建立设备全寿命诊断标准实现在线智能诊断

胡军

（鞍钢股份有限公司设备保障部，辽宁 鞍山114021）

随着“中国制造2025”规划的提出和工业4.0所带来的发展机遇，国内外各大钢铁企业都在积极实施智能制造的战略升级。钢铁生产是典型的设备密集型流程，设备尽早实现在线实时监测与智能诊断是未来实现生产高效、质量提升、节能降耗的重要保证，也是钢铁企业智能制造战略发展中必不可少的一环[1-2]。

实现智能诊断的前提是完全了解作为宏观类型划分的设备全部寿命时间历程，以及设备运行状态按不同方向发展的可能性。具体来说，不同设备的寿命各不相同，甚至是完全相同的设备，寿命也不相同，所以设备寿命有多重路径可供选择。客观来讲，如果一个设备的寿命还没有完全展开，就不能彻底理解其寿命。同样，直到展开了这一确定设备的最后一小部分，才能看清设备故障的最后或事故状态。由此来看，智能诊断的实现必定要建立在设备的全寿命诊断标准之上。本文介绍了鞍钢股份有限公司（以下简称鞍钢）建立的设备全寿命诊断标准及实现在线智能诊断的方案。

1 设备寿命综述及现有振动标准评估辨析

1.1 设备寿命综述

设备寿命本身被定义的时间已经不算短了。中国机械工程学会设备维修学会学术委员会在1985年编写的《设备管理维修术语》中对设备寿命的定义如下：广义的设备寿命，又称设备全寿命或设备寿命周期，是指设备发生费用的整个期间，从规划设计阶段、使用阶段至报废为止；狭义的设备寿命，又称自然寿命、物质寿命或物理寿命，即设备实体存在的期间，指设备制造完成后，经使用、维修直至报废为止的期间[3-4]。

浴盆曲线是对设备寿命最古典的描述方式。浴盆曲线之后，国内外的科学家与工程师针对不同的研究对象提出了很多有效的寿命预测方法，且均展现出了各自的优势和实用性。但当前寿命预测研究中还面临诸多问题，如多种环境因素对机械重大装备寿命的影响，多向变幅载荷等复杂载荷形态下的寿命预测等。历史上基于确定性方程的经典寿命预测方法正在朝着概率统计的方向发展，例如现在流行的大数据。但是基于大样本渐进学习理论的统计学习方法并不适合冶金机械重大装备试验样本稀少的特点，并且最为重要的是统计学习的方法如何能达到重大装备整机寿命预测的水平[5-6]。

1.2 现有振动标准评估辨析

设备管理的中心任务是保证设备的功能、状态、精度良好，现代化制造业完成这个任务最科学和经济的方法是预知维修，而建立能全面描述设备一生生命特征的专有标准是实现预知维修的必要条件。标准的原意为标靶，后定义为衡量事物的准则。任何成熟的现代设备管理体制都是建立在标准的基础上，如源于日本、现在风行于全中国冶金企业的点检定修制就是建立在四大标准的基础上。

旋转机械是机械行业中最重要的核心组成部分。旋转机械的振动状态能比较客观全面的反映机器设备的运行状态信息。为保证设备在两次维修期间能够连续、安全和可靠的工作，国内外对旋转机器的工作振级做了很多限制性规定，即振动标准。以最经典的ISO2372标准为例。ISO2372标准能够以简洁的方式体现振动标准的核心理念，以振动值大小为标准来评定机器的运行状态，但ISO2372与此后的相类似标准都只以振动值为标准，仅对设备运行状态的优劣做出判断，虽然为现代设备管理做出了巨大贡献，但由于缺少对故障原因的定性判断以及故障演化发展过程的更深入描述，不能满足真正实现预知维修所需要的客观条件[7]。

对现有振动标准进行评估辨析，具体如下：

（1）现有振动标准如ISO国际标准、国家标准、行业标准、企业标准等都强调通用性。例如ISO振动标准第三类，该规定应用于转动质量在测量方向上为刚性支撑的大型驱动机器，但从世界范围来说，大型驱动机器种类繁多，设计、制造、运行、检修方面各有其特点，很难对其振动限值做出统一规定。

（2）现行振动标准都有很大程度的经验性，在某种程度上是合适、可行、有指导意义的，但还缺乏足够的理论支撑。如关于报警值的设定，ISO国际标准是按具体机组以前正常运行时的基线值高于B区（满意区）的125%来设定，完全是经验性的。

