維護(hù)，在很多設(shè)備運(yùn)行過程中必不可少。任何設(shè)備都可能在生命周期中，因?yàn)樵O(shè)備疲勞衰退，或者外界干擾，經(jīng)歷可能的故障，無論大小，無論類型。尤其在生產(chǎn)環(huán)節(jié)中，保證設(shè)備的可持續(xù)性運(yùn)行，是設(shè)備維護(hù)的目的所在。

很多人以為只會(huì)出現(xiàn)在大型機(jī)械設(shè)備上，比如發(fā)動(dòng)機(jī)。其實(shí)，汽車的日常保養(yǎng)就是一個(gè)典型的例子。大家有一個(gè)基本的認(rèn)知，每過固定的里程數(shù)或者超過固定的時(shí)效，比如 5,000 公里或者半年，我們都會(huì)被要求把汽車開到 4S 店更換機(jī)油機(jī)濾，做一次保養(yǎng)。很多人對(duì)這種汽車保養(yǎng)的方式深惡痛絕。一是麻煩，二是成本。大型設(shè)備的維護(hù)也面臨著同樣的問題。

這種固定運(yùn)行時(shí)間間隔或者固定運(yùn)行距離的保養(yǎng)叫做例行維護(hù)，就像每年例行體檢一樣，目前是設(shè)備維護(hù)的主流方法。在真實(shí)場(chǎng)景中，不同的車子，甚至在不同的時(shí)間段，每個(gè)車子可能經(jīng)歷不同的路況和行駛習(xí)慣。這種針對(duì)不同的運(yùn)行條件，卻給出相同的維護(hù)方法，要想在精度和成本上達(dá)到最優(yōu)幾乎是不可能的。

簡(jiǎn)單易行是例行維護(hù)的最大優(yōu)點(diǎn)。例行維護(hù)在現(xiàn)實(shí)中即不夠經(jīng)濟(jì)，也不夠智能，但是它有一個(gè)最大的有點(diǎn)，那就是簡(jiǎn)單。使用者不需要時(shí)刻監(jiān)控設(shè)備的運(yùn)行狀況，只要按照手冊(cè)按部就班執(zhí)行維護(hù)即可。

簡(jiǎn)單易行是以更高的設(shè)備維護(hù)成本，較低的正確率為代價(jià)的。成本和精度是一對(duì)互斥的對(duì)象。要想提高維護(hù)精度，降低設(shè)備故障的概率，往往依靠提高例行維護(hù)的密度來實(shí)現(xiàn)的；同樣，要降低維護(hù)成本，也要以更高的設(shè)備故障為代價(jià)。例行維護(hù)往往根據(jù)設(shè)備故障潛在的嚴(yán)重后果來增加維護(hù)頻率來降低故障概率，往往同時(shí)也增加了運(yùn)行成本。

隨著人工智能在工業(yè)應(yīng)用的興起，越來越多的公司開始采用，一些基于人工智能的方法，希望同時(shí)降低故障概率和降低運(yùn)行成本。這種方法被稱為預(yù)測(cè)性維護(hù)。我們先看一下著名的石油勘探和鉆井服務(wù)公司貝克休斯是在提高精度的同時(shí)降低運(yùn)行成本的？

在需求高峰期，貝克休斯工作人員需要全天候工作，開采石油和天然氣儲(chǔ)層。在單個(gè)井場(chǎng)，多達(dá)20輛卡車可同時(shí)運(yùn)行，高壓泵將高壓水和沙子的混合物注入鉆井深處。這些泵及其內(nèi)部零件，約 10 萬美金。如果活動(dòng)現(xiàn)場(chǎng)的卡車發(fā)生泵故障，貝克休斯必須立即更換卡車以確保連續(xù)運(yùn)行。而向每個(gè)站點(diǎn)發(fā)送備用卡車會(huì)使公司總體損失數(shù)千萬美元。過于頻繁的維護(hù)會(huì)造成很大的浪費(fèi)，導(dǎo)致零件在仍可使用時(shí)被更換和額外的停機(jī)操作。無法準(zhǔn)確預(yù)測(cè)閥門和泵何時(shí)需要維護(hù)是構(gòu)成這些成本的基礎(chǔ)。

貝克休斯的工程師創(chuàng)造性地引入了一個(gè)預(yù)測(cè)方法。他們將現(xiàn)場(chǎng)收集的數(shù)據(jù)從溫度，壓力，振動(dòng)和其他傳感器導(dǎo)入 MATLAB，分析并確定數(shù)據(jù)中哪些信號(hào)對(duì)設(shè)備磨損影響最大。分析過程包括了常見的傅里葉變換和頻譜分析，過濾卡車、泵和流體的大幅度運(yùn)動(dòng)導(dǎo)致的干擾，以更好地檢測(cè)閥門和閥座的較小振動(dòng)。該小組創(chuàng)建并訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)，以使用傳感器數(shù)據(jù)來預(yù)測(cè)泵故障。并在現(xiàn)場(chǎng)測(cè)試中證實(shí)了泵健康監(jiān)測(cè)系統(tǒng)預(yù)測(cè)泵故障的能力。

這個(gè)典型的預(yù)測(cè)性維護(hù)算法采用了 MATLAB 作為算法開發(fā)平臺(tái)，算法開發(fā)成本節(jié)約了 30%~40%，相比較傳統(tǒng)的通用語言，MATLAB 自帶的算法庫讓整個(gè)開發(fā)時(shí)間較少了一個(gè)數(shù)量級(jí)。這個(gè)項(xiàng)目最終預(yù)計(jì)節(jié)省超過了 1000 萬美元。

