供需大厅
Access
登录/注册
供应商登录
荣格工业资源APP
了解工业圈，从荣格工业资源APP开始。
在常规的工厂中，状态监测和预防性维护通常只用于最关键的旋转设备。由于成本原因，不是那么重要的设备一般只会尽量进行分析。
为了研究如何监测、诊断和预测非关键但用途广泛的旋转设备（如电机或泵）的故障，ABB进行了一项为期30个月的研究，包括在客户现场安装配有经济高效的传感器技术、机器学习和由关键状态指标（KCI）驱动的软件解决方案。
每天从30台泵采集多次振动数据并由物联网的联网设备收集相关数据，分析得出准确的观点。
将对旋转设备的状态监测和预防性维护能力以经济有效的方式扩展到非关键的设备，使客户能够更有效地运行其工厂。
背景与动机
对工业资产（如电机或泵）进行状态监控，可以确保及早发现关键问题，从而避免意外停机或损坏。与其让设备一直运行至发生故障，早期干预减少了修护必要，具有更高的成本效益。但状态监测系统所隐含的高昂成本，意味着其部署目前还仅限于关键资产。
流程工业的工厂，如化工厂或制药厂，通常运行着大量驱动泵用的非关键电机。虽然这些设备的故障成本大幅低于关键设备，却可受益于成本效益高的早期故障检测系统。
早期的故障检测不仅有助于避免设备进一步损坏，而且对问题的预先诊断也可以缩短设备修复所需的时间。
注意：不同工厂的这一架构在某些方面会有差异，如，不是所有工厂都会使用无线HART或蓝牙连接。
整体解决方案架构
初步研究中非关键旋转设备的状态监测体系结构可分为三个层次：
•现场级：设备带有传感器，用于收集数据；
•工厂级：覆盖整个工厂的传感器数据采集和预处理；
•数据集成平台级（如云或其它平台），用于机群数据分析，如作为基准、预防性维护和报告。
架构层级1：现场
现场级别的应用规定了传感器的数据采集至传送的过程。所考虑的资产是量产化工厂的标准旋转设备，如低压电机和泵。
本研究所涵盖的每一台设备都配有商用无线状态监测系统ABB-WiMon100，用于采集振动数据。WiMon系统由一只振动传感器（加速度计）和一只温度传感器组成，前者捕捉振动，后者捕捉旋转设备的表面温度。
该系统采用网状网络技术，简化了工厂的数据传输。此外，低压电机配备的ABB Ability™智能传感器，可将传统电机转换为智能无线连接设备。
WiMon系统数据采集方案可以根据用户需求进行配置。通常，每小时会将速度均方根（mm/s）和实际表面温度（°C）的数据集按照时间序列进行存储。
为了进行详细的振动分析，每6小时会从加速度计采集原始信号，采样时间为700毫秒。随后计算所采集原始信号的FFT（快速傅立叶变换）。由此产生的频谱有助于提取并进一步分析选定频率下振动信号所代表的含义。
架构层级2：工厂
由WiMon系统构建的网状网络连接到无线HART网关。通过网关，传感器数据集连接到工厂网络，以便在整个工厂层面进行不同的分析。
在已经实现的架构中，收集到的资产信号数据被存储在工厂历史数据库中，并由安装于工厂的ABB边缘服务器进行处理。
架构层级3：数据集成平台
ABB远程访问平台有助于将资产信号数据传输至数据集成平台。除了其卓越的计算能力外，该平台的主要优势之一是能够从许多工厂收集数据。
由于连接了多个工厂，可以在平台上进行机群数据分析，以便对不同地方和区域的数据进行比较、建立基准。通过采用状态监测算法，对所有采集到的数据进行处理，不同地方可以远程访问分析结果。
诊断：关键状态指标背后的分析
状态监测系统的效用在于它是否能向用户提供简明、有意义和可操作的信息。
振动数据可用于计算一系列度量，以帮助维护经理识别那些能够避免资产进一步恶化的行为。如，旋转设备如果失衡，就会表现出在既定旋转频率下振动加大。
本文中，先将频谱数据输入ABB开发的专有算法中，以计算旋转设备可能会遭遇的故障模式（如轴承故障或气蚀）的KCI。
正常运行的泵和发生故障的泵的频谱比较
KCI是一个数值，表明所观察到的设备相应故障模式的严重程度。以下示例为用振动数据可以探测到的KCI监测问题
•叶片问题：当监测泵时，频谱中出现的某些峰值指向泵的叶片出现了损坏。叶片问题的KCI反映了这些关键峰值的严重程度。
•流体湍流：该KCI表明了通过泵中的流体流动的异常。湍流本身既可能是问题，也可能意味着存在问题。
