鋼鐵行業(yè)設(shè)備管理智能運維模式實施案例——
鋼鐵行業(yè)智能運維研究
王劍虎， 黃冬明， 龔敬群， 戴宛辰
（寶武裝備智能科技有限公司）
摘 要： 隨著第四次工業(yè)革命浪潮的到來及中國制造 2025 的提出， 鋼鐵行業(yè)傳統(tǒng)運維模式在效率、 能耗、 庫存、質(zhì)量、 生產(chǎn)率和成本等方面不能滿足數(shù)字化和智能化時代設(shè)備管理的新需求。 本文以鋼鐵行業(yè)為背景， 圍繞鋼鐵行業(yè)設(shè)備管理新需求， 基于云計算、 物聯(lián)網(wǎng)、 大數(shù)據(jù)、 移動互聯(lián)網(wǎng)和人工智能等先進技術(shù)， 提出了鋼鐵行業(yè)智能運維新定義， 研究了智能運維的本質(zhì)特征， 分析了鋼鐵行業(yè)智能運維發(fā)展等級， 介紹了智能運維產(chǎn)品圖譜， 闡述了基于智能運維模式的設(shè)備服務(wù)體系和服務(wù)模式， 最后介紹了智能運維的兩種服務(wù)模式在寶武某熱軋生產(chǎn)線、 高線生產(chǎn)線、某基地風機群和齒輪箱上的實施效果， 驗證了智能運維模式的可行性、 可靠性和有效性， 為流程行業(yè)設(shè)備管理變革和智能運維模式實施提供了參考。
關(guān)鍵詞： 智能運維； 運維模式； 故障預(yù)測與診斷； 健康管理； 大數(shù)據(jù)； 人工智能； 服務(wù)體系和模式
1 引言
流程工業(yè)是是一個非常巨大的產(chǎn)業(yè)， 諸如石化、 電力、 冶金、 建材、 造紙、 制藥、 汽車制造等行業(yè)均屬于流程工業(yè)， 是國民經(jīng)濟發(fā)展中極為重要的基礎(chǔ)支柱產(chǎn)業(yè) 。 據(jù)我國相關(guān)部門統(tǒng)計， 流程工業(yè)分別占工業(yè)總產(chǎn)值和工業(yè)增加值的 60.47%和 65.59%。 鋼鐵工業(yè)是流程工業(yè)中的典型代表， 生產(chǎn)過程包括信息、 物料、 能源， 還伴隨著復雜的物理化學反應(yīng)以及突變性和不確定性等因素， 是一個十分復雜的大系統(tǒng) [1] 。
生產(chǎn)設(shè)備是鋼鐵企業(yè)的重要生產(chǎn)要素， 是衡量企業(yè)規(guī)模和現(xiàn)代化水平的一個基本標志。 上世紀 60 年代至今， 世界工業(yè)發(fā)達的國家不斷地尋求和創(chuàng)新先進設(shè)備管理理論和模式， 先后提出了“后勤學”“設(shè)備綜合工程學”“全員生產(chǎn)維修（TPM）”“以可靠性為中心的維修（RCM）” 和“適時管理（JIT）” 等現(xiàn)代設(shè)備管理理論 [2] 。 上世紀 70 年代以前， 設(shè)備管理以事后維修（BM） 為主， 進入 70 年代后， 伴隨管理思想的革命，預(yù)防性維修方式（PM） 在世界各國得到普及。 在 80 年代以后， 一些西方發(fā)達國家航空工業(yè)普遍開始采用狀態(tài)維修（CBM）， 并開始采用預(yù)知維修方式（PDM）， 并逐步在歐美國家流行。 進入 90 年代后期， 激烈的市場競爭促使企業(yè)采用一種主動維修方式（PAM）， 近年來在進行 PAM 實踐中， 引入了經(jīng)濟性概念， 提出并實施了以可靠性為中心的維修（RCM） 模式。
經(jīng)過數(shù)十年的努力， 我國的設(shè)備管理在消化吸收國外先進設(shè)備管理經(jīng)驗的基礎(chǔ)上創(chuàng)造性地形成了中國特色的設(shè)備管理方法。 實踐證明， 在現(xiàn)有的生產(chǎn)方式下， 這些管理方法是有效的,如寶鋼的設(shè)備管理模式是以點檢定修制為基礎(chǔ)， 以預(yù)防維修（PM） 為主線， 通過技術(shù)手段的提升掌握設(shè)備狀態(tài)， 逐步實現(xiàn)維修內(nèi)容的狀態(tài)性（CBM） 導向， 在維修的策略上實現(xiàn)以效益為導向（TPM 和 RCM） 的多種方式并存的維修方式。 多年來， 寶鋼的設(shè)備管理理念從單純的“管好設(shè)備、 用好設(shè)備”， 發(fā)展到構(gòu)架“精益化、 網(wǎng)絡(luò)式、 互動型的設(shè)備系統(tǒng)框架”， 從組織優(yōu)化、 技術(shù)創(chuàng)新、 資源配置、 基礎(chǔ)管理、 信息化等方面全方位地持續(xù)提升,關(guān)注設(shè)備全生命周期管理， 追求設(shè)備最高的綜合效率和最低的壽命周期費用,傳統(tǒng)設(shè)備管理水平達到了世界先進水平 [3] 。
然而第四次工業(yè)革命浪潮來襲， 工業(yè)領(lǐng)域正在進入萬物互聯(lián)時代， 也提供了一個變革傳統(tǒng)管理模式的機會， 同時伴隨我國流程行業(yè)智能制造步伐的加快， 設(shè)備管理將面臨更加嚴峻的挑戰(zhàn)。 當前設(shè)備智能化進程加快， 設(shè)備的自動化、 信息化、 數(shù)字化和智能化水平會越來越高， 設(shè)備故障對流程生產(chǎn)的沖擊將更加嚴重。 因此流程行業(yè)對設(shè)備綜合效率、 綜合能耗、 平均故障時間、 產(chǎn)品質(zhì)量、 庫存周轉(zhuǎn)、 勞動生產(chǎn)率和生產(chǎn)成本等指標提出了更高的要求 [3] 。
