人工智能在预测性维护中的应用.pdfVIP

人工智能在预测性维护中的应用

第一节预测性维护概念、架构及系统流程

当前,新一轮科技革命和产业变革孕育兴起,大数据的积聚、理论算法的革

新、计算能力的提升及网络设施的演进,驱动人工智能发展进入新阶段——AI

2．0。各国纷纷制订了发展人工智能国家战略,美国白宫于2016年推动成立了机

器学习与人工智能分委会,发布了以人工智能为主题的3份报告;日本在其“日本

振兴战略”的修订中提出要推动“机器人驱动的新工业革命”,要成为机器人超

级大国;英国发布的《机器人技术和人工智能》报告中,重点阐述了如何规范机器

人技术与人工智能系统的发展;中国2017年在《新一代人工智能发展规划》中对

2030年我国人工智能发展的总体思路、战略目标和主要任务、保障措施进行系

统的规划和部署。人工智能正加快与经济社会各领域渗透融合,带动技术进步、

推动产业升级、助力经济转型、促进社会进步。

随着工业大数据技术的发展,人工智能在工业领域的应用渗透到产品全生命

周期的各个阶段。预测性维护是工业大数据和人工智能方面的一个重要的应用场

景,它针对设备、设施的故障和失效,由被动故障维护到定期检修(人工巡检)再到

主动预防最终到事先预测和综合规划管理的演进中,不断提升、发展。其经济意

义是降低设备的故障率及停机时间,提高设备利用率,保证设备持续使用,避免意

外停工,提高企业生产效率,减少维修费用及设备整个生命周期成本,消除在不必

要的维护上所花费的时间和资源,对设备进行适时小修,减少大修、突发故障带来

的巨大维修费用。其安全意义是降低由设备的故障或突发故障带来的难以估算的

安全隐患。从市场角度看则是为客户提供了增值服务。

本章以国家及上海制订的人工智能产业发展相关规划为导向,立足于人工智

能在工业领域的应用实践,梳理维护理论的发展历程,重点对预测性维护的概念、

架构、流程以及技术体系进行阐释,介绍几种典型的预测模型,最后给出预测性维

护的几个经典应用案例。

一、概念

预测性维护,是以状态为依据(ConditionBased)的维护,在机器运行时,对其

主要(或需要)部位进行定期(或连续)的状态监测和故障诊断,判定设施设备所处

的状态,预测设施设备状态未来的发展趋势,依据其发展趋势和可能的故障模式,

预先制订维护计划,确定设施设备应该修理的时间、内容、方式和必需的技术和

物资支持。预测性维护集设施设备状态监测、故障诊断、故障预测、维修决策支

持和维修活动于一体,是人工智能在工业领域的应用与实现。

预测性维护的概念分为狭义和广义两种。狭义的预测性维护立足于状态监测,

强调故障诊断,是指不定期或连续地对设施设备进行状态监测,根据其结果,查明

设施设备有无异常或故障趋势,再适时地安排维护。狭义的预测性维护不固定维

修周期,仅通过监测和诊断到的结果来安排维护计划,主要强调监测、诊断、维修

三位一体的过程,这种思想广泛应用于流程工业和大规模生产方式。

广义的预测性维护将状态监测、故障诊断、状态预测和维护决策合为一体,

状态监测和故障诊断是基础,状态预测是重点,维护决策得出最终的维修活动要

求。广义的预测性维护是一个系统的过程,它将维护管理纳入预测性维护的范畴,

通盘考虑整个维护过程。

预测性维护是人工智能在工业领域的应用与实现,其作用包括以下几个方

面:

①通过预测性维护可提供支撑设备、设施运维的增值服务和全生命周期的质

保服务。

②实现状态监测与故障诊断,通过智能化、组态化、模块化的监控装置,实现

对设备、设施状态参数进行在线监测、故障诊断、离线分析、报警预警等功能。

③实现远程运维,针对长寿命服役的设备设施的运维保养,建立健康监测服

务系统,通过基于测量的量化指标来确定维护的优先次序。

④建立疲劳模型,对结构性能进行评估,对结构生命周期进行预测,估算结构

生命周期的修复或维护费用,通过设备跟踪和网络平台进行远程监测等在线支持

服务。

二、平台架构

为了适应不同的行业和应用领域,预测性维护解决方案将提供必要的高度抽

象的组件和接口。这就要求开发一个预测性维护的平台或者一个完整的生态系统,

其架构应该是模块化的,以便很容易地对传感、状态监测与评估、诊断、预测等

功能进行添加或强化。预测性维护平台架构如图7-1所示。

一方面,对使用中的设备或设施通过传感器及嵌入式智能系统对其状态进行

监测(即健康监测),提取并分析相关的特征量从而实现对设备、设施的衰退管理;

通过网