当前位置:文档之家› 故障预测与健康管理系统方案

故障预测与健康管理系统方案

故障预测与健康管理系统解决方案1.国内数字化设备管理存在的问题今天,随着德国“工业4.0”、美国GE“工业互联网”在全球的风靡,以及“中国制造2025”战略的如火如荼地推进,以新一代信息技术与制造业深度融合为特点的智能制造已经引发了全球性的新一轮工业革命,并成为制造业转型升级的重要抓手与核心动力。

1.1.设备管理问题依然严重在多年的项目实施过程中深切感觉到,国内不管是大型企业还是中小企业,随着数字化脚步的加快,设备数控化率在逐年飞速的提高,数字化设备的数量与日俱增。

但这些设备出现故障以后的维修周期平均在2周以上,属于主轴、丝杠等关键部件损坏所导致的故障维修时间平均在3周以上。

维修期间,不仅严重影响生产进度,影响交货期,而且需要花费不菲的维修费用。

国外设备厂家提供的维修服务都是从工程师离开国外住地开始计算维修费用,如果请国外工程师维修,光人工费用每次平均都在5万(人民币)以上,加上更换备件等费用,每年企业需支付昂贵的设备维修费用。

企业目前对数字化设备采用传统“事后维修”的管理方法已经严重制约了公司的智能制造发展目标。

需要研究和探索,对于大量的离散制造业的设备进行预防性维护和故障预测的方案。

1.2.设备健康管理需求迫在眉睫设备数据采集系统采集设备数据利用价值没有充分挖掘出来,给工厂决策等提供的分析数据有限。

虽然在数字化工厂建设上取得了较好的效果,但是在设备数据利用方面还远远不够。

设备数据采集系统经过长期的系统运行,拥有了大量的设备的运行历史数据。

3OEE、开机率、故障率报表显示70%4报警故障信息次数和内容统计40%5加工零件信息数量统计30%6程序传输功能程序上传下载90%7其它信息报表和看板展示不确定表格1某企业数据采集利用程度表设备数据采集系统虽然可以提供与生产效率相关的基本统计信息,但仍然倚重硬件互联的部分,对于数据,尤其是海量互联数据分析来达到机器主件衰退监测、健康状况评估、故障预测预诊断、风险评估、以及决策支持方面,仍然有提升空间:1)现有的数控机床联网制造了大量数据,然而目前却没有很好的分析方式,目前仅仅限于原始数据重现,应该进行价值挖掘。

2)数控机床数量多、类型多、系统多样,虽然数据互联,但对于每种不同机型,缺少每个机台的针对性健康状态监测结果。

3)现有的生产管理系统更多是从设计角度出发,没有对设备健康状况做监测,并且在管理时没有将生产效率与设备健康连接起来,所使用机器将因为衰退情况的未知而对生产任务的完成造成未知风险。

4)对于设备生产产品的质量检测,目前没有实现数字化。

在发现产品质量问题时,次品已经产生。

缺少提前预测产品质量缺陷手段。

5)在绿色环保方面,对于设备使用的能量没有监测或数字化管理手段。

设备能耗状况的管理相对粗放,没有能够与生产任务协调管理,使得在达到生产效率最大化的同时实现能效最优化来节省开支,降低碳排放。

6)对于相同设备的维护管理,由于经常依赖于经验以及设备用户手册,所采用的维护方式大都趋同。

然而,根据设备所经历的不同工况,相同的设备可能衰退的过程不尽相同。

如果对于衰退不严重的设备实施了维护,那么会造成资源浪费以及停机时间,进而影响生产效率;如果对于衰退严重的设备延迟进行维护,则可能造成设备加速老化,甚至严重的生产安全隐患。

鉴于以上提升空间,企业需要利用故障预测与健康管理领域的前沿技术,在现有的设备互联网络基础上,搭建故障预测与健康管理的智能化平台,实现对数控机床设备健康状况的可视化、信息互联化,从而达到提高生产效率、降低停机维修频度、以及降低能耗的目标。