•松动：旋转设备的中心轴往往受到轴承的限定，以确保旋转轴不会波动。间隙过大，往往因轴承磨损而起，意味着轴会在纵向和横向移动，导致进一步损坏。松动KCI表明设备是否以及在何种程度上会受到这一问题的影响。•错位：旋转设备的所有部件必须对齐。但运输过程中受损或操作过程中出现异常，会导致偏离理想的对中心位置。与松动一样，错位可能会对设备造成进一步损害，并降低其性能。
•失衡：理想情况下，设备的旋转部件应处于平衡状态。这意味着质量在所有方向上均匀分布。造成失衡的原因可能是粘在泵的叶片上的一块杂物，它会对轴承施加额外的力。
•气蚀：汽蚀是众所周知的与泵相关的问题。当力作用在流体上，使压力迅速变化时，会产生小的低压气泡。由于气泡周围的压力较高，气泡会内爆，造成泵的损坏。汽蚀KCI可以检测到与气蚀相关的内爆的发生。
预防性维护：用机器学习预测资产健康状况
一个基于神经网络的机器学习模型经过训练，可以用来预测资产的未来健康状态。预测或预诊断是建立在KCI和其它资产信息及随时间变化基础上的。
例如，基于过去的KCI值Ct-n、…、Ct-1，神经网络可以预测未来值Ct+1和Ct+n。
其中n表示预测或“前视”窗口。如果资产的预测值超过阈值，则会向资产管理经理发送一条消息，提示应对其进行检查。
预测性建模方法概述
确定不良资产健康状况的阈值可以使用行业标准或以数据驱动的方式，此时，可向不同的机器学习模型提供大量KCI值样本，该模型可以根据这些值将数据分为单独的类别。
不管阈值如何，ABB的机器学习方法被证明是非常有效的资产健康状况恶化预测手段，检测到了这些资产类型将近90%的时间（具体取决于所使用的KCI，以及额外的因素，如前视窗口的大小）。
应用场景
以上文描述的架构和为诊断及预诊断开发的分析为基础，构建了一个为资产经理和负责维护的人员提供服务的原型解决方案。
可以查看选定资产状态和故障模式概况的仪表板
诊断结果作为资产的当前状态呈现给最终用户，可以是“继续运行”、“等待并观察”或“需要注意”。预测到的状态可以是“继续运行”或“需要注意”。下面解释了可能发生的潜在状况以及所开发的技术怎样帮助最终用户从中受益。
仪表板，显示带有状态监视系统的资产阵列概况
情景1
从资产正常运行且未预测到损坏的小场景开始，当前和预测到的状态为“继续运行”。无需进行耗时的维护。
情景2
在这种情况下，资产已显示出损坏迹象，但故障并非即将发生。因此，“当前状态”建议用户继续运行资产。未来几周的“预测状态”将显示“需要注意”并建议届时采取相应行动。建议用户以详细的方式检查设备传感器数据并采取适当措施。
诊断算法显示出任何可能的损坏，如在详细检视中探测到错位，则建议进行校准，而不是拆卸设备，以便将精力集中在所需的维护上。
情景3
此处应考虑的是，设备当前显示出明显受损的迹象，严重程度虽不至立即停机，但足以密切监测其状况。未来两周的预测状态将显示“需要注意”。建议用户详细检查资产传感器数据，并按照不同的故障模式采取恰当措施。
诊断算法会显示任何引发的损坏。如，针对在详细检视中检测到叶片问题，可能会建议拆卸设备进行维护。这有助于资产经理准备备品备件和协调维护工作，以尽量减少停机时间。
情景4
情景4下，资产表现出有严重受损迹象，两周或两周后会达到严重损坏水平。但由于当前海没有遭到破坏性的损坏，建议用户“继续运行”，基于过去的历史数据和当前数据的预测，未来两周的预测状态为“需要注意”。建议对传感器数据作为指纹报告(fingerprintreport)进行更为详细的分析。这有助于资产经理在计划所需的维护（如果有）时作出明智的决定。
洞察力和远见
在该原型预防性维护解决方案的开发过程中，获得了一些重要的见解：
•数据准备很重要，往往考虑不足；
•在定期从现场收集新数据的情况下，必须特别考虑到数据的一致性，因为传感器可能会被移动或更换；
•实时数据的管理和处理存在独特的挑战。
通过解决这些挑战，并将领域知识与机器学习方法相结合，ABB为非关键旋转设备提供了可靠而稳健的状态监测解决方案。该方法应用于实际客户案例的结果表明，可以提前两周准确预测KCI。
作者：Ralf Gitzel， Benedikt Schmidt， Arzam Kotriwala， Ido Amihai， Guruprasad Sosale，ABB德国研究中心（德国拉登堡）； James Ottewill，ABB 波兰研究中心（克拉科夫 ）；Marco Heese， ABB自动化（德国曼海姆）；Diego Pareschi，ABB荷兰（莱斯韦克 市）；Subanatarajan Subbiah， ABB前 员工