什么是预测的维护?

你需要知道的3件事

预测性维护是一种使用预测模型维护喷射发动机,风力涡轮机和油泵等运营工业资产的方法。这些预测模型使用传感器数据和其他相关信息来检测异常,监测组件的健康,并估计剩余的使用寿命(RUL)。通过预测维护,您可以在合适的时间安排维护 - 不太早,而不是太晚。

为什么预测维护事项

要理解什么使预测性维护成为如此吸引人的主张,了解替代方案的缺点——反应性维护和预防性维护是很重要的。

应急维护和预防性维护

在反应性维护方法中,一旦资产失败,您只执行维护。这种方法可能适用于灯泡,但是没有计划的失败和停机时间以非常高的工业资产成本。

因此,大多数运营商正在执行预防性维护,以规则的间隔调度维护,而不考虑机器的实际情况。虽然这种方法会使失败的风险与无功维护相比,它导致更高的维护成本,增加停机时间和相关的库存和备用资产增加。它也不会阻止意外的故障,因为才能定期测量资产的状况,而不是实时监测和分析。

三种类型的维护及其管理失败的方法。

预测维护

预测性维护解决了其他两种方法所面临的问题,它通过持续监控资产的状况,并对何时会出现故障或需要维护提供恒定的估计。这最大限度地减少了意外停机时间,并通过确保只在需要时进行维护来降低操作成本。此外,开发一个成功的预测性维修解决方案可以使制造商通过为客户提供维修服务来产生新的收入来源。

预测性维修解决方案中使用的算法类型及其回答的问题。金宝搏官方网站

预测性维护方式如何运作

在预测维护解决方案的核心中,该算法是从资产分析传感器数据的算法,并使用该数据来检测异常,诊断设备问题或预测资产的剩余使用寿命(RUL)。

开发此算法需要工程师收集适当的数据,然后使用Matlab®等工具预处理它并从中提取功能,然后使用这些功能作为输入机器学习或者进行预测的深度学习模型。然后,该算法将被大规模部署在IT/OT系统中,来自多个资产和设备的数据将被流化。如果这最后一步没有成功完成,那么预测性维护解决方案的好处将无法实现。

为预测性维修解决方案开发算法的工作流。

失败数据

收集数据是开发任何预测性维护算法的第一步。机器学习和深度学习如果它们具有代表要预测的故障类型的强大培训数据,则型号仅准确。因此,在健康和失败的条件下收集代表资产的数据是很重要的。

但是,对应于设备故障事件的数据通常很难访问 - 毕竟,任何维护程序的目标是防止失败!这使得工程师和数据科学家难以启动正确的数据来开始构建算法。

解决这个问题的一个方法是使用虚拟模型,比如那些在Simulink中内置的模型金宝app®,表示资产动态并模拟故障。例如,工程师可以建立一个油泵模型,并模拟由于阀门泄漏和管道堵塞而导致的故障。这样就可以在不影响实际油泵性能的情况下,以经济有效的方式收集故障数据。实际上,为预测维护算法的开发生成故障数据是投资的好处之一数字双胞胎

特征提取

一旦有了必要的数据,下一步就是对其进行预处理,并将其简化为一组可以用作“条件指示器”的特性。这些条件指示器捕获与资产运行状况有关的相关信息。它们通常是使用统计、信号处理和基于模型的技术的组合来提取的,在分析和设计工具中实现,如MATLAB和Simulink。金宝app这也是算法开发的阶段,工程团队的输入是关键,因为他们对资产的表现有独特的见解。

识别正确的条件指示符是预测维护算法成功的关键。它使工程师能够监控一个明显较小的数据集,以确定其资产是否正在执行它的方式。例如,商用飞机将生成接近每次飞行数据的大字节。分析这么大量的数据可能是非常困难的,这就是为什么特征提取变得越来越重要。额外的好处是它有助于降低数据存储和数据传输成本。

预测模型

机器学习和深度学习模型从传统的基于条件的监测方法区分预测性维护解决方案。金宝搏官方网站这些模型使用条件指示器作为输入以检测异常的根本原因或在资产可能失败时预测。基于条件的监控可以提供实时更新,但不能预测资产的未来条件。

