鋼鐵行業設備管理智能運維模式實施案例——
鋼鐵行業智能運維研究
王劍虎， 黃冬明， 龔敬群， 戴宛辰
（寶武裝備智能科技有限公司）
摘 要： 隨著第四次工業革命浪潮的到來及中國制造 2025 的提出， 鋼鐵行業傳統運維模式在效率、 能耗、 庫存、質量、 生產率和成本等方面不能滿足數字化和智能化時代設備管理的新需求。 本文以鋼鐵行業為背景， 圍繞鋼鐵行業設備管理新需求， 基于云計算、 物聯網、 大數據、 移動互聯網和人工智能等先進技術， 提出了鋼鐵行業智能運維新定義， 研究了智能運維的本質特征， 分析了鋼鐵行業智能運維發展等級， 介紹了智能運維產品圖譜， 闡述了基于智能運維模式的設備服務體系和服務模式， 最后介紹了智能運維的兩種服務模式在寶武某熱軋生產線、 高線生產線、某基地風機群和齒輪箱上的實施效果， 驗證了智能運維模式的可行性、 可靠性和有效性， 為流程行業設備管理變革和智能運維模式實施提供了參考。
關鍵詞： 智能運維； 運維模式； 故障預測與診斷； 健康管理； 大數據； 人工智能； 服務體系和模式
1 引言
流程工業是是一個非常巨大的產業， 諸如石化、 電力、 冶金、 建材、 造紙、 制藥、 汽車制造等行業均屬于流程工業， 是國民經濟發展中極為重要的基礎支柱產業 。 據我國相關部門統計， 流程工業分別占工業總產值和工業增加值的 60.47%和 65.59%。 鋼鐵工業是流程工業中的典型代表， 生產過程包括信息、 物料、 能源， 還伴隨著復雜的物理化學反應以及突變性和不確定性等因素， 是一個十分復雜的大系統 [1] 。
生產設備是鋼鐵企業的重要生產要素， 是衡量企業規模和現代化水平的一個基本標志。 上世紀 60 年代至今， 世界工業發達的國家不斷地尋求和創新先進設備管理理論和模式， 先后提出了“后勤學”“設備綜合工程學”“全員生產維修（TPM）”“以可靠性為中心的維修（RCM）” 和“適時管理（JIT）” 等現代設備管理理論 [2] 。 上世紀 70 年代以前， 設備管理以事后維修（BM） 為主， 進入 70 年代后， 伴隨管理思想的革命，預防性維修方式（PM） 在世界各國得到普及。 在 80 年代以后， 一些西方發達國家航空工業普遍開始采用狀態維修（CBM）， 并開始采用預知維修方式（PDM）， 并逐步在歐美國家流行。 進入 90 年代后期， 激烈的市場競爭促使企業采用一種主動維修方式（PAM）， 近年來在進行 PAM 實踐中， 引入了經濟性概念， 提出并實施了以可靠性為中心的維修（RCM） 模式。
經過數十年的努力， 我國的設備管理在消化吸收國外先進設備管理經驗的基礎上創造性地形成了中國特色的設備管理方法。 實踐證明， 在現有的生產方式下， 這些管理方法是有效的,如寶鋼的設備管理模式是以點檢定修制為基礎， 以預防維修（PM） 為主線， 通過技術手段的提升掌握設備狀態， 逐步實現維修內容的狀態性（CBM） 導向， 在維修的策略上實現以效益為導向（TPM 和 RCM） 的多種方式并存的維修方式。 多年來， 寶鋼的設備管理理念從單純的“管好設備、 用好設備”， 發展到構架“精益化、 網絡式、 互動型的設備系統框架”， 從組織優化、 技術創新、 資源配置、 基礎管理、 信息化等方面全方位地持續提升,關注設備全生命周期管理， 追求設備最高的綜合效率和最低的壽命周期費用,傳統設備管理水平達到了世界先進水平 [3] 。
然而第四次工業革命浪潮來襲， 工業領域正在進入萬物互聯時代， 也提供了一個變革傳統管理模式的機會， 同時伴隨我國流程行業智能制造步伐的加快， 設備管理將面臨更加嚴峻的挑戰。 當前設備智能化進程加快， 設備的自動化、 信息化、 數字化和智能化水平會越來越高， 設備故障對流程生產的沖擊將更加嚴重。 因此流程行業對設備綜合效率、 綜合能耗、 平均故障時間、 產品質量、 庫存周轉、 勞動生產率和生產成本等指標提出了更高的要求 [3] 。