隨著第四次工業(yè)革命如火如荼地進行， 為適應(yīng)新時代設(shè)備管理需求， 國內(nèi)外學者和設(shè)備管理人員對新時代設(shè)備管理需求進行深入了研究， 提出了一些適應(yīng)于數(shù)字化和智能化時代的設(shè)備管理新理論和新模式。 瑞典查爾默斯理工大學的 Jon Bokrantz 等對什么是智能運維和智能運維的四個基本要素進行了闡述 [4] 。 西弗吉尼亞大學的 Nazmus Sakib 等對預(yù)測性維護的挑戰(zhàn)和機遇進行了綜述， 并介紹了基于先進數(shù)據(jù)分析技術(shù)可避免非正常非計劃失效的預(yù)測性維護解決方案 [5] 。 2016 年歐洲故障預(yù)測與健康管理年會， 西班牙 IK4-TEKNIKER智能信息系統(tǒng)的 Susana Ferreiro 等對生產(chǎn)設(shè)備預(yù)測性智能維護進行了介紹， 展示了智能維護優(yōu)勢， 并對數(shù)據(jù)處理、 分析過程和預(yù)測算法進行了闡述 [6] 。 法國阿爾斯通的 Vepa Atamuradov 等就預(yù)測性運維（PHM） 的實施步驟進行了論述 [7] 。 荷蘭萊登大學的 Van Duc Nguyen 等就汽車和航空業(yè)的預(yù)測性運維（PHM） 的研究、發(fā)展和近期成果進行了總結(jié)和綜述， 為研究人員和設(shè)備管理人員實施預(yù)測性運維參考 [8] 。
本文將以鋼鐵行業(yè)為研究對象， 圍繞數(shù)字化和智能化時代鋼鐵行業(yè)設(shè)備管理新需求， 基于大數(shù)據(jù)、 人工智能和機器學習等先進技術(shù)， 提出鋼鐵行業(yè)智能運維定義， 研究了智能運維的本質(zhì)特征， 分析了智能運維發(fā)展等級， 介紹了支撐智能運維業(yè)務(wù)的產(chǎn)品圖譜， 論述了基于智能運維模式的設(shè)備管理服務(wù)模式和解決方案，最后介紹了智能運維模式在某熱軋生產(chǎn)線、 高線、 風機群和齒輪箱等設(shè)備上的實施效果。
2 智能運維的定義
近年來， 隨著第四次工業(yè)革命浪潮的到來， 流程工業(yè)在智能化時代對設(shè)備管理提出了更高要求。 國內(nèi)外學術(shù)界對預(yù)測性運維、 智能運維、 故障預(yù)測與健康管理和運維 4.0 等進行了大量研究， 提出了表述各異的定義。 2008 年第一次 PHM 國際會議提出 PHM 定義： “是一種系統(tǒng)工程學科， 它聚焦于對復雜系統(tǒng)健康狀態(tài)的監(jiān)測、 預(yù)測與管理”。 Fumagalli 等于 2016 年提出智能運維， 該文認為智能運維需要提供可透視資產(chǎn)健康狀態(tài)的能力， 盡量減少運維人員在資產(chǎn)現(xiàn)場運維的工作量 [9] 。 Holgado and Macchi 于 2014 年提出， 智能運維是基于智能技術(shù)建設(shè)的運維服務(wù)， 這些智能技術(shù)或集成于設(shè)備或產(chǎn)品之中， 或通過智能設(shè)施、 傳感或其他技術(shù)手段 [10] 。 Qiao and Weiss 于 2016 年提出故障預(yù)測與健康管理定義， Qiao and Weiss 認為 PHM 就是通過一系列策略和技術(shù)提升設(shè)備的狀態(tài)監(jiān)控、 故障診斷與故障預(yù)測性能和提升產(chǎn)品、 機器或工藝的可運維性能 [11] 。
Cheng 等于 2010 年提出， PHM 是包含一系列先進技術(shù)和方法的學科， 能夠評估產(chǎn)品實際生命周期條件下的產(chǎn)品可靠性， 可預(yù)測產(chǎn)品失效和減少系統(tǒng)風險 [12] 。 Lee et al 等于 2017 年提出預(yù)測性運維是一種能將原始數(shù)據(jù)轉(zhuǎn)化為可執(zhí)行的便于運維決策的能力 [13] 。 Kans 等提出運維 4.0 是利用先進技術(shù)進行預(yù)測性分析和提供可行性決策 [14] 。 Kumar and Galar 于 2018 年提出運維 4.0 是對運維工作進行預(yù)測性分析和可行解決方案推薦，主要應(yīng)用于工業(yè) 4.0， 特別是應(yīng)對那些需要數(shù)據(jù)收集、 分析、 可視化和資產(chǎn)管理決策的運維工作 [15] 。 JonBokrantz 等于 2020 年基于瑞典學術(shù)界和工業(yè)界 110 多家機構(gòu)和企業(yè)的調(diào)研結(jié)果， 總結(jié)了智能運維的定義。文章提出智能運維是管理具有良好數(shù)字技術(shù)基礎(chǔ)的制造業(yè)運維的組織設(shè)計。 智能運維是個多維度概念， 包含數(shù)據(jù)驅(qū)動的決策制定、 單位人力效能、 內(nèi)部協(xié)作性和外部生態(tài)融合性 [4] 。
