基于大数据的设备状态监控模型

王灵运，张光宇

（1.上海汽车股份有限公司培训中心，上海 200041 2.江森自控有限公司，上海 200060）

基于大数据的设备状态监控模型

王灵运1，张光宇2

（1.上海汽车股份有限公司培训中心，上海 200041 2.江森自控有限公司，上海 200060）

针对设备管理过程中对设备状态监控的需求和实施难点，分析大数据应用在设备监控的可行性，并提出建立实时有效的设备监控系统模型的思路，根据案例论述实施中应注意的问题。

工业大数据；设备监控；设备损失；智能制造

10.16621/j.cnki.issn1001-0599.2017.09.07

1 实施设备状态监控的目的

设备在使用过程中会存在各种各样的损失，这些损失可汇总为7种：①设备故障的损失。②设备空转和暂停的损失。③设备换型的损失。④设备调试的损失。⑤设备启动的损失。⑥设备性能衰减的损失。⑦产出废品的损失。这些损失最终将表现为设备性能的下降，设备使用时间的减少，以及产品合格品率的降低，对企业的运营会带来巨大的影响。

因此要了解设备在实际使用过程中的状态，以及这些损失在使用过程中的分布情况，企业就需要对设备设定相应的控制点，并进行及时监控，以实现3个目的。

1.1 了解阶段时间中设备损失的构成

目前企业对于这7种损失在设备监控过程中，主要采用3种方式进行收集，即损失①～④主要表现为这些损失的停机时间；损失⑤，⑥通过定期测试设备动静态性能或比较实际的生产节拍与理想（工艺）工作节拍之间的差异来判断；损失⑦是通过产品做出后的质量结果判断而得出的。通过对这些数据的获得，并以一定方式的计算就可以得到设备的损失构成，从而知晓消除损失的方向。

1.2 得到准确的设备KPI源数据

7种损失的数据均可转化为统一的单位（比如时间），用来计算MTBF，MTTR，OEE等设备管理指标，最终评判阶段性设备管理水准。而这些数据越精确，越实时，对设备的评价就越准确。

1.3 通过状态数据来提前发现设备的问题和故障

设备性能从衰减到真正功能失效，一般都存在一定的周期。如果在衰减的初期能够发现设备潜在的失效，就可以提前对设备采取相应的措施，避免可能产生的安全，环境和运营的损失。目前传统的监控方式是使用某些仪表，定期对设备的某些控制点进行相应的测量。例如，热成像仪通过电缆热度的变化来判断电缆的老化程度；利用振动仪显示的频次来测量轴承的好坏等。因此，设备监控可以提前发现设备的异常状况，从而预先采取措施避免或者减少设备产生的损失。

2 设备状态监控的难点

因为设备状态监控对企业管理的益处，使设备监控越来越受到设备管理的重视。但目前企业设备监控中一般会存在若干难点，主要表现在3个方面。

2.1 监控采样密度不够

（1）需要收集足够多的数据。由于设备状态是连续变化的，所以希望采样的密度能够足够大，以尽量收集足够多和更加精确的数据，覆盖足够多的过程，以保证分析的可靠性。

（2）采用定时离散的监控计划。传统的状态监控过程中，由于人员、设备和成本的因素，除了涉及到重大事项的控制点会投入巨大成本进行实时监控外，一般不会对控制点进行大密度或全天候的监控。而采用定时离散的监控计划，其缺点是设备的失效或者潜在失效，可能是在监控的间隔之中产生的。

2.2 非显性损失和人工采集数据精度不高

设备非显性损失和人工采集方式所获取的数据，往往使数据的精度不高。例如，上述中设备的7种损失并非都是显性的，像设备故障的损失和产出废品的损失可以相对显性地表现出来，而其他5种损失如果不能明确的测量和收集甚至没有具体的定义，很可能就会统计不到或被遗漏，造成统计数据的缺失和统计精度无法保证。

2.3 老设备的系统数据采样难度大

因为有些设备在前期规划阶段没有考虑到数据采集问题，所以老设备就会体现出2方面的采样难度：一是设备不具备数据收集和传输能力；二是设备供应商不愿意开放这些数据给用户。这2个难题均会带来在实施过程中巨大的成本支出和时间占用，甚至会引起设备的大幅度改造。

3 工业大数据技术对设备状态监控带来的机会

工业大数据是指在工业领域中，围绕典型智能制造模式，整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。工业大数据技术是使工业大数据中所蕴含的价值得以挖掘和展现的一系列技术与方法，包括数据采集、预处理、存储、分析挖掘、可视化和智能控制等。本质目标就是从复杂的数据集中发现新的模式与知识并得到有价值的新信息，从而促进工业企业的产品创新、提升经营水平和生产运作效率。

