上海定频空压机维保（预测性维护为空压机运行保驾护航）

小君 2023-07-30 03:46:06 243

上海定频空压机维保（预测性维护为空压机运行保驾护航）1、电机电压电流频谱分析监测点布置：2 空压机的预测性维护空压机主要工况指标：进气压力、排气压力、进气温度、排气温度，设备运行过程中在线监测工况指标的变动，可以及时发现空压机的故障预警，并排查相关故障原因。对于电气和机械结构，空压机与泵类似，主要故障分析点为电机运行状况，和齿轮啮合状态及轴承劣化程度。

随着IoT、大数据等技术的成熟，预测性维护应运而生，它不仅可以对设备实时监测，进行大数据分析，提前感知设备故障，而且可以远程服务和提前排查故障隐患，使得维护变得更加智能，运营更加可靠，成本也更低。预测性维护已成为工业界的大势所趋。

上海定频空压机维保（预测性维护为空压机运行保驾护航）(1)

1 为什么要有预测性维护

传统工厂里主要采用事后控制的方式来解决维护问题，即，在故障出现后及时来解决，而且故障已经发生损失已经造成，当机、在制品损失都是非常巨大的，因此，通常较多的还是预防性维护，在规划的时间里对设备进行统一的更换，升级，这样的好处避免了大的故障发生的风险，但也造成了设备的使用价值被废弃，也不能避免突发的故障。每个机械设备都是一笔重要的资产，其长期可靠的运行不但保证生产的正常，质量的可靠以及避免故障引发的停机。

计划外设备停机对任何企业而言都极具破坏性。保持现场设备运行以最大限度提高利用率，以及将昂贵的计划外停机、运行不正常风险、安全性风险和环境风险降至最低，这一点非常重要。预测性维护策略的目标是延长设备的有效使用寿命并预防故障。异常诊断是一种常见方式，因为它可识别设备的非预期行为。异常检测解决方案通常比基于简单规则的故障检查方法更加准确，对预防代价昂贵的故障和服务中断很有帮助。

2 空压机的预测性维护

空压机主要工况指标：进气压力、排气压力、进气温度、排气温度，设备运行过程中在线监测工况指标的变动，可以及时发现空压机的故障预警，并排查相关故障原因。

对于电气和机械结构，空压机与泵类似，主要故障分析点为电机运行状况，和齿轮啮合状态及轴承劣化程度。

监测点布置：

1、电机电压电流频谱分析

2、轴承、齿轮振动频谱分析

柔性服务对空压机维护的新要求

设备制造厂商对客户提供柔性服务，需对分布各地的空压机进行：

1、远程在线状态，及时获知设备的运行状况和故障报警，第一时间进行远程服务或上门维护;

2、设备故障分析和诊断，通过计算机软件算法，结合现场物联网采集数据，可以定位设备故障点和故障原因，为设备制造商提供有力的服务支持;

3、对设备核心或易磨损部件的劣化程度、运行寿命进行预判和预测，在需维护和更换配件前，合理安排停产和服务计划;

基于以上需要，工业大数据云平台，基于平台的设备智能在线监测和诊断，以及设备的寿命预测性维护，将是新商业模式和新市场竞争下的新途径。

3 预测性维护的实施步骤

前提条件：要有一定的数据积累。

这里所说的数据积累包括两个方面：数据的种类和数量质量。

数据种类要丰富！

在种类方面，至少要有两类数据才能够进行预测模型的建立和训练，即设备的状态数据和故障数据。状态数据是利用传感器实时采集到的振动、温度、压力、电流电压等物理状态数据，故障数据则是设备全生命周期内的所有点检、维护、维修过程中记录的设备异常记录或者设备失效信息。在建立和训练模型的过程中，设备状态数据是模型的输入，故障数据是模型的输出。

数量质量：尽可能多地获取有效数据！

（1）数据数量：足够的样本数量。模型是需要用样本来训练的，这里的样本指的就是设备所发生的故障信息。一台从没发生故障，或者很少发生故障的设备，是不适合做预测性维护的。对于机器学习，模型是需要训练的，只有足够数量的故障样本才能支持可靠的多分类器的训练，才能够建立模型。

（2）数据质量：对于工业现场来说，数据质量的要求可以概况为两个词——准确，连续。首先，准确指的是，不能有过多的干扰噪声，以及不准确的记录（比如手工录入到系统中的停机停台数据）。其次，连续指的是，对于故障发生前的一定时间窗口内的影响数据（如电流，电压等），最理想的状况是其能够以连续量的形式呈现，即完整地展示设备运行的全过程。而不是仅仅能够获取个别超过阈值的报警信息。