寶武智維基于云計算、 物聯(lián)網(wǎng)、 大數(shù)據(jù)、 移動互聯(lián)網(wǎng)和人工智能技術(shù)（簡稱“云、 物、 大、 移、 智” ） ，結(jié)合數(shù)十年鋼鐵行業(yè)設(shè)備管理服務(wù)經(jīng)驗， 總結(jié)智能運維定義： 智能運維是一種系統(tǒng)工程， 聚焦于生產(chǎn)裝備健康狀態(tài)的監(jiān)測、 預(yù)測、 管理及運維過程的高效運營和知識傳承， 最大化設(shè)備系統(tǒng)價值。 如圖 1 所示， 智能運維的內(nèi)容包括設(shè)備狀態(tài)監(jiān)控和故障檢測、 設(shè)備故障診斷、 設(shè)備故障預(yù)測、 運維工作規(guī)劃、 運維工作實施與管控、 供應(yīng)鏈管理、 設(shè)備故障原因分析和設(shè)計優(yōu)化提升等。 智能運維的目標是降低成本和減少浪費、 改善性能和保障安全。 降低成本和減少浪費方面， 可以通過避免非計劃停機、 減少過維護、 延長設(shè)備壽命、 降低產(chǎn)品缺陷、 降低運維質(zhì)量損失和降低備件庫存與備件消耗等來實現(xiàn)。 改善運維性能方面可以通過提高運維效率和設(shè)備可利用率來達到。 保障安全包括保障裝備安全可靠和保障運維安全可靠等方面。 智能運維利用“云、 物、大、 移、 智”技術(shù)實現(xiàn)運維工作遠程支持與協(xié)同， 達到運維知識積累與共享的目的。
圖 1 智能運維內(nèi)容、 目標和價值
3 智能運維的本質(zhì)
提質(zhì)、 降本、 增效、 節(jié)能降耗、 安全可靠和優(yōu)化性能是運維策略和模式演進的原動力， 也是智能運維主要目標。 鋼鐵行業(yè)維修策略演進路徑如圖 2 所示， 從被動式維護（RM） 到預(yù)防性維護（PM）， 再到基于狀態(tài)維護（CBM）， 最后到預(yù)測性維護（PHM）。 其中被動式維護是一種修復性維護， 整體花費最高。 預(yù)防性維護是應(yīng)對高可靠性系統(tǒng)場景， 可能造成系統(tǒng)過維護， 進而造成較多的浪費。 基于狀態(tài)的維護（CBM） 可較準確把握設(shè)備狀態(tài)， 具有一定的針對性和精確性， 但也有一定局限性， 因為 CBM 只反映系統(tǒng)當前情況，對設(shè)備未來狀態(tài)無法預(yù)知。 預(yù)測性維護（PHM） 不僅可以對當前狀態(tài)進行透視， 還能對設(shè)備未來狀態(tài)、 壽命和性能進行預(yù)測， 進而有效管理設(shè)備健康狀態(tài)和可能出現(xiàn)的風險， 從而大大降低系統(tǒng)運維成本。
圖 2 設(shè)備維修策略演進
運維模式演進與運維策略演進是相輔相成的， 運維模式是從系統(tǒng)性的角度進行運維工作整體考量。 在20 世紀 50 年代以前， 運維模式較為簡單， 主要以被動式維護為主， 運維效能較差。 進入 20 世紀 60 年代以后， 人們對傳統(tǒng)的維修模式產(chǎn)生懷疑， 并從系統(tǒng)工程的角度提出以可靠性為中心的維修（RCM） 模式、 基于風險的維修模式（RkBM）、 以利用率為中心的維修模式（ACM）、 適應(yīng)性維修模式（AM） 和全面生產(chǎn)維修（TMP） 等。 以可靠性為中心的維修模式（RCM） 與維修對象的設(shè)計、 制造、 安裝和使用都相關(guān)， 各個環(huán)節(jié)都圍繞著可靠性這個中心進行工作， 因此維修對象的可靠性在循環(huán)迭代中得到不斷的改進和提高。 基于風險的維修模式（RkBM） 是一種提高維修管理和實踐效果的系統(tǒng)方法， 與傳統(tǒng)的維修模式相比， 其基于風險的決策是在維修過程中進行的。 以利用率為中心的維修模式（ACM） 是把設(shè)備利用率放在第一位來制定維修方案的設(shè)備管理模式， 先按照利用率對設(shè)備排序， 結(jié)合生產(chǎn)實際、 停機損失和維修成本選擇適當?shù)木S修方式。 適應(yīng)性維修模式（AM） 的宗旨是企業(yè)的生產(chǎn)活動要適應(yīng)形式的變化。 在設(shè)備管理方面， 隨著產(chǎn)量的變化、 設(shè)備劣化發(fā)展、 診斷技術(shù)的進步以及周圍各種條件的變化， 其體制和方式也應(yīng)做適應(yīng)性的變化。 全面生產(chǎn)維護（TPM） 將設(shè)備作為企業(yè)生產(chǎn)的核心， 以減少生產(chǎn)準備時間、 停機時間和廢品率， 并通過提高設(shè)備的生產(chǎn)能力追求最大限度地提高設(shè)備綜合效率， 實現(xiàn)最佳經(jīng)濟效益 [1] 。
RCM、 RkBM、 ACM 和 TPM 等均屬于傳統(tǒng)運維模式。 寶鋼的設(shè)備管理模式是以點檢定修制為組織形式， 以預(yù)防維修為主線， 通過狀態(tài)管理逐步實現(xiàn)維修內(nèi)容的狀態(tài)性導向， 實行強化設(shè)備管理基礎(chǔ)維護的 TPM 管理模式， 在維修的策略上則是以經(jīng)濟效益為中心的多種維修方式并存 [1] ， 屬于傳統(tǒng)運維的范疇。 傳統(tǒng)運維模式流程如圖 3 所示， 首先由維護人員進行五感點檢， 專家再對異常場景進行人工診斷， 根據(jù)診斷結(jié)果進行人工排程和手工派單， 再由運維團隊進行維修方案制定和維修實施， 最后由人工進行檢查驗收。 傳統(tǒng)運維模式以“人為核心”， 也即以提升人的能力為核心， 通過運維閉環(huán)迭代不斷提升員工的技術(shù)能力和管理能力。 傳統(tǒng)運維模式的最大挑戰(zhàn)是運維質(zhì)量與人的水平相關(guān)。 人的能力、 態(tài)度、情緒和狀態(tài)直接影響運維工作質(zhì)量。 另外， 人員的離職、 升遷、 退休和調(diào)崗都將影響相關(guān)運維工作。