貝克休斯的案例就是典型的預(yù)測(cè)性維護(hù)的例子。工程師利用傳感器搜集的數(shù)據(jù)，提取傳感器數(shù)據(jù)的有效成分，基于這些數(shù)據(jù)特征進(jìn)行故障模型建模，可以預(yù)測(cè)設(shè)備的剩余使用壽命或者診斷故障類型，并在生產(chǎn)環(huán)境中進(jìn)一步搜集不斷優(yōu)化預(yù)測(cè)模型。

一個(gè)合理的預(yù)測(cè)性維護(hù)模型可以在提高預(yù)測(cè)故障精度的同時(shí)，降低設(shè)備維護(hù)成本，增加設(shè)備運(yùn)行壽命。維護(hù)的本質(zhì)是按需提供必要的設(shè)備維護(hù)，盡可能減少甚至避免傳統(tǒng)兩次例行維護(hù)之間潛在的故障發(fā)生概率，最終實(shí)現(xiàn)設(shè)備的不停機(jī)運(yùn)行和降低成本。

除了大型設(shè)備的維護(hù)，當(dāng)前智能建筑方興未艾，通過在建筑物中添加傳感器的方式，提供智能化樓宇控制，降低維護(hù)成本和提高客戶體驗(yàn)，增加客戶對(duì)產(chǎn)品的粘度。我國(guó)在十年前就已經(jīng)有文獻(xiàn)提出了針對(duì)廣州塔小蠻腰提供智能化監(jiān)控的研究性方法。早在幾年前，日本政府考慮維護(hù)年久失修的橋梁；因?yàn)轭A(yù)算有限，無法對(duì)所有的橋梁展開全面的修復(fù)工作。一種有效的解決方式是，在橋梁上架設(shè) IoT 設(shè)備，通過低功耗無線設(shè)備發(fā)回實(shí)時(shí)的傳感器數(shù)據(jù)，包括震動(dòng)、濕度、溫度等傳感數(shù)據(jù)到數(shù)據(jù)中心。數(shù)據(jù)中心根據(jù)模型找出最容易近期出故障的橋梁，立即展開橋梁維護(hù)工作，好鋼用在刀刃上。

我們用一個(gè)針對(duì)風(fēng)機(jī)的承軸開發(fā)預(yù)測(cè)維護(hù)模型的例子，讓大家了解一下如何開發(fā)流程和潛在的挑戰(zhàn)。風(fēng)機(jī)數(shù)據(jù)搜集自一個(gè) 2兆瓦的風(fēng)力發(fā)電機(jī)的高速轉(zhuǎn)軸，該轉(zhuǎn)軸由一個(gè)20齒小齒輪驅(qū)動(dòng)[1]，每天搜集 6s 的震動(dòng)信號(hào)，連續(xù)采集 50 天。

直接觀測(cè)原始震動(dòng)信號(hào)很難分辨出信號(hào)的變化過程。在稍微復(fù)雜一點(diǎn)的設(shè)備中，多個(gè)維度的傳感器的數(shù)據(jù)常常是高度耦合在一起的，我們無法通過傳統(tǒng)的基于閾值的方法來設(shè)置警報(bào)曲線。

在從耦合在一起的數(shù)據(jù)中提取出設(shè)備相關(guān)信息，需要相關(guān)領(lǐng)域的技術(shù)專家，即了解設(shè)備的運(yùn)行原理，又了解信號(hào)分析，能夠根據(jù)數(shù)據(jù)的特征，反推出設(shè)備故障類型，這就是進(jìn)入更加高級(jí)的故障領(lǐng)域——故障診斷。

通過自動(dòng)化建模，我們很快就可以把人工智能的技術(shù)加載到模型之中，并且通過生產(chǎn)過程搜集的數(shù)據(jù)，進(jìn)一步從新的數(shù)據(jù)中學(xué)習(xí)，即半增強(qiáng)學(xué)習(xí)。

如果缺乏模型的條件下，我們可以通過物理建模的方式，構(gòu)建復(fù)雜系統(tǒng)的物理模型，注入錯(cuò)誤觸發(fā)條件，通過模擬的方式搜集足夠的數(shù)據(jù)以支持模型的建立。

經(jīng)過模型確認(rèn)，我們可以把模型轉(zhuǎn)化為能夠下載到嵌入式處理器中的代碼，最終部署到生產(chǎn)系統(tǒng)之中。

開發(fā)整個(gè)預(yù)測(cè)性維護(hù)系統(tǒng)的完整流程如下所示：

在整個(gè)開發(fā)流程中，除了有效的工具輔助之外，我們還會(huì)面臨一些技術(shù)挑戰(zhàn)，：

1. 傳感器數(shù)據(jù)的提取，干擾消除和可視化處理

2. 針對(duì)具體的領(lǐng)域知識(shí)，提取設(shè)備運(yùn)行信息

3. 基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，建立智能預(yù)測(cè)（RUL）和診斷模型

4. 構(gòu)建設(shè)備的物理模型，缺乏前期數(shù)據(jù)時(shí)，模擬出足夠的數(shù)據(jù)

5. 把模型轉(zhuǎn)化為嵌入式算法，開發(fā)并部署到生產(chǎn)環(huán)境之中

6. 大數(shù)據(jù)場(chǎng)景下的預(yù)測(cè)性模型分析和構(gòu)建

通過傳感器搜集設(shè)備運(yùn)行數(shù)據(jù)，從數(shù)據(jù)中看出設(shè)備的健康狀態(tài)，從而預(yù)測(cè)設(shè)備的工作壽命和潛在故障類型，讓設(shè)備故障“未有形而除之”，這就是預(yù)測(cè)性維護(hù)存在的最大價(jià)值；提供一個(gè)長(zhǎng)期無故障運(yùn)行的長(zhǎng)壽設(shè)備，也是智能制造的競(jìng)爭(zhēng)力所在。