|
【摘要】：本文针对设备管理过程中对设备状态监控的需求和实施难点，分析大数据采集，分析和处理在设备监控的可行性，最终建立实时有效的设备监控系统。 【关键词】：工业大数据，设备监控，设备损失，智能制造 一、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，这些损失可被汇总为：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和7、产出废品的损失，简称设备七种损失。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，企业就必须需要对设备设定相应控制点，并进行及时监控以实现以下目的：
目前企业对于这七种损失在设备监控过程中主要采用三种方式进行收集，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者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得出。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。
七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，则会对设备的评价越准确。
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一定的仪表，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。 二、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，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，主要表现如下：
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加精确的数据，覆盖足够多的过程，以保证分析的可靠性。 传统状态监控过程中，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，全天候的监控。而采用定时离散的监控计划的缺点是设备的失效或者潜在失效可能在监控的间隔之中就产生。
设备的七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，而其他五种损失如果不能明确的测量和收集甚至没有具体的定义，很可能就会统计不出和遗漏，造成统计数据的缺失和统计精度无法保证。 同时，企业如果采用纯手工或者半手工的输入数据方式，一方面会造成数据滞后，同时还会造成数据输入错误或者缺失，这也可能会造成监控数据的误差。
因为有些设备在前期规划阶段没有考虑到数据采集，所以老设备会体现出两个方面的采样难度：一方面是设备不具备数据收集和传输能力；另一方面设备供应商不愿意开放这些数据给用户。这两个难题均会带来具体实施过程中巨大的成本和时间花费，甚至会引起设备的大幅改造。 三、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。其本质目标就是从复杂的数据集中发现新的模式与知识掘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。 工业大数据技术的快速发展得益于高速发展的互联网信息技术，传感器技术，成本不断下降的存储技术，以及不断创新和优化的软件算法。 现今的大数据技术为解决上述设备监控的要求和难点带来了低成本和高效率的方案。 四、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（例如用电量，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的支持和设备传输端口的有无；只要设备上的用电数据就可以通过串并联相关传感单元容易地被采集出来；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。 大数据设备监控模型的框架是由基础采样单元，无线（有线）网络路由器，大数据存储，大数据处理软件，人机交互界面（移动端APP，终端电脑）等组成（见图7）。 大数据设备监控模型的基础采样单元是通过一定的方式（传感器，设备自身数据等）得到设备上的特性变量，例如：采集设备的功率，将数字功率表连接在设备的主电路当中，功率表按照要求的采样周期对设备进行采样。当设备运行在不同损失下，功率表的数据将显示不同的特性曲线。 下图是设备功率采集过程中的一些特性曲线图形（采样周期为1秒）。 根据时间-用电功率的数据，结合时间和企业MES的关联，比对与实际生产计划安排的差异来确定6种损失的分布；如果没有在线检查的数据，产品质量损失需要增加外部检测后人工确定损失。 一般情况下，每套设备只需要安装一套采样单元即可，如果考虑成本，也可以对关键设备进行安装。如若需要其他参数的数据，一方面可以基于现有采样数据进行换算（例如已知功率，就可以计算电流，用电量等等），采样单元上也有相关参数供选择；另外可以采用类似原理建立其他传感单元来得出数据（例如压力，速度等等）。但本文建议一般采用以时间为单位的电量数据的采样模型，因为这种方式比较普遍，实施过程中的成本和通用性也较强；当数据比对和分析后发现异常情况时，再采用其他仪器去再次验证，这样对人力和成本都会大幅节省。 基于这些基础采样单元，海量数据将通过有线或者无线网络，例如Modbus,OPC, BACnet/IP, Ethernet/IP, PROFINET等多种协议，传输到基于内存的实时数据库集群中，这些数据库具有实时数据分析更快，大数据容量和弹性大的特点，可以在普通服务器上存储PB级数据，具有高可用性及高并发读写功能。 这些数据之后通过计算机平台中的软件进行处理。目前例如CUDA这样的并行计算平台，使用图形处理器（GPU）可以显著提高对数据的计算性能，适用于内存数据库的GPU加速功能，可加快数据采集、清理、汇总、分析和建模的速度，与传统计算相比，GPU可将数据处理和分析的速度提高10 到100 倍。 处理好的数据最后将提供相应有用的技术和管理报表；例如阶段性设备的能耗状态，设备的损失分布，KPI报表等等，并且对于实时的一些异常状态，可以立即通过邮件，微信或者短信的方式给响应人员发出通知和报警；系统当数据积累到一定程度，还会提供给用户相应设备的维护计划，检测安排甚至实施方案。 此外，模型通过标准API，设备状态监控系统还可以开放数据给其它企业系统，例如企业资源计划系统（ERP）、制造执行系统（MES）、供应链管理（SCM）、产品生命周期管理（PLM）、客户关系管理（CRM）、过程控制系统（PCS）、高级生产排程系统（APS）、和设施管理系统（FMS）等等。 在整个设备状态监控模型的实施过程中，软件和参考点（图形）是模型成功的核心。对于软件来说不仅包括数据处理的算法，程序运算的效率，计算结果的准确性，还包括人机交互界面的友好性，做到这些要求涉及到软件的编制水准以及对生产设备和现场的了解。 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0kw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。 五、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。 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；同时通过构建统一的能效大数据平台，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。 设备监控系统通过对非生产日能源消耗全面可视化分析，生产负责人可以及时调整生产计划和设备检修计划，优化能源利用。而系统中智能解决方案包括各种测定系统、高级建模、调度工具及自动化控制系统等能助力企业合理预测能源的使用状况，尽量避开高峰时段，并减少设备闲置所造成的巨大能源浪费。一条汽车装配激光焊接生产线，通过系统性地关闭闲置设备，其生产间隙的能耗可降低90%，总能耗降低12%。图8中报表中红色显示出非生产日能源消耗异常。 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等（见图9）。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。 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。 模型还可以为应对能源消耗预警和消费模式的转变，需要敏捷的生产流程，借助假设分析，提前预测能源使用，通过设备关停和生产流程的动态重组，尽量避免高峰时段的使用。 根据电能供应情况及各类用户的不同用电规律，合理地有计划地安排和组织各类用户的用电时间，以降低负荷高峰、填补负荷低谷，从而可提高变压器的负荷率和功率因数，提高供电能力，节约电能。
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强大的参考和支撑。 |
|
|