（3）现行振动标准按照振动量值分类，属于刚性静态标准，极有可能错过故障状态的转折点，从而失去最佳的维护、检修时机。

（4）现行振动标准更深层次的问题在于仅对设备运行状态的优劣做出判断，与故障原因脱节，与时间历程无关。而且对个性化的具体设备只做这些简单的把握并不能满足工业4.0的要求。因此，还需要对故障原因的定性判断以及故障演化发展过程做更深入的认识，以建立全方位描述冶金设备一生寿命特征的专有标准。

2 设备全寿命诊断标准

2.1 设备全寿命诊断标准的性质

针对现行振动标准存在的问题，鞍钢设备保障部制定了设备全寿命诊断标准。根据Jeffcott转子不同故障程度的特征，综合运用故障指数Gz、破坏指数Pz、事故指数Sz、奇异化谐波故障级数Qg、奇异化谐波破坏级数Qp，科学有效的划分和展开了Jeffcott转子的全寿命过程。利用这些紧密契合故障状态的故障参数就可以建立个性化、科学化、具有动态柔性的振动标准，再进一步结合故障原因和时间历程就形成了兼具“二维”和“三定”特性的设备全寿命诊断标准。

2.1.1 设备全寿命诊断标准的“二维”特性

设备全寿命诊断标准的“二维”特性：一维是表征故障转子轴心运行轨迹奇异化规律的有量纲特征标准，一维是表征故障转子劣化程度的无量纲特征标准。“二维标准”流程如图1所示。

2.1.2 设备全寿命诊断标准的“三定”特性

设备全寿命诊断标准的“三定”特性包括以下内容。

（1）定性，即定故障根本原因。“二维”的直接应用就能够判定故障的根本原因，如果再以故障频谱和最能表现故障特征的波形作为个性化的特定故障频谱标准或故障波形标准加以丰富，当此故障再次发生时，就可以明晰故障的具体细节。故障定性可以变传统的现象检修为本质检修。

（2）定区域，即划定维护和检修工作的区域。一般在故障阶段采取“清扫、紧固、润滑、调整”维护措施（即八字方针）就可以使设备重新恢复到正常状态。而当故障到达破坏阶段后，则需要检修作业。以标准化的方式划定维护和检修工作的区域后，可以变传统的经验检修为科学检修。

图1 “二维标准”流程

（3）定时间，即定故障发展过程的各阶段时间。大型冶金企业都拥有雄厚的技术力量，对设备故障定量、定性的判定均有保障，但仍无法确定最科学经济的停机时间点，“二维标准”把设备检修阶段（劣化期）和事故发生阶段以周为时间单位表示，真正完成了特定设备真实寿命的描述。定时间可以变传统的被动接单式检修为主动检修。

2.2 设备全寿命诊断标准对设备寿命各阶段的理解与划分

设备全寿命诊断标准图示如图2所示。

2.2.1 “绿区”——安全期

将“绿区”定义为功能状态精度良好区，即安全期。由于在此功能状态下，设备无需任何维护、检修行为，且几乎不消耗费用，因此是设备的最佳使用阶段，也是通过维护、保养、定修、年修所要恢复的理想状态，设备在此种功能状态运行的时间越长越好。

图2 设备全寿命诊断标准图示

2.2.2 “黄区”——维护保养区

由于长期反复的振动会使润滑剂消耗、各部连接松动、失去中心等初期故障出现，设备进入“黄区”，即维护保养区。进入“黄区”意味着设备精度开始降低，此时需要靠“清扫、紧固、润滑、调整”工作来重新提高设备精度，返回“绿区”并尽可能长时间保持。值得注意的是，由“黄区”到“绿区”是通过简单的维护保养就可以实现的。因此，设备的真实寿命并不按照传统的寿命曲线那样表现为寿命时间的单向递减，而是在“绿区”、“黄区”之间形成一个周期往复的循环过程。设备管理的真正目的是使设备在这两个阶段之间尽可能的循环下去而不向下发展，因为有此良性循环，所有设备寿命并没有确定的具体时限。