圖 3 傳統(tǒng)運維模式
智能運維是結(jié)合信息技術(shù)（IT） 、 運營技術(shù)（OT） 和數(shù)據(jù)技術(shù)（DT） ， 把運維作為一種系統(tǒng)工程考慮，主要對生產(chǎn)裝備健康狀態(tài)進行監(jiān)控、 預(yù)測和管理， 對運維過程進行高效運營和優(yōu)化， 對設(shè)備管理知識、 經(jīng)驗和機理進行歸納總結(jié)和傳承， 從而最大化設(shè)備系統(tǒng)價值。 智能運維區(qū)別于傳統(tǒng)運維的最大特點是以“模型為核心”， 模型是否能夠?qū)W習人的經(jīng)驗， 替代人來分析問題和形成決策， 能否從新的問題中積累經(jīng)驗， 從而避免問題的再次發(fā)生 [17] 。 智能運維的重要特征為設(shè)備健康狀態(tài)透明可見、 故障自診斷和可預(yù)測、 運維計劃可調(diào)度、 剩余壽命可評估和自適應(yīng)運維策略推薦。
圖 4 智能運維模式
智能運維流程如圖 4 所示， 通過物聯(lián)傳感部分替代五感點檢， 獲得產(chǎn)線和設(shè)備狀態(tài)參數(shù)， 利用閾值或趨勢模型進行智能分析和報警， 再采用機理模型或機器學習模型進行智能診斷和智能預(yù)測， 基于大數(shù)據(jù)平臺和智能算法模型進行運維工作智能排程、 解決方案推送， 輔助運維精準實施， 根據(jù)需要運維專家進行遠程支持，運維結(jié)束后進行智能檢查驗證， 最后形成運維流程閉環(huán)， 實現(xiàn)運維知識、 專家經(jīng)驗、 設(shè)備機理和大數(shù)據(jù)知識的模型化， 并通過模型不斷迭代優(yōu)化， 從而提升模型的可靠性和準確性。
4 智能運維發(fā)展等級
智能運維還處于剛起步階段， 各種標準、 規(guī)范和定義還在發(fā)展形成中， 目前尚無統(tǒng)一標準。 我們結(jié)合鋼鐵行業(yè)數(shù)字化和智能化當前發(fā)展水平和遠景目標， 制定智能運維技術(shù)和模式發(fā)展等級， 分為 L1、 L2、 L3、L4 和 L5 共五級。 如圖 5 所示， 技術(shù)等級 TL1 對應(yīng)模式等級 ML1， TL1 是基于設(shè)備自帶傳感器實現(xiàn)狀態(tài)自動報警， 屬于單機自動報警水平， 支撐傳統(tǒng)運維模式 ML1。 ML1 也被稱為人工運維， 基于完善的流程規(guī)范以及團隊配置， 根據(jù)計劃完成點檢、 檢測及維修工作。 當前我國鋼鐵行業(yè)大多數(shù)企業(yè)運維水平處于 TL1 和ML1 的水平上。 技術(shù)等級 TL2 支撐模式等級 ML2。 TL2 為狀態(tài)在線監(jiān)測， 通過物聯(lián)網(wǎng)技術(shù)全面收集狀態(tài)數(shù)據(jù)， 實現(xiàn)狀態(tài)監(jiān)測和管理流程互通， 支撐系統(tǒng)輔助運維 ML2。 ML2 等級是系統(tǒng)輔助運維， 掌握設(shè)備運行狀態(tài)信息， 為運維團隊開展工作提供幫助， 實現(xiàn)管理流程線上化。 我國鋼鐵行業(yè)少部分企業(yè)智能運維水平處于TL2 和 ML2 水平上。 TL3 為智能狀態(tài)分析， 依托平臺開發(fā)模型， 實現(xiàn)狀態(tài)指標監(jiān)控和分析， 可提供專業(yè)診斷建議。 TL3 支撐局部智能運維 ML3， 系統(tǒng)實現(xiàn)局部狀態(tài)智能分析， 具體原因診斷及方案制定由人工決策。目前寶武智維智能運維水平處于 ML3 等級。 TL4 為智能診斷與壽命預(yù)測， 通過系統(tǒng)模型完善， 自動分析診斷與預(yù)測并形成整體解決方案， 實現(xiàn)對設(shè)備健康狀態(tài)有效把控和關(guān)鍵零部件壽命預(yù)測。 技術(shù)等級 TL4 支深度智能運維 ML4， 系統(tǒng)完成設(shè)備狀態(tài)分析、 診斷及維修方案制定和人機協(xié)同決策。 目前國內(nèi)外鋼鐵企業(yè)還沒有實現(xiàn) ML4 等級。 技術(shù)等級 TL5 為自適應(yīng)綜合決策， 通過實現(xiàn)設(shè)備狀態(tài)、 工藝過程和質(zhì)量控制最優(yōu)化運行的自適應(yīng)綜合決策， 實現(xiàn)了自感知、 自學習和自進化的終級智能運維技術(shù)。 TL5 對應(yīng)完全智能運維 ML5，ML5 是運維人員依據(jù)系統(tǒng)制定的預(yù)測性檢維修計劃安排設(shè)備的檢測及維修， 將來考慮引進高度智能化機器人， 設(shè)備運維工作可以實現(xiàn)完全自動化、 智慧化和無人化。 從當前技術(shù)發(fā)展水平來看， 實現(xiàn) TL5 和 ML5 尚為時過早， 有待于理論和技術(shù)的突破。
