CN114254779A - 一种基于预测性维护的生产设备健康管理系统 - Google Patents

Abstract

本发明涉及工业生产设备运行状态监测与故障诊断技术领域，且公开了一种基于预测性维护的生产设备健康管理系统；本基于预测性维护的生产设备健康管理系统包括设备状态检测模块、故障诊断模块、设备预警模块、故障预测模块、维护决策模块、维护活动模块以及数据服务器，所述数据服务器用于对数据进行管理存储，并将数据传输至云端进行备份存储，本发明可基于设备自身健康状况，在恰当的时机进行相关维护，既能够保证设备的正常维护，又将对生产影响降到最低，维护成本最低，同时还能保证设备性能一直处于最佳工作状态，可提前预测、诊断准确性高、为企业不断创造高价值，可以提高设备的整体生产能力和盈利能力。

Description

一种基于预测性维护的生产设备健康管理系统

技术领域

本发明属于工业生产设备运行状态监测与故障诊断技术领域，具体为一种基于预测性维护的生产设备健康管理系统。

背景技术

智能维护专家、美国辛辛那提大学李杰教授在《工业大数据》一书中写道：“制造企业设备故障的突然发生，不仅会增加企业的维护成本，而且会严重影响企业的生产效率，使企业蒙受巨大损失。据调查，设备60%的维护费用是由突然的故障停机引起的，即使在技术极为发达的美国，每年也要支付2000亿美金来对设备进行维护，而设备停机所带来的间接生产损失则更为巨大”。

常见的设备维护方式，主要有事后维护和预防性维护，事后维护是企业中最常见的维护方式，是在故障出现后用最短的时间快速完成设备的维护，最大程度上减少停机时间，但由于机床的主轴、丝杠等关键部件损坏所导致的故障维护时间较长，除了设备直接损失以外，设备故障也会对生产进度带来更为严重的影响；预防性维护是指为避免突发和渐进性故障及延长设备寿命，按照经验、相关数据或设备用户手册等传统手段对设备定期或以一定工作量（如生产产品件数）为依据进行检查、测试和更换，可在一定程度上避免潜在故障带来安全和停机等风险，但这种定期或者凭经验的维护存在不够准确、不够经济等缺点，有些设备可能并没有磨损或没有衰退到要维护的程度，提前的维护就造成了人工及资源的浪费，并影响正常的生产，对衰退严重的设备按照固定时间去维护，又可能因为时机的延迟而造成设备的加速老化，影响产品质量，甚至带来严重的安全隐患，传统的设备维护与维护管理方式，制约了企业高效、高质、低成本的生产，也远远滞后企业实现智能制造的需求；因此，针对目前的状况，现需对其进行改进。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种基于预测性维护的生产设备健康管理系统，有效的解决了常见的设备维护方式，主要有事后维护和预防性维护，事后维护是企业中最常见的维护方式，是在故障出现后用最短的时间快速完成设备的维护，最大程度上减少停机时间，但由于机床的主轴、丝杠等关键部件损坏所导致的故障维护时间较长，除了设备直接损失以外，设备故障也会对生产进度带来更为严重的影响；预防性维护是指为避免突发和渐进性故障及延长设备寿命，按照经验、相关数据或设备用户手册等传统手段对设备定期或以一定工作量（如生产产品件数）为依据进行检查、测试和更换，可在一定程度上避免潜在故障带来安全和停机等风险，但这种定期或者凭经验的维护存在不够准确、不够经济等缺点，有些设备可能并没有磨损或没有衰退到要维护的程度，提前的维护就造成了人工及资源的浪费，并影响正常的生产，对衰退严重的设备按照固定时间去维护，又可能因为时机的延迟而造成设备的加速老化，影响产品质量，甚至带来严重的安全隐患，传统的设备维护与维护管理方式，制约了企业高效、高质、低成本的生产，也远远滞后企业实现智能制造的需求的问题。