4 不同的预测结果及建模方法

要进行预测性维护，需要利用传感器来监控和收集设备运行数据。用于预测性维护的数据是时间序列数据。数据包括时间戳，与时间戳同时收集的一组传感器读数以及设备标识符。预测性维护的目标是在“t”时刻，通过到“t”时刻为止的数据，预测设备是否在不久的将来会出现故障。

预测的结果可以分为以下两种：

离散型的预测结果，即结果为一系列有限的值之一，比如“是”或“否”。例如，在未来的一定时期内，设备是否会发生故障。这里将采用分类模型进行建模。

连续型的预测结果，即结果为一个数值。例如，设备会在未来的什么时间点发生故障，或者说，设备剩余有效使用寿命是多少。这里将采用回归模型进行建模。

相比于回归模型，分类模型虽然给出的预测结果相对简单，只有“是”或“否”，但是所需的数据量也要少一些。

模型的评价指标

1.对于回归模型，可以采用均方根误差Root Mean Squared Error作为评价指标，均方根误差亦称标准误差它是观测值与真值偏差的平方与观测次数比值的平方根。均方根误差是用来衡量观测值同真值之间的偏差。标准误差对一组测量中的特大或特小误差反映非常敏感，所以，标准误差能够很好地反映出测量的精密度。可用标准误差作为评定测量过程精度的标准。计算公式如下：

上海定频空压机维保（预测性维护为空压机运行保驾护航）(2)

均方根误差

2.对于分类模型，则采用准确率(accuracy)，召回率（recall）等作为评价指标，大家可参照准确率、精准率和召回率的理解。对于预测模型而言，准确率描述的是如果这个模型总共做了N次的预测，那么共预测对了多少次，召回率描述的是在实际发生的N次故障中，该模型共预测对了多少次。

预测性维护建模的过程

预测性维护的建模过程与一般的预测分析是一样的。

假设我们已经搜集到了一定量的历史数据，包括故障数据以及设备运行状态的数据。下面以回归模型为例，对预测模型的建模步骤进行简要介绍。

在实际应用的过程中，下图中虚线框中的几个环节会迭代进行，直到获得符合期望目标的预测模型。

上海定频空压机维保（预测性维护为空压机运行保驾护航）(3)

5 建模过程

模型选取

预测模型从大类上可以分为数值型预测模型与非数值型预测模型，前者的状态输入主要是数值型的状态特征值，易于计算机自动监测与预测，与数值化的评估标准结合后可以实现自动预警；后者的状态输入主要以图谱的形式为主，需要结合人工分析给出结果，对主观经验有一定的依赖性，适用于离线的综合分析。

在数值型预测模型中，又分为线性预测模型和非线性预测模型。线性预测模型中包括最小二乘回归模型、时间序列建模回归模型等。非线性预测模型包括神经网络回归模型、支持向量机回归模型等。这些模型一般分为学习阶段和预测阶段。在模型学习阶段，根据已知时刻对应的状态信息对回归模型的参数进行优化学习；在模型预测阶段，结合给定的某个时刻（或某个状态信息），根据回归模型给出其相应的状态信息（或时刻值）。

在非数值型预测模型中主要是利用对特征图谱进行分类或聚类，再结合先验知识和人工分析结果，根据当前特征图谱与已知特征图谱的相似程度来判断设备或部件的工作状态并估计设备或部件的剩余寿命。这些特征图谱可以是振动信号的时域图，也可以是振动频谱，或是小波时-频谱图等。基于振动频谱的不同特征或不同模式进行设备或部件寿命预测与评估。

2. 数据预处理

在故障诊断系统中，通过传感器进行数据采集的目的是为了获得设备或部件的故障状态信号。为确保采集到的数据能够尽可能真实、全面地反映设备或部件的实际工作状态，需要了解数据采集的过程和工作原理，并正确地设定采样参数。另一方面，在数据采集过程中，有用的信号总是和各种噪声混杂在一起，有时有效信号本身也并不明显、不突出，难于直接识别和利用。因此，在使用采集的信号进行分析之前，需要对信号进行预处理。预处理的目的包括分离信号和噪声，提高信噪比；从信号中提取有用的特征信号；修正测试系统的某些误差，如传感器的线性误差、温度影响等。