2.关于故障预测与健康管理故障预测与健康管理(Prognostics and Health Management,PHM)技术经过十几年的发展,形成了对设备健康状态进行评估、对衰退监测、以及对故障预测与诊断的较完整的理论体系。

故障预测与健康管理系统的目标是通过对过程中数据的分析来预测设备健康状态与部件剩余使用寿命,实现预测性维护,从而达到提升生产效率,优化设备管理的目的。

企业如果可以将数据驱动PHM对于数据分析与挖掘的技术应用到设备海量数据的环境中,将可以创造一个“智能设备互联网”,使得设备间、设备与用户间传递的不仅仅是数据,而是数据背后的设备健康状态信息。

●在设备主件层面,所监测的对生产消耗有重大影响的关键部件的磨损/衰退状态可以实时向用户展示。

对各个部件的剩余寿命预估,有助于精细化管理部件备品备件在存储仓库的存货量,以避免为了保证设备正常运转的多余库存量仓储费用。

该信息还可以与供应商共享,从而链接整个供销产业链,为供应商实现准时化供货提供链接桥梁。

●在设备层面,以生产能力评估为指导。

对整个工厂的设备实施联网后可以进行基于设备工况相似性的精确性能评估。

在得到单个设备性能评估相对时间发展的曲线之后,可以预测机器生产性能的发展趋势,并且以此为依据分析该设备或者全厂设备完成生产任务的风险,为更高层级的管理决策判断服务。

●在生产管理部门层面,如果机器可以实时反应其健康状况以及部件磨损衰退状况,并且评估以及预测机器完成生产任务的风险,那么对于繁重而紧急的生产任务,可以科学分配机器生产计划,最大限度提高生产能力与设备利用率,并且延长其使用寿命。

综上所述,企业将设备加入故障预测与健康管理的智能,是实现工厂迈向信息化、高效化、互联一体化的智能制造现代工厂必不可少的关键步骤。

3.系统理念故障预测与健康管理系统采用直接通过采集机床信号并分析,把信息传达到管理系统,使得工厂管理透明化信息化,这将是可预见世界潮流须突破的必然趋势。

制造加工工业目前存在的问题可以归为如下图的四象限图,“可见”,“不可见”,“可解决”,“可避免”。

图1加工机床关键问题分析目前对于加工机床的改善投入主要集中在解决“可见的问题”上面,例如提高生产精度、道具管理、生产过程模拟、异常参数报警等。

然而,去避免和解决“不可见的问题”将会带来更大的价值和竞争力的提升。

故障预测与健康管理系统的智能维护技术所能够避免和解决的“不可见的问题”主要包括:早期故障预诊和诊断、点检优先级排序、运维排程优化、质量风险预测、刀具和关键部件磨耗评估、生产计划排程优化等。

4.系统目标故障预测与健康管理系统采用健康诊断预测技术,提出数控机床智能故障预测和诊断这一理念,并实现智能工厂的理念。

每一台机床以及其关键零组件的健康状态等信息将备份在云端的资料库中,结合生产计划和维护保证计划和资源信息,使工厂管理者可以很便捷地了解和管理设备的状态,最终将设备健康状态与生产计划和维修计划相匹配提供生产最佳化排程建议,实现降低生产中的浪费和停机时间造成的成本损失。

故障预测与健康管理系统可以集中管理整个工厂的所有数控机床,实时显示每台机床的在线情况,健康状况,及时的优化生产和提前安排维护工作。

管理者可以通过APP的方式在手机上直接远程监测到工厂运行状况。

图2智能监控案例中的监控界面图3关键机械部件健康雷达图5.系统功能介绍故障预测与健康管理系统PHM结合刀具磨损的在线风险评估和剩余寿命预测,与产品的质量风险建立关联,提供刀具更换的最佳化建议,最终提升产品质量和服务收益。