圖 5 智能運維技術(shù)和模式發(fā)展等級
5 智能運維產(chǎn)品圖譜
中國寶武構(gòu)建智慧型“鋼鐵生態(tài)圈”， 打造智慧制造的“四個一律”， 包括“操作室”一律集中、 “服務(wù)環(huán)節(jié)”一律上線、 “操作崗位”一律機器人和“設(shè)備運維”一律遠程。 為配合集團智慧制造戰(zhàn)略， 寶武智維基于云平臺、大數(shù)據(jù)、 邊緣計算、 人工智能和機器學習技術(shù)， 構(gòu)建鋼鐵行業(yè)智能運維大數(shù)據(jù)平臺， 開發(fā)智能運維產(chǎn)品， 涵蓋標準、 傳感、 物聯(lián)、 數(shù)據(jù)、 算法、 規(guī)則、 模型、 管控、 報警、 診斷、 預(yù)警、 決策輔助等智能運維相關(guān)的方方面面。
圖 6 智能運維產(chǎn)品圖譜
如圖 6 所示為寶武智能運維產(chǎn)品圖譜， 采用端、 邊和云三層架構(gòu)， 分別對應(yīng)感知層、 認知層和喚醒層。感知層是在線“五感”端， 寶武智維提供“智維通”產(chǎn)品對產(chǎn)線和設(shè)備的各種高頻和低頻信號進行采集， 包括振動、 溫度、 壓力、 流量、 電壓、 電流等信號。 認知層包括邊端和部分云端， 產(chǎn)品系統(tǒng)包括智聯(lián)、 智用、 維基、數(shù)據(jù)湖和智多星。 維基為智能運維標準中心， 包括維檢標準、 設(shè)備標準、 診斷標準、 傳感標準、 工藝標準、模型標準等等。 設(shè)備大數(shù)據(jù)湖是智能運維數(shù)據(jù)中樞， 鋼鐵生產(chǎn)線“人、 機、 料、 法、 環(huán)”的各種結(jié)構(gòu)化、 半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)通過各種傳感、 “五感”點檢、 信息化系統(tǒng)、 PLC/DCS、 MES/MOM、 SCADA 和各種人工輸入信息源源不斷地輸入大數(shù)據(jù)湖中， 基于數(shù)據(jù)中臺技術(shù)進行統(tǒng)一標準、 統(tǒng)一規(guī)范、 統(tǒng)一流程、 統(tǒng)一標簽進行清洗、 補齊和抽取， 形成數(shù)據(jù)資產(chǎn)， 為機理模型和大數(shù)據(jù)模型開發(fā)提供支撐。 智聯(lián)是工業(yè)物聯(lián)網(wǎng)， 在端和邊對數(shù)據(jù)進行初步處理、 清洗、 轉(zhuǎn)發(fā)和存儲， 是大數(shù)據(jù)湖和邊緣端設(shè)備智能應(yīng)用的重要數(shù)據(jù)來源。 智多星是智能運維知識庫和模型庫， 是仿真、 模擬、 計算和決策中心。 智多星邊緣應(yīng)用（智用） 為經(jīng)驗規(guī)則模型系統(tǒng)， 可根據(jù)專家經(jīng)驗、 行業(yè)知識、 設(shè)備機理進行在線邊緣端智能監(jiān)控， 及時反饋設(shè)備狀態(tài)， 為現(xiàn)場管理人員提供決策支持。 智多星知識庫和模型庫包括異常報警（Probe）、 故障診斷（Dxs） 和故障預(yù)測（Pxs）， 為鋼鐵生產(chǎn)線設(shè)備提供異常報警、 通用設(shè)備故障診斷和關(guān)鍵部件故障預(yù)測及壽命預(yù)測服務(wù)。 所謂喚醒層是指集團云端管控層， 包括維秘、 智控和智維圈。 維秘也即服務(wù)交付中心， 包括運營管理、 運維管理、 績效管理、 總包交付、 監(jiān)測診斷和專業(yè)檢測服務(wù)等。 智控即集控中心， 屬于生產(chǎn)管控范疇， 包括區(qū)域管控、 設(shè)備態(tài)勢、 智能決策和成本透視等等。 智維圈是生態(tài)合作伙伴共享協(xié)同中心， 鐵鋼行業(yè)橫向縱向打通、 優(yōu)化供應(yīng)鏈、 設(shè)備管理協(xié)同服務(wù)、 開發(fā)智能運維社區(qū)、 形成 APP 應(yīng)用市場共享行業(yè)知識和服務(wù)。
寶武智維產(chǎn)品圖譜提供云、 邊、 端三位一體的智能運維技術(shù)服務(wù)， 涵蓋智能傳感、 智能物聯(lián)、 邊緣應(yīng)用、標準服務(wù)、 數(shù)據(jù)資產(chǎn)、 算法模型、 運營和運維交付、 生產(chǎn)運營管控和生態(tài)協(xié)同服務(wù)， 為智能運維實現(xiàn)奠定堅實的基礎(chǔ)。
6 基于智能運維的設(shè)備管理服務(wù)
6.1 智能運維服務(wù)體系