信号的滤波

为了消除检测信号中的噪声污染及其对各种后续分析带来的负面影响，常采用特定的滤波器对检测信号进行滤波。信号的滤波可以在模拟域中实现，也可以在数字域中实现。滤波的实质就是对信号进行频率选择，完成滤波功能的装置称为滤波器。当信号通过滤波器时，信号中某些频率成分得以通过，其他频率成分的信号受到衰减或抑制。信号通过滤波器的过程，就称为对信号进行滤波。根据滤波器的选频作用，一般将滤波器分为四类，即低通滤波器、高通滤波器、带通滤波器和带阻滤波器。下图所示为这四种滤波器的幅频特性：a)低通滤波器、b)高通滤波器、 c)带通滤波器、d)带阻滤波器

上海定频空压机维保（预测性维护为空压机运行保驾护航）(4)

异常值处理

在由传感器、信号调理至A/D转换的过程中，任何一个中间环节的瞬时失常或外界随机干扰都可能导致数字信号中含有异常值。数字信号的各种分析处理方法对异常值的鲁棒性也各不相同，有的情况下，即使仅有一个异常值存在也会在很大程度上影响处理结果。这就需要采用异常值处理方法。

3σ规则是常用的异常值处理方法。该规则基于对测试数据的平稳正态假设和小概率事件即为异常的推理模式，即数据点落在测试数据的3σ分布之外，就判定为异常值。3σ规则的主要特点是计算非常简便，在实际诊断工作中应用较广泛。尽管平稳正态性过程具有广泛的代表性，但并非适用于所有的测试数据，因此3σ规则在处理实际问题时也具有一定的局限性。当然，异常值处理的其他方法还有很多，例如分类、聚类等模式识别方法。但在实际工况监视与故障诊断系统中，考虑到分析、诊断的实时性要求，需要在处理方法的简便性和有效性两方面进行权衡。

零均值化处理

零均值化处理也叫中心化，即把被分析的数据值转化为零均值的数据，通过中心化处理，最终得到均值为0，标准差为1的服从标准正态分布的数据。设对连续信号uₜ采样后得离散数据序列{uₙ} (n=1 2 ··· N)。其均值为

上海定频空压机维保（预测性维护为空压机运行保驾护航）(5)

连续信号均值

零均值处理就是定义一个新的时间历程x(t)=uₜ-uᵤ，对其釆样后得离散数据序列{xₙ} = {uₙ-uᵤ} (n=1 2 ···，N)，新的数据序列的均值。这样可以简化频谱分析、倒谱分析等后续分析过程的计算量。

3. 特征工程

特征工程就是挖掘对数据的特征表示，寻找表征数据内在特点的性质，将其用用特征向量的形式表示，这一步骤被称为特征提取。需要注意的是特征和属性通常有明显的区分。属性一般是表格数据的列，特征则一般只指代对机器学习算法有益的属性。也就是说，某些属性对机器学习系统不一定有益，甚至有害。例如，当预测二手车下次维修的时间时，车的颜色应该不会对预测有什么帮助。

特征可以用特征向量来表示。例如一条数据的特征向量是x=，即数据有n个特征，特征xi的取值是连续的实数或者描述型的整数。如果我们把模型简单理解为一个函数表达方式y=f(x1、x2、x3.....)的话，那么，特征就是其中的自变量x1，x2......。

因此，特征工程也可以理解为对模型输入变量进行处理的过程。这个处理的过程分为两种：

一种是增加特征，也就是在原有的原始变量的基础上，再应用各种方式生成新的自变量，比如x1和x2的平均值。但是，需要注意的是，生成的新的变量一定是在预测性维护的场景中有实际意义的。这就需要相关业务知识做基础了。

另一种是减少特征。例如，应用设备方面的知识，在众多的输入变量中选择出与预测结果有密切关系的自变量。

4. 超参数优化

超参数的优化就是对我们所选取的模型的一些参数进行优化，使模型的预测性能指标更精确。

如果说特征工程是对自变量x所做的工作，那么超参数优化就是对函数f做的工作——调整f的各种参数。

5. 模型评估

在根据历史数据建立好模型以后，我们需要对该模型进行评估，也就是用另外一些在建模过程中没有使用过的数据进行模型测试，看看预测的效果到底怎么样。这部分测试模型的数据是一般在建立和训练模型之前，从历史数据中划分出的一部分数据，通常叫做测试集数据。对于回归模型、分类模型有不同的模型评价指标，参见上文模型评价指标。

6. 模型部署

模型建立好之后需要部署到实际的生产系统中运行，不断地接收从设备层采集到的数据，进行预测分析。

模型的部署涉及到了工业现场的数据采集、企业服务总线等技术。

上海定频空压机维保（预测性维护为空压机运行保驾护航）(6)