卷烟制造设备预测性维修实施前提评估标准研究

江志凌，刘艳超，熊坚，杨华强

（湖北中烟工业有限责任公司，湖北 武汉 430040）

1 预测性维修概述

预测性维修（Predictive Maintenance）是智能工厂设备智能化的一个重要能力，设备预测性维修是以状态为依据的维修，通过对设备的运行状态如噪声、振动、发热、裂纹、能耗变化、物耗变化、产品质量变化等主要部位进行定期监测和故障诊断，利用大数据分析手段，对设备状态、产出产品质量、生产过程物耗能耗等信息进行关联性分析，从而判断故障和异常的性质，预测隐患的发展趋势，找出设备或关键部件更加合理的维修周期，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维修包括状态监测、状态预测、故障诊断和维修决策多位合一体，状态监测和故障诊断是基础，状态预测是重点，维修决策得出最终的维修活动要求，监测、预测、诊断和维修四位一体的过程。目前预测性维修在航空发动机、风电、矿山机械等行业均已落地实施并逐步推广，例如卡特彼勒通过监控矿山机械实现设备状态预警、空客对运营的飞机发动机实现远程状态监控以指导维修。

在卷烟制造领域，国内绝大多数卷烟制造工厂已应用国际先进水平的卷烟生产线，实现了卷烟生产物理层级的高度自动化，为设备预测性维修的开展奠定了良好的基础，因此各卷烟工业企业均开展设备预测性维修的探索试点工作，但截至目前为止，设备预测性维修仍然处于验证阶段，而鲜有落地。因此，本次研究旨在通过对设备预测性维修的关键成功要素进行分析，探索归纳预测性维修落地实施的前提及评判标准，以更好的指导烟草行业设备预测性维修的开展和落地实施。

2 预测性维修落地实施难点分析

预测性维修的实施路径是从数据挖掘到数据建模的过程，在整个信息系统落地实施过程中至关重要。预测性维修模型的建立会经历从数据抽取与探索到数据整合与清洗，再到数据集采样与评价指标选择，最后建立数据模型及模型评估的过程，而在这个过程中，高质量的数据是建模的重要保障。

武汉卷烟厂在2018年搬迁新厂后，对信息系统进行了大幅更新，奠定了一定的数据基础，遂以P102卷接机进行设备预测性维修探索，选取过往7个月，设备本体数据、运维数据、数采数据共计50万行数据进行设备故障预测模型构建，对于采集到的数据，从107个基础指标中筛选出10个与卷接机故障相关性强的基础指标，进行数据清洗（具体包括数据合并、过滤和标准化）、数据集均衡化处理、数据集采样以及评价指标选择，形成可支持模型训练与验证的数据集。利用数据集对选定的算法进行模型训练，用训练好的模型，对验证数据进行预测，从中选出最优算法，进行设备故障的模拟测试，最终构建的模型通过模拟测试，能够实现对潜在故障提前1h的预测。

但对预测结果进行分析后发现，尽管最终模型实现了对设备预测性维修的反复验证，但仅能预测到故障可能发生，无法对故障的具体类型以及潜在发生故障的设备零件进行指向性预测。究其原因是在建模过程中，数据质量较差导致，因为缺失数据较多（数据总体缺失率为15%），导致样本量数据不足，因此在后期数据处理的时候需要进行缺失数据填充，以增加数据样本量。

卷烟制造是一个农产品的物理化学加工过程，设备性能的变化会从设备运行状态、能耗状况、产品质量状况的趋势变化中展现出来，因此在进行设备预测性维修的时候，需要综合考虑设备运行数据、能耗数据、质量变化数据、物耗数据、运维记录等进行综合判断。不仅要求数据采集全面、准确、完整、满足时序性，而且要在信息系统中将数据进行打通，实现集成，但通过对目前建模所用的数据种类进行分析后发现，各类型数据散落在不同的信息系统之中，无法根据生产批次对数据按照时序性进行自动集成，人工匹配数据量大且存在较大误差，不具备操作性。这就导致模型在理论上可行，但难以实用化。同时对设备维修数据进行分析发现，由于维修故障记录要求暂未统一带来的维修记录缺失、同一故障记录描述不统一等问题，均为后续的数据整理和清洗带来较大困难。对问题类型进行分析后归纳如表1所示。