为实现上述目的，本发明提供如下技术方案：一种基于预测性维护的生产设备健康管理系统，所述基于预测性维护的生产设备健康管理系统包括设备状态检测模块、故障诊断模块、设备预警模块、故障预测模块、维护决策模块、维护活动模块以及数据服务器，所述数据服务器用于对数据进行管理存储，并将数据传输至云端进行备份存储；

设备状态检测模块：所述设备状态检测模块用于对设备需要进行状态检测的各部位进行状态检测，所述设备状态检测模块通过设备数字化接口以及外置传感器的方式采集所需数据，并以此采集的数据作为数据基础进行状态判别，此数据实时传输至故障诊断模块，其中，对于主轴功率、主轴温度以及故障信息可通过数字化设备直接传输的数据，通过设备物联网进行连接并直接读取，而对于不能通过设备直接提供的数据如振动以及噪声类状态参数，则通过外加传感器连接，通过传感器采集数据后通过物联网进行数据的读数传输；

故障诊断模块：所述故障诊断模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据，对设备是否正常进行诊断判别，所述故障诊断模块基于大数据以及专家知识库对设备数据以及状态参数数据进行数据清洗、分析以及判断；

设备预警模块：所述设备预警模块用于根据故障诊断模块的判别结果以进行判断是否发出预警警报，当判别结果存在故障时，则发出预警警报，若判别结果为正常，则不发出预警警报；

故障预测模块：所述故障预测模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据作为参考数据，通过数据建模分析评估设备当前状态并预测未来的发展趋势，在对数据进行分析时的建模模型以设备自身健康状态下的历史数据作为模型学习数据，通过机器学习的方式建立基准模型，接着通过基准模型对数据进行分析评估，得到自身的健康评估以及诊断结果；

维护决策模块：所述维护决策模块对用于基于专家知识库及相关算法，根据状态监测、故障诊断和状态预测的结果进行维护可行性分析，以可视化手段给出维护计划，所述维护计划包括维护的时间、地点、人员和内容；

维护活动模块：所述维护活动模块用于根据故障预测模块得到的诊断结果以及维护决策模块得到的维护计划，自动创建维护工单并进行分配执行。

优选的，所述数据服务器和外置终端以及外置显示器进行连接，所述外置终端具体为手机、笔记本或PC端中的一种或几种的组合。

优选的，所述基于预测性维护的生产设备健康管理系统在进行数据传输时具体网络连接方式采用4G、有线局域网、无线局域网或5G中的一种或几种的组合。

优选的，所述设备状态检测模块对数控机床设备数据采集的内容包括：操作模式、设备运行状态、是否报警、报警号、报警信息、生产产量、主轴倍率、进给速度、进给倍率、程序名、刀具号、主轴负载、主轴转速、主轴进给、加工步骤号以及设备电流；所述设备状态检测模块对PLC设备数据采集的内容包括：设备运行状态、是否报警、报警号、报警信息、生产产量、温度、速度、压力、湿度以及其它通讯协议内参数；所述设备状态检测模块对注塑机设备数据采集的内容包括：工作模式、设备运行状态、是否报警、报警号、报警信息、注塑产量、注塑温度、注塑压力、当前注塑号、注塑流量、累计生产时间、计时注塑以及其它通讯协议内参数。

优选的，所述设备状态检测模块中，外加传感器包括振动传感器、噪声传感器、压阻传感器以及霍尔传感器中的一种或几种的组合。

优选的，所述故障预测模块的工作过程包括以下步骤：①：数据采集：所述数据采集用于采集设备实时状态数据以及状态参数以及维护历史数据；②：特征提取：将采集到的设备实时状态数据以及状态参数以及维护历史数据通过特征提取的方法进行特征提取，从而得到衰退性的特征；③：健康评估：基于性能特征以及健康置信值对生产系统的运行状况进行评估以及量化；④：性能预测：在时域内预测特征在将来的值，从而预测性能的衰退趋势和问题发生的剩余时间；⑤：可视化报告：将预测结果生成可视化健康信息报告，并对所有设备的健康状态进行排序和统计分析。

