預測性維護是當前基于大數據、工業互聯網、智能制造等熱門概念領域的重要應用場景之一,很多時候都被用作詮釋上述理念的典型例子。
事實上,預測性維護涉及到機器學習、傳感采集等核心關鍵技術,那么來自機器設備本身的運行數據是極其重要的,一是數據量,二是數據的實時性和準確性。對于維護管理來說,已經經歷了事后維護、預防性維護階段,開始實現基于狀態的維護甚至更加智能化的預測性維護階段。
可以發現,如果我們最終達到真正的預測性維護目標,不但能夠盡早發現潛在故障,提出預防性措施,避免發生事故,保障設備安全運行,而且還可以對故障加以預測,指導制定合適的維護計劃,幫助業主完全避免過度維修,節約大量設備維護成本。
那么對于后二者來說,關于設備本身的運行狀態信息和數據是實現先進維護方式的基礎。
數據積累
來自設備的實時狀態數據的種類和數量的積累,對于建立設備機理模型和故障預測模型都十分關鍵,是能夠完成機器自我學習的前提。
所謂“設備狀態監測”,就是對運行中的設備的振動、噪聲、電流、溫度、油質等狀態參數實施定期或連續監測、有關參數分析、有效地對設備運行狀態進行系統自動監測分析或人工分析,讀取相應的自診斷狀態報告,進而具體指導維修工作。
據不完全統計,通過預測性維護可以為企業帶來生產率增加:2%~40%,維修費用減少7%~60%,設備壽命延長1~10倍,備件庫存減少10%~60%,能量消耗減少5%~15%,過程停機減少多達70%……
1. 震動; 2. 溫度; 3. 相對濕度; 4. 環境氣壓
BCM——數據積累的利器
首先,巴魯夫公司的BCM系列狀態監測傳感器可以實現多功能變量數據采集,能探測多種物理變量,如震動、溫度、相對濕度和環境壓力,從而大大在降低系統成本的同時大大提高了狀態監測的數據種類和數據量。
其次,BCM可以對這些數據進行預處理,能在一個設備內預處理大量原始數據并提供評估分析的標準。
另外,BCM可以通過IO-Link實現雙向通信,將必要數據傳輸至主系統,進而能簡便的調整參數并用于數據評估。
隨著人工智能、大數據、云計算和物聯網的發展,基于設備狀態監測的預測性維護將成為主流,成為企業設備自動化管理能力和智能化應用推廣的必備手段。作為傳感檢測自動化的專家,巴魯夫公司正在為這一方向提供強大技術助力。