故障预测与健康管理系统PHM核心功能实现主要分为五部分,如下表所示,分别是关键部件健康评估、刀具寿命预估、生产过程监控、能耗管理、和机台集群健康管理。

表格2核心功能实现表对于数控机床,其主要的零部件包括刀具,进给系统、轴承、和主轴,每一个关键部件的健康衰退直接关系到整个机台的在线状况,一个部件的磨损可能会导致到产品质量下降甚至宕机。

对于这些关键部件的日常点检,采用自动化的检测技术能够比人工的的点检更加高效和可靠。

因此,故障预测与健康管理系统提出了固定周期固定特征的开机测试,从而使得操作者了解机台的初始健康状态。

第二部分是刀具的寿命预估,通过采集一些振动信号或其他PLC控制器信号,并运用智能算法判断出刀具磨损的当前状态,从而运用一系列预估算法推断出刀具的剩余寿命。

第三项为生产过程监控,为机台管理提供生产过程中的在线的故障监测预警及产品质量预测。

第四部分是能耗管理,透明化机床的能源消耗,并根据机台间能耗的比较发现故障隐患。

当前面四个功能在单个机台实现的基础上,我们提出设备集群健康管理的概念,通过同类机台之间的差异性比较实现设备间的信息互联和经验借鉴,以提供更加可靠的健康评估和诊断结果,实现整个工厂的集群管理。

5.1.关键部件智能监控数控机床的关键部件确定,首先要根据机床维护历史记录对各个部件的损坏频度与损坏影响进行分析。

如下图所示,以与美国丰田肯塔基汽车制造厂合作的项目为例,对机器各个部件画出了“损坏频率-平均停机时间”的四象限图,用来识别故障预测与健康管理的对象。

对于第一象限的部件,损坏的次数既多、停机时间也长,这些部件可能要在设计时考虑替换或者更改设计方式来避免机器的缺陷;对于第二象限的部件,可以采用增加备品备件的维护策略,因为这些部件寿命短,但同时不会造成太久的停机时间;在第三象限的部件不会经常损坏,而且对生产负面影响也小,常规定期维护即可满足维持生产效率需求;而第四象限的部件虽然不会经常损坏,但一旦损坏便会造成长时间停机,对生产效率负面影响极大。

预测性维护的重点便是处在第四象限的部件,我们称之为“关键部件”。

对于而对这四象限的区分阈值,需要根据用户需求,以及专家经验来制定。

图4析故障预测与健康管理对象主件的四象限图在根据维护记录以及故障分析四象限图得出关键部件列表的同时,也需要对部件可靠性要求作分析。

根据参考文献以及专业领域知识,轴驱动电机、刀具主轴承、冷却剂泵、以及润滑系统为四个关键部件/系统[1-3]。

对于数控机床的数据采集,数据来源基本可以分为控制器信号与加装传感器信号两类。

所需要的信号包括但不限于如下表格所列各项。

表格3模具数控机床常用信号采集列表在确定关键部件以及所需要的信号之后,需要对数据进行有效采集,来与获取关键部件健康状态的信息。

针对模具机床本身类型多样、产品多样、工序复杂的特点,本研究采用IMS中心所开发之“定周期特征测试”(FCFT)的方法[4],可以在机器开机与关机之前,检查设备关键部件健康状态,保证设备可靠性;也可以在设备定期人工检查时,帮助提高故障检测准确度。

图5定周期特征测试(FCFT)健康状态评估方法流程定周期特征测试健康状态评估方法流程如上图所示。

FCFT的好处之一判断设备健康状态不需要故障状态数据,而只需要健康状态的数据作为基线,建立模型。

在训练模型阶段,健康状态的数据通过让机器按预设FCFT而得到。

所得数据经过特征提取,特征筛选与降维后,建立基线状态混合高斯模型(GMM)模型。

在实际生产开/关机时,或者人工检修中,也按照FCFT预设运行一遍模具机床,得到当前状态下机器的数据。

相关主题