2.2.3 “红区”——检修期

如果“黄区”的“清扫、润滑、紧固、调整”工作没有得到切实的贯彻执行，当松动造成的偏斜超过设计间隙时，就会导致碰摩发生，设备零部件开始磨损，设备进入“红区”，即检修期。由于设备的零部件已经出现本质上的问题，设备精度不断下降，状态也不断劣化，这时"黄区"简单的维护保养已经不能解决问题。对长年的实际监测数据进行统计，结果显示绝大部分冶金机械旋转设备都有一个相对较长的劣化过程，在此期间完全可以做好从生产协调到备件整备以及实施作业前的一切准备工作。如果采用点检定修制，把“红区”的时限设为定修周期的几个整数倍，就完全可以选择最优的检修时间。

2.2.4 “紫区”——事故发生期

由于零部件的持续磨损，设备的功能、状态、精度将继续下降甚至丧失，设备进入“紫区”，这意味着事故发生期开始，且设备即将停止运行。理论上一般认为零部件损坏后就会立刻使设备丧失功能造成事故，但从十多年故障诊断的经验来看，大多数情况并非如此。大量连续监测的事实证明，在部分零部件的故障极为严重或完全失效的情况下，多数旋转机械还能坚持运行一段时间，此阶段本文称之为事故发生期。事故发生期是零部件的故障极为严重或完全失效的情况下设备的最后使用极限，这个期限是对设备在功能、状态、精度即将完全丧失的最恶劣条件下的耐受力的评估。了解了这个期限的长短，能够在紧急状态下平衡生产和检修，以最小损失为目标，为判定是否采取有计划停机，和避免事故停机提供可靠依据。

如2013年4月17日鞍钢无缝钢管厂177机组轧机减速机经诊断轴承已损坏，但因生产任务紧急不能立刻停机，经研究之后决定在现场点检和公司设备状态监测的严密监控下继续生产。2013年5月13日轧机在完成生产任务后计划停机解体时发现轴承保持架已断裂，滚动体严重剥落，如图3所示。

图3 轴承损坏图片

由图3可见轧机在轴承严重故障或已经失效的情况下仍然运行了26天。轴承寿命趋势跟踪如图4所示。由图4可以看出轴承已经损坏后的冲击特征。事故发生期的经验性积累是避免恶性事故最后的保障。

图4 轴承寿命趋势跟踪

对故障原因和劣化过程的全面了解是实现预知维修的关键，掌握了这两个要素，设备问题将得到解决。对最关键设备实施周期监测，全程跟踪设备劣化周期，反复优化监测-诊断-解体验证-建标的全过程，在避免事故和优化调整检修周期的同时逐渐建立起关键设备的设备全寿命诊断标准体系，就能够真正实现预知维修。

2.3 设备全寿命诊断标准的优势及在维修体系中的作用

2.3.1 设备全寿命诊断标准的优势

设备全寿命诊断标准的优点是在预知故障根本原因的基础上，把维修作业行为和故障劣化时限有机的结合在一起，以达到科学、经济、有效的目的。设备全寿命诊断标准用故障区域来表现设备故障发展的产生和劣化阶段，用颜色给出故障的严重级别。不仅如此，设备全寿命诊断标准的特点还在于设置了“紫区”，并且根据具体设备的振动特征值，对应各种故障的不同敏感程度建立多重标准共同使用。设备全寿命诊断标准中，采用频谱、波形作为定性标准来判断识别设备的故障根源，这是ISO国际标准所不具备的。设备全寿命诊断标准更大的优势在于把理论意义上的寿命曲线具体化为特定设备真实的生命历程，并以此来规划并实现其全面的智能化。

2.3.2 设备全寿命诊断标准在维修体系中的作用

设备全寿命诊断标准能为资材备件费用的合理使用提供可靠保障。依据设备全寿命诊断标准可以很容易处理如下问题：在用设备的零部件是否有问题，是否需要下线维修，上线前问题是否已消除。同时，设备全寿命诊断标准也成为修复单位需强制执行的修复标准。设备全寿命诊断标准的更深层次的开发利用在于寻求备件更合理的更换周期，从长效的时间角度确定备品库存量，从而为合理地制定订货周期提供依据。设备寿命及费用周期如图5所示。