智能運維服務(wù)體系由客戶目標、 需求評估、 服務(wù)設(shè)計、 服務(wù)實施和服務(wù)交付構(gòu)成， 形成閉環(huán)服務(wù)體系，實現(xiàn)鋼鐵生產(chǎn)線狀態(tài)無憂、 精度可控、 綠色高效和持續(xù)迭代優(yōu)化。 客戶希望通過數(shù)字化和智能化平臺實現(xiàn)鋼鐵行業(yè)生產(chǎn)提質(zhì)、 增效、 降本、 節(jié)能和降耗， 減少非計劃停機， 全面提升客戶滿意度。 客戶需求評估是客戶需求和設(shè)計需求的不斷迭代優(yōu)化， 通過進行資產(chǎn)梳理、 厘清智維需求和形成智維方案的過程。 服務(wù)設(shè)計階段包括平臺導入、 平臺運維和模型研發(fā)三部分。 鋼鐵產(chǎn)線設(shè)備狀態(tài)通過智能傳感和物聯(lián)技術(shù)接入平臺， 形成設(shè)備智能服務(wù)數(shù)據(jù)基礎(chǔ)。 基于智能運維大數(shù)據(jù)平臺進行各種運維服務(wù)智能 APP 開發(fā)， 基于工業(yè)機理和人工智能技術(shù)開發(fā)設(shè)備報警、 診斷、 預(yù)測和決策模型， 為智能運維實施提供支撐。 基于大數(shù)據(jù)平臺， 提供 7×24 小時看護服務(wù)， 設(shè)置了五級響應(yīng)機制（報警管理員-診斷分析員-診斷審核員-技術(shù)專家-行業(yè)專家）， 提供以客戶為中心的多對一貼心服務(wù)（現(xiàn)場代表、 分析專員和客戶經(jīng)理圍繞客戶提供精細化服務(wù)）， 制定智能監(jiān)控閉環(huán)流程， 確保智能服務(wù)水平的迭代升級， 分清職責和規(guī)范流程， 提供基于大數(shù)據(jù)的監(jiān)管考核機制， 為智能運維實施保駕護航。 最后， 智能運維服務(wù)將交付診斷報告、 監(jiān)控報表、 管理建議和解決方案等等， 并形成服務(wù)閉環(huán)， 不斷提升智能運維服務(wù)質(zhì)量。
圖 7 智能運維服務(wù)體系
6.2 智能運維服務(wù)模式
基于智能運維服務(wù)系統(tǒng)， 圍繞用戶不同需求， 以解決方案為核心， 提供兩種差異化的服務(wù)模式： 智維總包服務(wù)模式和智維平臺服務(wù)模式。 其中總包服務(wù)模式包括設(shè)備接入、 管控、 決策、 檢修和物料管理等， 是以提升生產(chǎn)線/設(shè)備運行狀態(tài)為目標的， 基于平臺的全流程全時域設(shè)備狀態(tài)服務(wù)并共享服務(wù)價值。 智維平臺服務(wù)包括解決方案、 建設(shè)、 接入、 監(jiān)測、 報警、 診斷、 預(yù)測和決策服務(wù)， 是基于智能運維平臺， 提供遠程狀態(tài)看護、 遠程診斷支持、 設(shè)備壽命管理和解決方案推送等智能化設(shè)備管理服務(wù)。 兩種服務(wù)模式各有千秋， 智維平臺服務(wù)模式屬于輕資產(chǎn)服務(wù)， 必須依托強大的大數(shù)據(jù)平臺能力、 先進的技術(shù)能力、 領(lǐng)先的算法模型和經(jīng)驗豐富的專家團隊等等， 為用戶提供及時的、 可靠的和精準的設(shè)備服務(wù)解決方案， 真正實現(xiàn)提質(zhì)、 增效、 降本、節(jié)能和降耗， 為客戶創(chuàng)造價值。 智維總包服務(wù)模式屬于重資產(chǎn)模式， 運維方承包整條產(chǎn)線的設(shè)備管理服務(wù)，包括檢維、 維修、 操維、 物料管理、 狀態(tài)管控、 報警、 診斷、 預(yù)測和壽命管理等等。 可以認為智維平臺服務(wù)是智維總包服務(wù)的子集。 總包服務(wù)是設(shè)備管理一條龍服務(wù)， 不僅可提供輕服務(wù)模式的所有內(nèi)容， 還可提供成本、 績效、 物料、 備品備件、 庫存管理等運營管理服務(wù)。
6.3 智能運維典型案例及效果
基于智能運維大數(shù)據(jù)平臺和智能運維服務(wù)體系及相關(guān)方法論， 圍繞客戶需求與設(shè)備實際情況， 對集團內(nèi)某熱軋生產(chǎn)線進行智能運維總包服務(wù)， 對某基地數(shù)百臺風機進行智維平臺看護服務(wù)、 對某高線齒輪箱進行遠程智能診斷服務(wù)和采用機器學習算法對某 TRT 動葉積灰進行預(yù)警， 均取得良好的效果。
6.3.1 熱軋生產(chǎn)線總包服務(wù)
圖 8 某熱軋生產(chǎn)線智能運維系統(tǒng)
如圖 8 所示， 基于智能運維大數(shù)據(jù)平臺， 結(jié)合專家經(jīng)驗和智維標準化體系， 采用智維通（智能傳感） 和智聯(lián)（物聯(lián)網(wǎng)） 將熱軋生產(chǎn)線數(shù)千臺設(shè)備接入系統(tǒng)， 在邊緣端部署智用（E2Alarm2.0） 進行實時監(jiān)控， 在云平臺部署智多星（報警、 診斷和預(yù)警模型庫） 系統(tǒng)實現(xiàn)對產(chǎn)線設(shè)備的趨勢報警、 劣化分析、 故障診斷和狀態(tài)預(yù)測， 為智能運維規(guī)劃提供支撐。 平臺上線以來， 設(shè)備故障率下降 20%、 噸鋼維修成本下降 10%、 產(chǎn)線點檢負荷下降 20%。
6.3.2 風機健康管理系統(tǒng)
某基地大量風機接入智能運維大數(shù)據(jù)平臺， 采用智維平臺服務(wù)模式（輕服務(wù)）， 實現(xiàn)對基地所有風機的7×24h 看護服務(wù)， 提供遠程智能報警、 診斷、 預(yù)測和決策推薦服務(wù)。 系統(tǒng)上線半年多來， 系統(tǒng)預(yù)警準確率達到 90.8%， 診斷準確率達到 94.3%， 年故障停機時間均為 0， 點檢負荷下降 55%， 檢修負荷下降 35.6%。 負荷下降值均小于目標值， 經(jīng)專家討論分析后認為系統(tǒng)上線時間較短， 各種流程、 標準、 規(guī)范還在建設(shè)之中，工作人員還未完全習慣新型工作模式。 可以預(yù)見， 隨著平臺上線時間越來越長， 各種流程和規(guī)范越來越成熟，各項評估指標將持續(xù)優(yōu)化提升。