表1 维修基础数据分类表

由于数据标准、信息系统集成、管理水平的制约，导致设备预测性维修在理论上可行，但难以实用化。因此有必要从这三个方面入手，对影响设备预测性维修落地实施的基础条件进行量化分析，并基于分析结果提出具有针对性的提升策略。

3 卷烟工厂设备预测性维修实施前提评价模型

为更好的判断企业是否具备开展预测性维修的前提，需要对现状进行有效评估，对设备预测性维修落地实施的各项前提条件进行量化分析。首先，通过对各影响要素的梳理归纳，引入预测性维修指标体系；进而，在建立指标体系的基础上，提出可行性评价指数算法，得到预测性维修开展可行性的量化评估结果，为最终的落地实施提供辅助决策。

3.1 预测性维修实施前提评价指标体系

预测性维修评价指标体系分为三层：第一层即总目标GI为预测性维修水平；中间层指标包括数据标准化指数（AI1），信息系统指数（AI2），管理能力指数（AI3）；指标层为数据采集区间跨度（CI11）数据采集频次达标水平（CI12），数据采集异常值占比（CI13），相关性指标占比（CI14），标签化数据占比（CI15），信息系统集成水平（CI21），数采系统集成水平（CI22），故障报修处理率（CI31），故障描述标准化水平（CI32），见图1。

根据预测性维修水平评价指标树，本研究采用层次分析法对指标进行赋值计算，并邀请领域内专家学者对层次结构的相对重要性进行判断，按照指标相对重要性标度进行打分，最后所得指标权重值如表2所示。

图1 预测性维修水平评价指标树

表2 预测性维修水平评价指标表

3.2 预测性维修开展可行性评价指数算法

以波拉特法和马克卢普法的深入学习为基础，利用综合指数法对预测性维修水平进行评价，总指数如公式：

其中无量纲化的处理是针对评价指标体系中评价指标的单位不同而进行的数据标准化处理，无量纲化公式：

结合试点单位数据分析，各指标的标准值如表3所示。

表3 指标标准值

以P102清洗后的数据为输入:

表4 预测性维修指标评估表

参考表4可知：当预测性维修总指数<0.5时，预测性维修无法有效开展；当总指数介于0.5～0.8之间时，需参考包括数据采集非异常值占比、相关性指标占比、故障描述标准化水平在内的子指标指数，若存在某项子指标未达要求，则依然无法开展；若各项指标均达到要求，则可以在有限范围内（自动化程度高、基础指标完善、信息化基础较好的设备）实现预测性维修，结果具有一定的参考性，指导未来提升方向；当总指数>0.8时，若各项子指标未达标，则只能在有限范围内开展预测性维修；若各项子指标达标，则可以进行有效的预测性维修。

武汉厂P102卷接机在进行数据清理后，各指标值落在第三区间，即可在有限范围内开展预测性维修，结合试点结果可知，本次预测性维修对故障发生时间进行了准确预测，但对于具体故障类型以及发生故障的零部件缺乏指向性，未来应根据试点结果进行针对性提升。

4 预测性维修实施前提与提升策略归纳

在对各项要素指标进行量化分析的基础上，从数据标准、信息系统集成、管理水平三个方面对影响设备预测性维修落地实施的基础条件进行研究和归纳，并基于现状提出具有针对性的改进策略。

4.1 数据标准完善

数据是预测性维修的基础，数据质量的高低决定模型质量的高低，也是预测性维修能否成功实施的重要决定因素，而数据标准的建立与完善是提升数据质量的重要途经。在预测性维修的落地实施过程中，数据标准建设主要包括三个方面，即：数据采集标准、数据实施标准、数据质量评价标准。