如果有不同故障模式的状态指示器值,工程师和数据科学家可以使用监督学习方法来训练预测模型,从而区分这些故障模式。然后,这些模型可以连接到领域中的资产,在那里它们可以帮助隔离影响资产性能的问题的根本原因。

无监督学习方法更适合于异常检测等应用,其目标是将设备的输入状态指示器值分类为“正常性能”或“异常性能”。由于无监督学习方法不需要对应于不同故障模式的标记训练数据,因此对于首次尝试开发预测维护算法的工程师来说,它们往往非常受欢迎。

另外一类基于概率和时间序列的方法可以用来计算机器的剩余使用寿命。这些模型接受状态指标的当前值,并在确定的置信区间内估计设备将失效。事实上,这些RUL模型是数字双胞胎因为它们模拟了特定操作资产的逐渐退化。有关其资产可能失败的时间范围的信息,工程师可以在合适的时间,订购备件,或限制资产的运作来安排维护,以延长其生命。

MATLAB中可用的剩余使用算法,由可用于预测的数据类型进行分类。

部署和操作化

预测性维护解决方案不仅仅是算法开发。一旦开发了算法,就必须将其部署到生产环境中,例如物联网(IoT)系统为了组织实现减少停机时间,降低维护成本和改善的运营效率的好处。

运行此算法的生产环境必须安全地管理由多个操作资产生成的数据,并根据需要扩展计算资源,以确保算法能够尽可能有效地跨边缘或IT/OT系统运行。生产环境还必须与其他IT系统集成,以管理库存、增加服务票据,并将算法结果显示在仪表板上给负责资产的运营团队。

需要注意的是,在这些生产环境中,预测性维护算法并不仅仅运行在云中或本地服务器上。算法的某些部分,特别是那些与数据预处理和特征提取相关的部分,可以在边缘设备上进行评估,比如紧挨着运营资产的工业控制器,能够处理它产生的高速数据。这有助于降低数据存储和传输成本。

部署预测维护解决方案的组件。

客户成功案例

戴姆勒提供了一种有效的方法,用于实时监控大量进程参数及其应用于实际生产数据的示例。
为了监控发动机,Safran为健康监测算法的设计和开发创建了一个环境。该平台与MATLAB和SIMULINK一起使用,使用户能够集成算法应用程金宝app序,例如文字处理,输入/输出或显示,以及连续和自动优化算法。
为了优化新类连接列车的操作,SCNF使用由远程传输生成的数据来监控Heath状态并预测故障和计划维护。

使用Matlab和Simulink预测维护金宝app

工程师使用MATLAB,SIMULINK和金宝app预测维护工具箱™为企业IT和OT系统开发和部署条件监控和预测维护软件。

他们能:

  • 使用内置接口访问流和存档数据,以云存储,关系和非关系数据库以及休息,MQTT和OPC UA等协议。
  • 预处理数据和提取功能,用于使用应用程序进行信号处理和统计技术的应用程序监控设备健康。
  • 开发机器学习模型来隔离故障的根本原因,并预测故障发生时间和剩余使用寿命(RUL)。
  • 将算法和模型部署到您选择的运行系统。自动生成C / C ++,HDL,PLC或CUDA代码,用于嵌入或边缘部署。将算法部署到云作为C / C ++共享库,Web应用程序,Docker容器,.NET程序集,Java®类和Python包。

在不使用MATLAB中的诊断功能设计器应用程序的情况交互地提取和等级功能。

了解更多关于预测性维护的信息

了解有关预测维护概念和工作流程的更多信息。
了解如何使用工业系统的仿真模型以及基于模型的设计来覆盖整个预测性维护工作流程。
了解如何使用MATLAB开发您的预测维护,条件监测和异常检测算法。
了解创建数字双胞胎的基础知识,包括Matlab和Simulink的主要建模方法和实现。金宝app
设计与测试条件监控和预测维护算法。
了解如何通过示例和视频教程使用MATLAB进行预测维护。
了解如何为大规模智能制造构建预测性维护解决方案。演示遵循了从设计到开发和测试到生产的整个工作流程,重点是数据科学家、系统架构师、IT团队和工厂经理可用的工具。
了解如何在MATLAB中使用机器学习技术来估算剩余的设备使用寿命。我们展示了MATLAB如何用于构建预后算法并将其带进生产,使公司能够提高其设备的可靠性并建立新的预测维护服务。

相关的话题

30天免费试用

问题吗?