表 1 風機健康管理系統(tǒng)
6.3.3 齒輪箱軸承故障診斷
某基地高線生產(chǎn)線設(shè)備管理采用總包模式， 基于智能運維大數(shù)據(jù)平臺， 采用智聯(lián)通接入高線數(shù)千臺設(shè)備，接入工藝數(shù)據(jù)超過 5000 項， 配置預(yù)警規(guī)則模型超過 1500 條， 日均數(shù)據(jù)流量超過 10G， 在邊緣和云端部署報警、 診斷和預(yù)警模型， 諸如振動溫度、 油液理化、 潤滑液壓、 軸承、 齒輪箱、 泵、 電機和風機等模型超過1000 個。 經(jīng)過半年多運行， 設(shè)備故障時間下降 15%， 點檢負荷下降 15%， 報警準確率超過 90%， 計劃檢修時間下降 40%和產(chǎn)線作業(yè)率上午 4%。
2020 年 11 月 22 日， 智能運維大數(shù)據(jù)平臺持續(xù)報警高線 13HФ350H 減速機沖擊有效值 大， 如圖 10 所示， 結(jié)合系統(tǒng)與遠程專家診斷， 專家判斷一軸沖擊有效值上升明顯， 軸承 180Hz 軸承外圈特征 BFO 頻率和2 次諧波數(shù)值增大， 同時在 2kHz 附近出現(xiàn)大量噪聲信號， 確認一軸軸承存在嚴重劣化， 立即申請線下維檢。經(jīng)現(xiàn)場運維工程師檢查， 軸承出現(xiàn)保持架斷裂， 滾動體磨損嚴重的故障， 經(jīng)及時更換軸承， 避免了一起嚴重的突發(fā)停機事故， 獲得良好評價。
圖 10 某基地高線軸承故障診斷
6.3.4 TRT 動葉積灰預(yù)警
某鋼鐵基地 TRT 葉片積灰， 導致設(shè)備振動加大， 發(fā)電量下降， 靜葉開度變得難以控制， 爐頂壓力超標，風險大。 2019 年因為動葉積灰問題曾引發(fā) 4 次跳機保護事件。 為解決動葉積灰問題， 現(xiàn)場檢修團隊自主開發(fā)積灰蒸氣清洗系統(tǒng)， 可有效清除動葉上的積灰。 然而， 若頻繁清洗將縮短 TRT 系統(tǒng)壽命， 若清洗不及時可能導致爐頂壓力冒尖， 影響系統(tǒng)安全。
圖 11 某基地 TRT 動力積灰與清洗
為解決以上矛盾， 基于機器學習算法， 結(jié)合動葉積灰機理和現(xiàn)場專家經(jīng)驗， 圍繞客戶經(jīng)濟性要求， 以TRT 進氣側(cè)振動、 靜葉開度、 入口煤氣流量和有功功率為多參數(shù)輸入進行綜合分析， 開發(fā) TRT 動葉積灰預(yù)測模型， 可自適應(yīng)于各種 TRT 系統(tǒng)。 如圖 12 所示， 在 2020 年上半年， 模型還未上線運行， TRT 運行性能逐漸劣化， 性能波動較大。 下半年模型上線， 可對動葉積灰進行預(yù)測并自動啟動清洗工藝， 有效穩(wěn)定了爐頂壓力， 降低了維護成本， 年發(fā)電量可提升 11.5%， TRT 發(fā)電經(jīng)濟效益可提升 167 萬/年。
7 結(jié)語
本文對鋼鐵行業(yè)智能運維進行了深入研究， 對智能運維定義、 主要內(nèi)容、 關(guān)鍵目標、 重要價值、 智維本質(zhì)、 發(fā)展等級、 產(chǎn)品圖譜、 服務(wù)體系和服務(wù)模式等進行了深入闡述， 獲得多個有意義的研究結(jié)論。
（1） 寶武智維基于“云、 物、 大、 移、 智”， 結(jié)合數(shù)十年鋼鐵行業(yè)設(shè)備管理服務(wù)經(jīng)驗， 總結(jié)了智能運維定義；
（2） 介紹了運維策略和運維模式演進路徑， 對比分析了傳統(tǒng)運維模式和智能運維模式的區(qū)別， 闡述了智能運維本質(zhì)特征；
（3） 基于智能運維技術(shù)水平， 結(jié)合我國鋼鐵行業(yè)運維現(xiàn)狀， 分析了智能運維技術(shù)和模式發(fā)展等級， 提出了運維技術(shù)和模式從 L1 至 L5 的發(fā)展等級；
（4） 寶武智維基于“云、 物、 大、 移、 智”技術(shù)， 構(gòu)建鋼鐵行業(yè)智能運維大數(shù)據(jù)平臺， 開發(fā)智能運維產(chǎn)品圖譜， 涵蓋標準、 傳感、 物聯(lián)、 數(shù)據(jù)、 算法、 規(guī)則、 模型、 管控、 報警、 診斷、 預(yù)警、 決策輔助等方方面面；
（5） 基于智能運維大數(shù)據(jù)平臺， 構(gòu)建了智能運維服務(wù)體系， 提出了總包服務(wù)模式和智維平臺服務(wù)模式。基于上述兩種模式， 分析了多個基地總包服務(wù)和平臺服務(wù)的典型案例， 從運維成本、 檢修時間、 生產(chǎn)線作業(yè)率、 模型準確性和經(jīng)濟性等方面驗證了智能運維的可靠性和有效性。
參 考 文 獻
[1] 張克南. 流程工業(yè)設(shè)備狀態(tài)管理的系統(tǒng)策劃和實踐[M]. 上海: 上海科學技術(shù)出版社, 2007: 1-2.
