预见性维护是什么?

为什么预见性维护事项

了解预见性维护之所以如此吸引人,重要的是要理解两种方法维护通常是执行:被动的维护和预防性维护。

反应性维护和预防性维护

在被动维护方法中,你只执行维护一次机器已经失败了。这种方法可能适合一个灯泡,但意外故障和停机时间可以非常昂贵和危险的工业机器。

因此,许多运营商执行预防性维护:定期调度维护不考虑机器的实际情况。虽然这种方法降低了失败的风险相比,被动的维护,它导致更高的维护成本,增加停机时间,和一个相关的增加库存和备件。这也并不妨碍意想不到的故障机器的条件只是定期测量,而不是不断地实时监控和分析。

获取数据

获取数据的第一步是开发任何预见性维护算法。人工智能算法只有准确如果他们有健壮的训练数据,代表你想预测的故障类型。因此重要的是要收集数据表示机器在健康和失败的情况下。

然而,失败的数据通常是很难——毕竟,任何维修计划的目标是防止失败!这使得工程师很难得到正确的类型的数据开始构建一个精确的算法。

对于这个问题,一个解决方案是生成合成基于物理模型的数据,比如那些建在仿真软件金宝app^®和Simscape™。例如,一个工程师可以建立一个模型油泵和模拟故障由于瓣膜和阻塞管道。就可以生成故障数据在一个安全的,具有成本效益的方式,不会影响实际的油泵的性能。这些基于物理模型可以用于操作数字的双胞胎预测未来的表现。

识别条件指标

正确的数据后,下一步就是减少一组特性,可以作为条件指标训练一个预测算法。条件指标特性,表明健康和错误操作之间的区别。他们通常提取使用统计、信号处理、基于模型的MATLAB等技术使用分析和设计工具。工程团队的专业知识是关键在这里他们有见解的机器是如何工作的,可以帮助识别最好的特性。

识别正确的功能是成功的关键一个预见性维护算法。正确的特性可以用来训练算法检测不容易观察到的趋势。此外,特征提取减少原始数据集的大小。例如,商用飞机产生每飞行接近tb的数据。传输、存储和分析等大量的数据是很困难的,这就是为什么特征提取正变得越来越重要。

开发算法

一旦你提取的最佳特性,下一步是训练你的预测算法。这些算法可以分为三大类:异常检测、故障识别(诊断),和剩余使用寿命估计(预测)。最终,预见性维护算法的目标是将传感器数据转化为维护决策。

如果数据被标以失效模式,工程师可以使用监督学习方法训练预测模型来区分这些失效模式。这些模型可以被连接到操作系统领域,在那里他们可以帮助确定性能退化的根本原因。

无监督学习方法最适合应用程序等异常检测的目标是将传入的值从设备条件指标分类为正常或异常。作为无监督学习方法不需要标记的训练数据对应不同的失效模式,他们往往是非常受欢迎的工程师试图开发首次预见性维护算法。

一个单独的类可以使用基于概率和时间序列的方法来计算的剩余使用寿命(原则)的机器。这些模型接受条件指标的当前值,估计在一个定义的置信区间时,设备就会失败。知道什么时候机器可能会失败让工程师安排维修,备件,或限制操作延长其生命。

部署算法操作

预见性维护解决方案不仅仅是算法。算法必须部署在操作实现的好处减少停机时间,降低维修成本,提高运营效率。

操作环境必须安全地管理数据和计算资源规模,确保算法可以有效地运行在嵌入式或/不系统。它还必须与其他It系统集成管理库存,提高服务票证,呈现仪表板与算法的结果的操作团队。

在许多业务应用预见性维护算法不仅在云中运行on-prem服务器。部分algorithm-often信号处理和特征抽提可以直接部署到边缘设备如工业控制器可以快速实时处理高频传感器数据。这有助于减少数据存储和传输成本。

预见性维护与MATLAB仿真软件金宝app

工程师使用MATLAB仿真软件金宝app预见性维护工具箱™设计、测试和部署自定义状态监测和预见性维护算法。

MATLAB仿真软件,您可以:金宝app

• 访问流和归档数据云存储、数据库、数据历史学家,和工业协议。
• 交互式地探索、提取和等级的特性诊断功能设计。
• 开发预测模型来检测异常,确定故障,并预测剩余寿命(原则)。
• 建立基于物理模型来生成合成传感器数据和部署数字的双胞胎。
• 为实时生成C / c++代码边处理。
• 与你所选择的集成/ OT系统无需重新编码:规模算法在云作为共享库,包、web应用程序、集装箱码头工人,等等。

相关的话题