数据采集标准：规范卷烟生产过程数据采集内容，包括物料特性、工艺参数、设备参数、质量指标、条件保障和环境条件等方面，为预测性维修的应用提供完整的数据来源；规范卷烟生产过程数据采集频次，按照烟草行业标准对各类设备的采集频次进行统一规范；确定卷烟生产过程数据的采集规则，包括稳态数据划分原则、数据采集频率和数据平滑方法等，为数据分析挖掘提供可靠有效的保障。

数据实施标准：将各种类型的企业主数据、基础代码、数据元标准下行到前置应用环境中，并集中面向各应用系统提供统一的标准对接、标准检核、标准变更申请及标准应用，改变传统建设过程中标准不统一、冗余管理、冗余存储等问题，提升对标准的落地管理，积极贯彻执行各类标准的应用。

数据质量评价标准：参照数据准确性、一致性、完整性、可理解性、规范性、及时性等关键约束，实现质量指标计算、统计分析和综合评价的实时、自动处理，满足系统动态、实时进行数据质量好坏量化诊断和评价的要求，主要包括数据质量指标定义模型、数据质量评估算法或规则及数据质量诊断与评价结果。

4.2 信息系统集成

预测性维修需要将众多数据按照时序进行对接，因此信息系统需要支持对从多个系统中采集到的数据进行多维度集成。这就要求从三个方面对现有信息系统进行改进和完善：提升信息系统集成水平、调用能力以及敏捷反应能力。

建立并完善“集成、整合、共享”的新型信息系统：打破原有信息系统中竖井式结构，消灭信息孤岛，支持实现信息化系统跨平台、跨应用、跨部门的一体化协同运作。

实现信息系统对数据的调用分析：满足业务对于结构化和非结构化数据的处理需求，通过充分挖掘利用业务生产数据以及历史沉淀数据的价值，实现对决策、管理层面的BI应用覆盖，支持跨系统跨区域的综合分析。

实现信息系统对业务的敏捷反应：支持根据业务需求将应用功能模块按不同粒度进行组件化开发， 支持将应用系统产生的公有数据发布到信息资源服务管理平台。可以通过对公有数据，公共应用服务的调用，实现对数据及应用的高度复用，支持对业务的敏捷反应和适应能力，利用“数据集成”“接口集成”“应用集成”“门户集成”的整合实现“平台+应用”设计模式。

4.3 综合管理提升

数据标准和信息系统的建设离不开管理的完善，管理的提升又将进一步推动二者的向更深和更广的层面发展。为了将管理提升落到实处，需要从设备和人员两个维度着手，进行闭环管控。建立对设备的闭环管控制度：一方面对于日常的故障报修建立起完整的报修-检修-记录的全周期化管理，做到有报必修，有修必录；另一方面对故障描述口径进行统一规范，设置标准化的故障记录要求，建立起较为完善的故障数据库。

建立起完善的人员管理制度：对设备使用及维修人员的操作流程做出规范，设置完善的设备操作标准；对设备使用及维修人员开展定期培训，保证相关人员的信息储备满足本厂设备使用及维护需求；对日常养护的各个环节实行责任制，实现设备维护管理的全覆盖。

5 结语

本文选取武汉卷烟厂P102卷接机为切入点，采用KNN算法建立预测性维修模型，利用现有数采数据对模型进行验证，并基于模型验证结果，对影响预测性维修有效推广实施的前置条件进行量化分析，建立了预测性维修实施前提评价模型，并提出推动模型进一步应用发展的改进措施，目前已在武汉卷烟厂进行落地推广。而针对目前行业内预测性维修广泛试点却鲜有落地的现状，本文所提出的标准化前提或将成为推动其广泛应用的关键一环，且随着大数据时代的到来，新技术、新方法将为各项标准的进一步完善提供扎实的信息化基础。