优选的，所述可视化报告具体为纸质版文件或电子版文件，电子版文件根据外置终端设置的文档接收格式进行相应格式的生成以及发送。

优选的，所述维护活动模块在创建维护工单后，将工单派发至当前在位的维护人员端口。

与现有技术相比，本发明的有益效果是：

1、本发明，可基于设备自身健康状况，在恰当的时机进行相关维护，既能够保证设备的正常维护，又将对生产影响降到最低，维护成本最低，同时还能保证设备性能一直处于最佳工作状态；

2、本发明，可提前预测、诊断准确性高、为企业不断创造高价值，可以提高设备的整体生产能力和盈利能力，减少了核心设备的故障停机次数，提高了产量，提高了设备在恶劣环境下的正常运行时间；

3、本发明，消除了不必要的维护工作，降低了零部件更换成本，缩短了计划外的停机时间，延长了设备的使用寿命。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1为本发明系统实施构架图；

图2为本发明设备预测性分析建模流程图；

图3为本发明设备故障预测报警处理流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种技术方案：一种基于预测性维护的生产设备健康管理系统，基于预测性维护的生产设备健康管理系统包括设备状态检测模块、故障诊断模块、设备预警模块、故障预测模块、维护决策模块、维护活动模块以及数据服务器，数据服务器用于对数据进行管理存储，并将数据传输至云端进行备份存储；

设备状态检测模块：设备状态检测模块用于对设备需要进行状态检测的各部位进行状态检测，设备状态检测模块通过设备数字化接口以及外置传感器的方式采集所需数据，并以此采集的数据作为数据基础进行状态判别，此数据实时传输至故障诊断模块，其中，对于主轴功率、主轴温度以及故障信息可通过数字化设备直接传输的数据，通过设备物联网进行连接并直接读取，而对于不能通过设备直接提供的数据如振动以及噪声类状态参数，则通过外加传感器连接，通过传感器采集数据后通过物联网进行数据的读数传输；

故障诊断模块：故障诊断模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据，对设备是否正常进行诊断判别，故障诊断模块基于大数据以及专家知识库对设备数据以及状态参数数据进行数据清洗、分析以及判断；

设备预警模块：设备预警模块用于根据故障诊断模块的判别结果以进行判断是否发出预警警报，当判别结果存在故障时，则发出预警警报，若判别结果为正常，则不发出预警警报；

故障预测模块：故障预测模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据作为参考数据，通过数据建模分析评估设备当前状态并预测未来的发展趋势，在对数据进行分析时的建模模型以设备自身健康状态下的历史数据作为模型学习数据，通过机器学习的方式建立基准模型，接着通过基准模型对数据进行分析评估，得到自身的健康评估以及诊断结果；

维护决策模块：维护决策模块对用于基于专家知识库及相关算法，根据状态监测、故障诊断和状态预测的结果进行维护可行性分析，以可视化手段给出维护计划，维护计划包括维护的时间、地点、人员和内容；

