新闻资讯

大数据技术将增强您的预测性维护能力

发布日期:2021-06-14 22:30:32浏览量:35

在大多数情况下,维护活动基于预防措施,重点是机器、组件和其他基础设施元素的定期维护,以防止它们出现故障。

然而,这些预防性维护措施并不总是最佳的,因为它们通常比需要的更早执行维护,这会降低整体设备效率 (OEE)。

因此,基础设施运营商和维护工程师越来越多地考虑转向预测性维护。与常规或基于时间的预防性维护相比,这种方法有望节省成本,因为只有在需要时才执行任务。因此,预测性维护实践的实施可以优化维护活动。

预测性维护 (PdM):好处
许多工厂运营商将预测性维护视为最终的维护愿景,可提供许多好处,包括:

更高的 OEE,因为与计划外或计划不周的维护相比,预测性维护会导致更小的维修频率。
减少劳动力和设备成本,因为最佳的维修计划可以降低组件成本并最大限度地减少维修过程所需的劳动力。
提高员工的生产力,他们将受益于在正确的时间更换正确组件的洞察力。
提高安全性,因为及时监控和解决潜在问题将使员工能够在更安全的条件下工作。
总体而言,预测性维护将最大限度地减少计划停机时间,同时更好地管理员工的时间和精力。

采用 PdM 的障碍
尽管预测性维护具有公认的好处,但其采用仍处于早期阶段,因为从技术和操作角度来看,成功部署都特别具有挑战性。一些主要挑战包括:

需要结合多种维护检测模式和相关数据集。
预测性维护取决于处理多个数据集,尤其是与不同传感器和维护检测模式(例如振动分析、油分析、热成像、声学等)相关的数据集。

虽然单一模态(例如,振动)可用于预测,但考虑来自多种模态的整体数据集会导致更稳定和准确的预测。但是,多个传感器的组合需要在传感器和数据收集方面进行额外投资,并且通常不会发生,即使在最先进的维护系统中也是如此。

数据碎片化。
即使来自多个传感器的数据可用,它们也往往在分解的“数据岛”中相互隔离。这意味着数据驻留在不同的系统中(例如,在像 IBM Maximo 这样的 CMMS 或专用传感器数据库中)并以不同的格式表示,这使得它们的集成具有挑战性。

跨平台和系统的语义往往不同,这是阻碍它们统一处理以预测机器或组件何时会发生故障的另一个因素。

此外,没有简单的方法可以利用额外的数据(例如,计量系统的测量质量、SCADA 或监督控制和数据采集系统的健康数据),这可能会丰富传感器数据以进行更准确的预测。

缺乏适当的分析算法和工具。
大型数据集的预测分析需要超越基线机器学习和统计模型的高级算法和工具。此类算法并未广泛使用,它们的部署和随后的业务分析需要需求量大但供应量低的熟练数据科学家的参与。
麦肯锡最近的一份报告着眼于来自大约 石油钻井平台上的 30,000 个传感器,发现 99% 的数据未使用。所用数据的 1%(或更少)主要用于检测和控制异常,而不是用于提供最大价值的优化和预测。(图片来源:Agência Brasil)
大数据技术来拯救
大数据技术的出现为克服上述挑战提供了手段。

大数据通常是一个过度炒作的术语,有时用作营销宣传,但预测性维护为部署大数据技术提供了理想的商业案例。大数据是关于开发和部署分布式、以数据为中心的系统,这些系统扩展了最先进数据库的功能,以便处理具有以下四个 V 的数据集:

容量:大容量的数据,通常体积超过传统数据库系统的能力。

这与预测性维护系统高度相关,因为一些石油或能源工厂以每周接近数 TB (TB) 的速度生成维护数据集。配备数十个传感器的喷气发动机每天可以生成超过 1 TB 的维护相关信息。

多样性:极端多样性的数据是指具有不同格式和语义的高度异构的数据。在预测性维护中,上述各种“数据岛”就是这种情况。

公用事业公司从多个系统和数据源收集和分析数据集,例如 SCADA(监督控制和数据采集)、EAM(企业资产管理)、在线监测和天气信息系统。这些系统的数据以不同的格式提供,例如XML(可扩展标记语言)、CSV(逗号分隔值)、JSON(Javascript Object Notation)和文本文档。每种格式都有不同的语义。

大数据平台可以集成和统一这些数据流,以便为维护服务提供预测分析。

Velocity:高速数据,指的是具有非常高摄取率的流数据集。在预测性维护中,此类数据应用于在组件或机器的状况发生变化时快速更新维护信息。处理高速数据可以实时了解维护任务。

例如,在石油和天然气行业,公司部署和使用数百个油田传感器来获取运营洞察将变得司空见惯。在此类部署范围内,大数据平台将为每秒数百万个数据点的摄取和分析提供支持,以便即时了解资产的健康状况并避免意外停机。

真实性:这是指具有不确定性的数据集。传感器数据显然就是这种情况,这些数据可能存在噪声并且需要进行统计处理。

例如,在收集有关空气压缩机状况的数据期间,预测性维护系统必须能够通过识别错误、不完整和不精确来处理数据的真实性。大数据平台提供了识别此类错误和不精确性的手段。

通过处理四个 V,大数据技术通过促进非常大的维护相关数据集的统一、集成和实时处理,缓解了预测性维护的数据挑战。

它们为预测分析铺平了道路,可以提供关于设备状况的可靠见解,并随后促进对故障的预测。

深度学习技术的兴起也推动了预测分析。这些不仅提供了处理数字传感器数据的方法,还提供了处理多媒体数据的方法,例如来自声学传感器的成像数据和信息。

深度学习与大数据齐头并进,因为它通常与大数据基础设施和技术一起部署。

大数据对于成功采用和实施 PdM 至关重要
基于对可用数据集的优化利用,大数据技术无疑是实现从预防性维护到预测性维护的过渡的关键要素。

他们可以深入了解设备的状况,包括隐藏的维护模式。但是,他们可以走得更远,以实现预测性维护的全部潜力。未来的预测性维护系统将能够通过配置设备甚至停止引擎等操作关闭回工厂车间的回路。

这种可操作的智能将基于大数据技术与工业自动化的集成来实现。

总体而言,大数据革命将使工厂操作员和维护专家能够完成从预防性维护到预测性维护的转变。

这种演变不仅是技术部署的问题,也是对互补资产的投资问题,例如新的维护流程和员工培训。大数据分析和预测性维护的时代即将来临,我们应该采取措施为过渡做好准备。

标签:, ,

相关推荐