4 大数据设备监控模型架构

采用设备大数据进行设备监控的架构是通过传感技术，先实时采集设备上的共有特性（如用电量、功率、电流、电压等），再通过软件对连续数据的分析和处理，得到一系列结果，完成对设备运营中损失的实时统计，发送出相应的解决方案和指令，之后对于数据显著和关键的差异再通过专业仪器近一步的专项测试，从而确诊故障点和实施故障解决。所以，通过大数据的使用，首先可以摆脱原先设备上的瓶颈，不局限于设备供应商是否支持和设备上有无传输端口；只要设备上有用电数据，就可以通过串并联相关传感单元很容易地被采集出来，而且采集的成本也会相对较低；只要将采样周期设定得足够短（达到秒级采样周期），就可以得到更加精准的实时数据。

参考点（图形）是决定软件数据比较和判断的重要基准。以功率为例，软件中设定的一些参考数据将决定数据计算后的归属，设备瞬间运行功率为0 kW将被判断为停机状态；设定Pst就是待机功率时，运行功率=Pst为待机状态，但这个功率对于每台设备来说都是不同的，所以在前期设定过程中就需要了解设备的初始待机功率值；每台设备生产产品节拍时间中的基本特性曲线，需要有既定的路程进行确定和修订，将目前的设备曲线通过程序自动和特性图形进行比对（可以设定相应的波动范围），确定目前加工的过程是否存在异常，异常状态就意味着损失的可能。

5 案例分享

下面是设备状态监控模型在某整车厂动力总成车间实施的案例。该监控系统是通过对设备的用电量的方式进行采集，再通过MODBUS总线的方式收集数据，进行汇总和分析，最终得出系列结论和方案帮助企业进行精细化管理的过程。

（1）对标管理是企业能源管理的重点，能源消耗限额控制也是智能制造的重要维度之一。该模型基于把设备管理思想与能源管理思想相结合的前提，对每台设备用电量进行采集分析，按照财务维度将制造工厂用能单位划分为工厂、车间（以及辅助生产系统和附属生产系统）、生产线、设备4个层级，逐级分析，每一层级制定相关的指标和参数。设备监控系统准确及时地反映整个能源管理过程中可能存在的问题，将能源管理的事后控制转变为过程控制，使管理层能及时采取相关措施对暴露问题进行解决，从而有效地降低单位产品能耗，提高利润率，实现能源管理上的精细化；同时通过构建统一、能效大的数据平台，实现能效数据与业务现场数据的集成，使用大数据分析手段全面支持业务运作、成本管控和决策分析，实现岗位能效自我改善，帮助决策层更准确地评估企业能耗状况，以大大提高企业决策的成功率。

（2）设备状态分析数据包括设备异常类型（正常、总能耗异常、空运转能耗比例异常、待机能耗比例异常、非生产能耗比例异常）、总能耗值、加工运行时间、加工运行能耗、空运转时间、空运转能耗、空运转能耗比例值、待机时间、待机能耗、待机能耗比例值、非生产时间、非生产能耗、非生产能耗比例值等。如果按照功率——时间的方式采集数据，将会有更细化的报表生成。

（3）在分析和采集大量设备状态能耗数据后，对不同种类和运行工况进行聚类分析，通过集群建模方法对设备状态进行数据分析，通过比较每台设备与集群的差异性来判断其异常程度。在对设备的健康状态进行定量化分析之后，可以从车间级、生产线级、单机级对设备状态进行垂直立体化的管理，根据设备的实时状态进行维护计划和生产计划的调度。

（4）在工厂生产线设计和建造阶段虽然已经确定基本能耗范围，但通过对能耗进行监控，运用大数据分析技术建立多维数据分析模型，通过关联更多的维度和数据项，例如，班组、人员等信息，揭示人因与能效控制目标的偏差程度，对设备运行参数和能耗历史数据进行分析，及时发现能耗偏离计划目标的情况，整合相关数据进行分析，挖掘能耗异常的根本原因，指导设备进行自适应调整、生产工艺优化、节能管理措施实施等，不断改进能耗表现。

这套设备的监控系统只囊括了监控的一小部分，更加丰富的内容随着数据量的增加和软件功能的加强会越来越体现其价值。总之，设备产生的各类数据是一笔巨大的财富，原先由于各种资源的约束，无法很好地进行开发，但随着信息技术的快速发展，开发的成本将越来越低，随之数据处理后的结果将为企业管理和决策带来科学的参考依据和强大的支撑作用。

U468.2

B

〔编辑 王永洲〕