维护活动模块：维护活动模块用于根据故障预测模块得到的诊断结果以及维护决策模块得到的维护计划，自动创建维护工单并进行分配执行。

其中，数据服务器和外置终端以及外置显示器进行连接，外置终端具体为手机、笔记本或PC端中的一种或几种的组合；基于预测性维护的生产设备健康管理系统在进行数据传输时具体网络连接方式采用4G、有线局域网、无线局域网或5G中的一种或几种的组合；设备状态检测模块对数控机床设备数据采集的内容包括：操作模式、设备运行状态、是否报警、报警号、报警信息、生产产量、主轴倍率、进给速度、进给倍率、程序名、刀具号、主轴负载、主轴转速、主轴进给、加工步骤号以及设备电流；设备状态检测模块对PLC设备数据采集的内容包括：设备运行状态、是否报警、报警号、报警信息、生产产量、温度、速度、压力、湿度以及其它通讯协议内参数；设备状态检测模块对注塑机设备数据采集的内容包括：工作模式、设备运行状态、是否报警、报警号、报警信息、注塑产量、注塑温度、注塑压力、当前注塑号、注塑流量、累计生产时间、计时注塑以及其它通讯协议内参数；设备状态检测模块中，外加传感器包括振动传感器、噪声传感器、压阻传感器以及霍尔传感器中的一种或几种的组合；故障预测模块的工作过程包括以下步骤：①：数据采集：数据采集用于采集设备实时状态数据以及状态参数以及维护历史数据；②：特征提取：将采集到的设备实时状态数据以及状态参数以及维护历史数据通过特征提取的方法进行特征提取，从而得到衰退性的特征；③：健康评估：基于性能特征以及健康置信值对生产系统的运行状况进行评估以及量化；④：性能预测：在时域内预测特征在将来的值，从而预测性能的衰退趋势和问题发生的剩余时间；⑤：可视化报告：将预测结果生成可视化健康信息报告，并对所有设备的健康状态进行排序和统计分析；可视化报告具体为纸质版文件或电子版文件，电子版文件根据外置终端设置的文档接收格式进行相应格式的生成以及发送；维护活动模块在创建维护工单后，将工单派发至当前在位的维护人员端口。

在进行使用时，首先以设备自身健康状态下的历史数据作为模型学习数据，通过机器学习的方式建立基准模型，接着通过设备状态检测模块采集设备实时状态数据以及状态参数数据，在采集设备实时状态数据时，根据不同的设备采集不同的数据，而对于不能通过设备直接提供的数据如振动以及噪声类状态参数，则根据外加传感器进行采集，采集到的实时状态数据以及状态参数数据经过数据服务器的转换后，通过故障诊断模块对数据进行故障诊断，诊断时，以大数据以及专家知识库对设备数据以及状态参数数据进行数据清洗、分析以及判断，当判断结果为存在故障时，则通过设备预警模块发出警报，若结果为正常，则不发出，且在进行故障诊断的同时，也对其进行故障预测，即通过采集设备实时状态数据、状态参数以及维护历史数据，将此多项数据进行特征提取，得到衰退性特征，接着在性能特征以及健康置信值的基础上对生产系统的运行状况进行评估以及量化，并在时域内预测特征在将来的值，从而预测性能的衰退趋势和问题发生的剩余时间，将预测结果生成可视化健康信息报告，并对所有设备的健康状态进行排序和统计分析，综合状态监测、故障诊断和状态预测的结果进行维护可行性分析，得出维护计划，再根据维护计划，自动创建维护工单并进行分配执行，完成对生产设备健康管理，其能够基于设备自身健康状况，在恰当的时机进行相关维护，既能够保证设备的正常维护，又将对生产影响降到最低，维护成本最低，同时还能保证设备性能一直处于最佳工作状态，且可提前预测、诊断准确性高、为企业不断创造高价值，可以提高设备的整体生产能力和盈利能力，减少了核心设备的故障停机次数，提高了产量；降低了维护成本，提高了设备在恶劣环境下的正常运行时间；消除了不必要的维护工作；降低了零部件更换成本；缩短了计划外的停机时间；延长了设备的使用寿命。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于预测性维护的生产设备健康管理系统，其特征在于：所述基于预测性维护的生产设备健康管理系统包括设备状态检测模块、故障诊断模块、设备预警模块、故障预测模块、维护决策模块、维护活动模块以及数据服务器，所述数据服务器用于对数据进行管理存储，并将数据传输至云端进行备份存储；