[2] 張翠鳳. 設(shè)備管理與維修模式探討[J]. 設(shè)備管理&維修, 2000, 2: 7-9.
[3] 李麒, 袁文清, 楊大雷. 遠程智能運維-設(shè)備管理的必由之路[J]. 寶鋼技術(shù), 2019, 6: 13-16.
[4] Jon Bokrantz, Anders Skoogh, Cecilia Berlin, Thorsten Wuest, Johan Stahre. Smart Maintenance: an empirically grounded
conceptualization[J]. International Journal of Production Economics, 2020, 223, 1-17.
[5] Nazmus Sakib, Thorsten Wuest. Challenges and Opportunities of Condition-based Predictive Maintenance: A Review[C]. 6 th
CIRP Global Web Conference, USA: Elsevier B. V, 2018: 267-272.
[6] Susana Ferreiro, Egoitz Konde, Santiage Fernandez and Agustin Prado. Industry 4. 0: Predictive Intelligent Maintenance for
Production Equipment[C]. European Conference of the Prognostics and Health Management Society, Spain: PHM Society, 2016:
1-8.
[7] Vepa Atamuradov, Kamal Medjaher, Pierre Dersin, Benjamin Lamoureux and Noureddine Zerhouni. Prognostics and Health
Management for Maintenance Practitioners-Review, Implementation and Tools Evaluation[J]. International Journal of Prognostics
and Health Management, 2017, 60: 2153-2648.
[8] Van Duc Nguyen, Marios Kefalas, Kaifeng Yang, Asteris Apostolidis, Markus Olhofer, Steffen Limmer and Thoms Back. A
Review: Prognostics and Health Management in Automotive and Aerospace[J]. International Journal of Prognostics and Health
Management, 2019, 23: 2153-2648.
[9] Fumagalli, L., Macchi, M., Colace, C., Rondi, M., Alfieri, A., 2016. A Smart maintenance tool for a safe electric arc furnace[J].
IFAC-PapersOnLine, 2016, 49: 19–24.
[10] Holgado, M., Macchi, M., 2014. Exploring the Role of E-Maintenance for Value Creation in Service Provision. Engineering,
Technology and Innovation[C]. 2014 International ICE Conference, Italy: IEEE, 2014: 1-10.
[11] Qiao, G., Weiss, B. A. Advancing measurement science to assess monitoring, diagnostics, and prognostics for manufacturing
robotics[J]. Int. J. Prognostics Health Management, 2016, 7: 2153-2648.
[12] Cheng, S., Azarian, M. H., Pecht, M. G., 2010. Sensor systems for prognostics and Health management[J]. Sensors, 2010, 10:
5774-5797.
[13] Lee, J., Jin, C., Liu, Z., Ardakani, H. D., 2017. Introduction to data-driven methodologies for prognostics and Health
management[J]. Probabilistic Prognostics and Health Management of Energy Systems, 2017, 4: 9-32.
[14] Kans, M., Galar, D., Thaduri, A., 2016. Maintenance 4. 0 in railway transportation industry[C]. Proceedings of the 10th World
Congress on Engineering Asset Management (WCEAM 2015), Finland: Springer, 2016: 317-331.
[15] Kumar, U., Galar, D. Maintenance in the era of industry 4. 0: issues and challenges[J]. Quality, it and Business Operations. 2017,
10: 231-250.
[16] 金超, 關(guān)于 PHM, 這是有史以來聽到最接地氣的解說[EB/OL]. https://zhuanlan.zhihu.com/p/42865063, 2018.
[17] 李杰, 倪軍, 劉宗長. 從大數(shù)據(jù)到智能制造[M]. 上海: 上海交通大學出版社, 2016: 4-5.
【相關(guān)好文】
《云南銅業(yè)2024 年冶煉板塊設(shè)備管理專題培訓》——課件《設(shè)備智能運維管理》
一、概述——了解設(shè)備智能運維的概念
二、現(xiàn)況——了解國內(nèi)設(shè)備智能運維的現(xiàn)況
三、標準——了解設(shè)備數(shù)字化、智能化管理的主要國標、行標
四、核心——設(shè)備智能運維的核心：平臺、專家系統(tǒng)、標準化體系。
五、技術(shù)——智能運維的主要關(guān)鍵技術(shù)
六、人才——智能運維的人才需求與培養(yǎng)