图5 设备寿命及费用周期

3 利用设备全寿命诊断标准实现在线监测及智能诊断

3.1 在线监测及智能诊断总体目标

在线监测及智能诊断的总体目标是在鞍钢智能制造总体建设目标的框架下，对全公司各分厂生产线的A类关键设备运行状态进行在线数据采集，建立设备状态监测系统，实现数据传输、数据存储、智能分析、故障诊断、趋势预警、图形图表可视化等核心功能，通过动态掌握关键设备的运行状况，对异常情况进行分析，定位故障点和故障原因，及时采取相关措施保障关键装备的功能精度稳定，为高效生产和稳定产品质量提供设备保障。

3.2 在线监测及智能诊断指导思想

在线监测及智能诊断的指导思想按照公司智能制造项目的总体实施要求，遵循“先进、实用、投资省”的总体原则，既结合了“中国制造2025”和工业4.0的战略发展要求，在设计方案上采用目前最先进的设计思想、技术理念和理论方法，又结合了鞍钢实际的生产现状和装备条件，在设计方案上充分考虑实用性、经济性和可操作性，充分利用现有的软硬件条件，避免重复投资，同时在系统设计时充分考虑系统功能架构的可移植性和可扩展性，为将来系统功能的升级与扩充提供了足够的接口。

3.3 在线监测及智能诊断的总体方案

设备状态在线监测与智能分析管理系统，包含数据采集层、大数据传输、分析管理层、用户层等多个功能模块，其系统总体架构图如图6所示，功能模块图如图7所示。

3.3.1 数据采集

整个系统采用无线传感器网络技术和有线网络技术相结合，利用分布式数据采集技术和边缘计算技术，对全公司各分厂建立数据接口统一的设备状态在线监测系统。各分厂的设备状态在线监测系统通过新增传感器和集成现有系统相结合的方式，采集或收集设备状态相关的各类数据，通过网络通讯把数据发送给公司的设备状态管理大数据平台。

3.3.2 设备状态主题大数据

在公司统一的数据硬件平台上，对各分厂各类采集系统所获取的设备状态数据进行清洗、转换、时空匹配、预处理等操作后，建立以设备状态为主题的大数据平台。

3.3.3 分析管理

开发基于大数据分析的机械设备故障诊断分析系统、液压设备故障诊断分析系统、电气设备故障诊断分析系统、设备综合评价系统。提供时域分析、频域分析、精密分析、趋势分析、过程监测、状态报警、故障诊断和规则推理等各类分析工具，对设备状态数据进行统计、分析、综合、归纳和诊断，为现有设备管理系统中功能精度管理、维修维护管理、备件采购管理等提供有效的决策。

图6 系统总体架构图

图7 系统功能模块图

3.3.4 智能诊断

智能诊断适用于有成熟智能诊断模型的设备，如关键机泵、风机。针对设备不同故障类型，结合故障机理、专家经验，融合各类系统的监测数据，并利用检维修记录数据进行数据标记。由数据中提取计算特征指标，通过故障诊断模型库对设备状态进行高效准确的诊断分析，智能识别设备当前运行状态。为运维人员提供直观的设备状态分析参考，提高诊断准确性及检维修计划针对性。故障诊断模型库基于人工智能机器学习算法和大量实际闭环案例，建立故障数据标签库，根据故障机理及专家知识，从中提取故障相关度较高的敏感指标体系，结合数据标签及经验指标建立完备的案例标签数据集。使用机器学习算法，对带有故障标签及经验指标的数据集进行训练，得到相应的智能模型。同时，故障模型的训练结果数据能够用于优化数据集，随着现场案例数据的积累，可持续训练出更完善的模型支撑更高精度的智能辅助诊断。

智能诊断结论包括故障部件、严重程度阶段、关注内容建议、处理时间预测、备件及数量信息推送，诊断结论可以为检修、维护提供针对性信息。

4 结语

未来智能工厂对设备管理的要求必然是变过去基于经验的决策为将来基于标准的决策。然而，目前的国际标准、行业或企业标准并不能满足未来智能工厂精准决策的需求。鞍钢股份有限公司设备全寿命诊断标准是对以往特征值类型标准的完善和创新，是类型设备所对应的类型故障在设备完整生命周期历程的被标准化了的自我展开，通过这个透明的标准化展开能实现维护、检修时机的最优化和库存指标的最经济化。同时，设备全寿命诊断标准为实现在线监测及智能诊断奠定了基础,在线监测及智能诊断是实现智能制造的必经之路,智能制造的创新能够大力推进智慧鞍钢的建设。