设备状态检测模块：所述设备状态检测模块用于对设备需要进行状态检测的各部位进行状态检测，所述设备状态检测模块通过设备数字化接口以及外置传感器的方式采集所需数据，并以此采集的数据作为数据基础进行状态判别，此数据实时传输至故障诊断模块，其中，对于主轴功率、主轴温度以及故障信息可通过数字化设备直接传输的数据，通过设备物联网进行连接并直接读取，而对于不能通过设备直接提供的数据如振动以及噪声类状态参数，则通过外加传感器连接，通过传感器采集数据后通过物联网进行数据的读数传输；

故障诊断模块：所述故障诊断模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据，对设备是否正常进行诊断判别，所述故障诊断模块基于大数据以及专家知识库对设备数据以及状态参数数据进行数据清洗、分析以及判断；

设备预警模块：所述设备预警模块用于根据故障诊断模块的判别结果以进行判断是否发出预警警报，当判别结果存在故障时，则发出预警警报，若判别结果为正常，则不发出预警警报；

故障预测模块：所述故障预测模块用于根据设备状态检测模块采集到的设备实时状态数据以及状态参数数据作为参考数据，通过数据建模分析评估设备当前状态并预测未来的发展趋势，在对数据进行分析时的建模模型以设备自身健康状态下的历史数据作为模型学习数据，通过机器学习的方式建立基准模型，接着通过基准模型对数据进行分析评估，得到自身的健康评估以及诊断结果；

维护决策模块：所述维护决策模块对用于基于专家知识库及相关算法，根据状态监测、故障诊断和状态预测的结果进行维护可行性分析，以可视化手段给出维护计划，所述维护计划包括维护的时间、地点、人员和内容；

维护活动模块：所述维护活动模块用于根据故障预测模块得到的诊断结果以及维护决策模块得到的维护计划，自动创建维护工单并进行分配执行。

2.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述数据服务器和外置终端以及外置显示器进行连接，所述外置终端具体为手机、笔记本或PC端中的一种或几种的组合。

3.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述基于预测性维护的生产设备健康管理系统在进行数据传输时具体网络连接方式采用4G、有线局域网、无线局域网或5G中的一种或几种的组合。

4.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述设备状态检测模块对数控机床设备数据采集的内容包括：操作模式、设备运行状态、是否报警、报警号、报警信息、生产产量、主轴倍率、进给速度、进给倍率、程序名、刀具号、主轴负载、主轴转速、主轴进给、加工步骤号以及设备电流；所述设备状态检测模块对PLC设备数据采集的内容包括：设备运行状态、是否报警、报警号、报警信息、生产产量、温度、速度、压力、湿度以及其它通讯协议内参数；所述设备状态检测模块对注塑机设备数据采集的内容包括：工作模式、设备运行状态、是否报警、报警号、报警信息、注塑产量、注塑温度、注塑压力、当前注塑号、注塑流量、累计生产时间、计时注塑以及其它通讯协议内参数。

5.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述设备状态检测模块中，外加传感器包括振动传感器、噪声传感器、压阻传感器以及霍尔传感器中的一种或几种的组合。

6.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述故障预测模块的工作过程包括以下步骤：①：数据采集：所述数据采集用于采集设备实时状态数据以及状态参数以及维护历史数据；②：特征提取：将采集到的设备实时状态数据以及状态参数以及维护历史数据通过特征提取的方法进行特征提取，从而得到衰退性的特征；③：健康评估：基于性能特征以及健康置信值对生产系统的运行状况进行评估以及量化；④：性能预测：在时域内预测特征在将来的值，从而预测性能的衰退趋势和问题发生的剩余时间；⑤：可视化报告：将预测结果生成可视化健康信息报告，并对所有设备的健康状态进行排序和统计分析。

7.根据权利要求6所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述可视化报告具体为纸质版文件或电子版文件，电子版文件根据外置终端设置的文档接收格式进行相应格式的生成以及发送。

8.根据权利要求1所述的一种基于预测性维护的生产设备健康管理系统，其特征在于：所述维护活动模块在创建维护工单后，将工单派发至当前在位的维护人员端口。

Images