预测与健康管理解决方案

北京大禹汇智科技有限公司经过多年的探索和研究，研发了设备故障预测与健康管理平台（DMS-PHM），基于该平台实现对重大装备生产、试验等过程设备信息的实时动态感知监测，对企业级数据进行数据挖掘及设备预警。与传统的设备在线监测技术不同，DMS-PHM通过数据采集和数据仓库、数据融合技术将大量数据进行预处理和存储，结合边缘计算对设备实时状态的监测数据及时进行处理，初步进行故障检测，保证故障发现预警的时效性；建立设备故障诊断知识图谱，发挥图数据库在确定性推理上的优势，提高了故障隔离的精准性；构建机器学习算法模型库，支持可视化拖拽、多算法融合的设备故障预测优化。平台支持基于实时数据的设备在线运维，基于实时数据和历史数据的设备离线运维，基于实时数据、历史数据和经验数据的远程运维等多种方式的设备健康管理模式。

2.1体系结构

故障监测、诊断及预警等之间是一脉相承的演化和依存关系，平台以高故障诊断能力确定设备运行的状态，依据故障特征和失效机理建模实现故障早期预警与寿命预测，根据监测、诊断、预测的信息，对设备及部件的健康状态、维修和保障工作进行决策分析。DMS-PHM的技术体系结构可分为数据采集与传输、数据处理、状态监测、故障诊断、故障预测、维修管理和接口。平台利用各类传感器及检测手段采集设备复杂系统的监测数据，对采集的数据进行预处理和特征提取，利用监测模型进行状态监测和故障诊断，利用预测模型进行故障预测，为设备的运行维护决策提供支持。

2.2整体框架

边缘层(现场层)依托传感器、工业控制、物联网技术进行工厂内外数据的打通聚合，对设备、系统、环境等要素信息进行实时采集和处理。一方面即可借助智能控制器、智能模块、嵌入式软件等传统的工业控制和连接设备，实现平台对底层数据的直接集成；另一方面可利用以智能网关为代表的新型边缘计算设备，实现智能传感器和设备数据的汇聚处理以及边缘分析结果向远端平台间接集成，此外，可通过API接口对接TDM、MES、PDM等业务系统，丰富了设备健康管理平台可采集与分析的数据来源和数据支撑。

平台层的数据存储与管理服务主要提供基本的计算、存储、网络等物理资源，提供基础资源服务能力，为工业互联网平台中的服务和应用提供虚拟化的计算、存储和网络等各类资源以及相应的管理能力，包括基础框架、存储框架、计算框架、消息系统等运行支撑能力，以及资源监控、负载管理、存储管理、资源部署等调度管理功能。

平台层的工业应用开发和工业数据分析服务提供支撑设备健康管理平台自身所需的数据处理、挖掘分析能力，包括关系型数据库、知识图谱图数据库、中间件、容器和微服务等基础组件和服务，以及开发测试、自动运维、服务治理、平台管理等管理服务、流程与工具链支持，集成提供各种机器学习算法，支持进行数据建模、模型验证等，解决设备故障诊断、预测、健康管理等业务需要，以统一的API形式对外提供服务。

平台的服务主要聚焦于工业设备的故障诊断预测和健康管理，为设备的故障监控、故障诊断、故障分析、故障预测、健康管理等提供数据服务和计算服务的支持，并通过数据可视化、图表化等手段，进行设备健康监测，辅助决策。

2.3基于边缘计算的故障检测

对于高端设备健康数据的高效处理，DMS-PHM通过边缘计算实现故障检测的高效性和实时性，在设备的边缘计算节点运行故障检测程序，并将结果传输至系统后端。当有边缘计算节点检测到一定的故障征兆时，进行故障初步预判，将结果上传到系统远端后台，系统远端开始进行设备故障的进一步分析和研判，进行报警提醒。

2.4基于知识图谱的故障隔离

平台根据知识库中相关专家知识、设备手册等内容，对经验资料数据进行自动或半自动化整理，实现相关设备领域知识的结构化表达与存储，通过对诊断知识相关信息的研究和梳理，确定诊断知识图谱中表达知识的范畴和功能需求，对诊断知识中的重要概念进行归纳整理，剔除与故障诊断相关性差异、重复的知识，归纳出故障诊断相关知识类。

2.5基于机器学习的故障诊断预测

平台主要基于机器学习进行设备的故障诊断和预测，对采集到的数据进行预处理后，进行数据特征的提取与选择，根据数据的有效特征，利用机器学习算法进行模型训练，通过对模型算法的进行参数调优，进行准确性和衰退性评估，以达到预期的效果。

2.6多模式的设备运维健康管理

通过DMS-PHM的可视化功能，集团高层、工厂车间中层、工程师等不同角色所关心的核心信息、待办任务、重要提醒等，将实现差异化的展示和监控。设备管理的各类关键绩效指标，比如设备综合效能、平均无故障运行时间、平均维修时间、预防性维护工作完成率、设备维保成本、设备维保工时、故障原因等在平台的可视化功能中也可按时间、组织、设备、人员等多维度实现综合比对和分析。对于重要的设备机组，DMS-PHM的可视化功能模块也支持实现组态概貌图的实时监控。

3.DMS-PHM的应用与效益

DMS-PHM利用大禹科技在高端制造业、国防工业长期的业务、数据积累和发展，通过其生态体系为客户提供解决设备监测预警、故障诊断和健康管理的整体化解决方案。可广泛应用于航空航天、军工、交通运输、电力等行业设备的在线监测、故障早期预判和预警以及健康运维管理，特别是在航空航天、军工等国防工业领域，复杂系统中的各个部件、部件组合和子系统之间相互依赖的关系大，例如在飞行器中，电源、对接机构、测控通信、热控、推进等子系统必须无缝衔接、协同，地面维修保障、通信和任务控制元件都必须准确无误地相互作用以实现整个系统的可靠性。

通过对数据的深层挖掘及分析实现设备的健康状态的监测管理，预测设备性能变化趋势，预测部件使用寿命与故障发生时机，充分发挥数据的价值，为高端装备的健康管理保驾护航。实现对海量综合数据的高效检索及应用，解决在数据采集时出现的读取缓慢、分析智能化低等问题，把各个设备、系统平台的数据整合到同一个平台中，借助专业的数据分析模块、模型以及知识图谱的分析，进行深层的数据对比分析、关联、挖掘、诊断和预测，提升数据分析、故障诊断及分析的效率。实现知识管理，通过对所有数据进行标准化数字定义、理清各类数据关系、建立数据传递框架等方法实现数据标准的建立和统一，结合高端装备运维数据、故障知识的积累和经验，针对高端装备的研发、试验的关键流程建立典型案例库与数据分析模型，向智能化研发逐步迈进。