隨著第四次工業革命如火如荼地進行， 為適應新時代設備管理需求， 國內外學者和設備管理人員對新時代設備管理需求進行深入了研究， 提出了一些適應于數字化和智能化時代的設備管理新理論和新模式。 瑞典查爾默斯理工大學的 Jon Bokrantz 等對什么是智能運維和智能運維的四個基本要素進行了闡述 [4] 。 西弗吉尼亞大學的 Nazmus Sakib 等對預測性維護的挑戰和機遇進行了綜述， 并介紹了基于先進數據分析技術可避免非正常非計劃失效的預測性維護解決方案 [5] 。 2016 年歐洲故障預測與健康管理年會， 西班牙 IK4-TEKNIKER智能信息系統的 Susana Ferreiro 等對生產設備預測性智能維護進行了介紹， 展示了智能維護優勢， 并對數據處理、 分析過程和預測算法進行了闡述 [6] 。 法國阿爾斯通的 Vepa Atamuradov 等就預測性運維（PHM） 的實施步驟進行了論述 [7] 。 荷蘭萊登大學的 Van Duc Nguyen 等就汽車和航空業的預測性運維（PHM） 的研究、發展和近期成果進行了總結和綜述， 為研究人員和設備管理人員實施預測性運維參考 [8] 。
本文將以鋼鐵行業為研究對象， 圍繞數字化和智能化時代鋼鐵行業設備管理新需求， 基于大數據、 人工智能和機器學習等先進技術， 提出鋼鐵行業智能運維定義， 研究了智能運維的本質特征， 分析了智能運維發展等級， 介紹了支撐智能運維業務的產品圖譜， 論述了基于智能運維模式的設備管理服務模式和解決方案，最后介紹了智能運維模式在某熱軋生產線、 高線、 風機群和齒輪箱等設備上的實施效果。
2 智能運維的定義
近年來， 隨著第四次工業革命浪潮的到來， 流程工業在智能化時代對設備管理提出了更高要求。 國內外學術界對預測性運維、 智能運維、 故障預測與健康管理和運維 4.0 等進行了大量研究， 提出了表述各異的定義。 2008 年第一次 PHM 國際會議提出 PHM 定義： “是一種系統工程學科， 它聚焦于對復雜系統健康狀態的監測、 預測與管理”。 Fumagalli 等于 2016 年提出智能運維， 該文認為智能運維需要提供可透視資產健康狀態的能力， 盡量減少運維人員在資產現場運維的工作量 [9] 。 Holgado and Macchi 于 2014 年提出， 智能運維是基于智能技術建設的運維服務， 這些智能技術或集成于設備或產品之中， 或通過智能設施、 傳感或其他技術手段 [10] 。 Qiao and Weiss 于 2016 年提出故障預測與健康管理定義， Qiao and Weiss 認為 PHM 就是通過一系列策略和技術提升設備的狀態監控、 故障診斷與故障預測性能和提升產品、 機器或工藝的可運維性能 [11] 。
Cheng 等于 2010 年提出， PHM 是包含一系列先進技術和方法的學科， 能夠評估產品實際生命周期條件下的產品可靠性， 可預測產品失效和減少系統風險 [12] 。 Lee et al 等于 2017 年提出預測性運維是一種能將原始數據轉化為可執行的便于運維決策的能力 [13] 。 Kans 等提出運維 4.0 是利用先進技術進行預測性分析和提供可行性決策 [14] 。 Kumar and Galar 于 2018 年提出運維 4.0 是對運維工作進行預測性分析和可行解決方案推薦，主要應用于工業 4.0， 特別是應對那些需要數據收集、 分析、 可視化和資產管理決策的運維工作 [15] 。 JonBokrantz 等于 2020 年基于瑞典學術界和工業界 110 多家機構和企業的調研結果， 總結了智能運維的定義。文章提出智能運維是管理具有良好數字技術基礎的制造業運維的組織設計。 智能運維是個多維度概念， 包含數據驅動的決策制定、 單位人力效能、 內部協作性和外部生態融合性 [4] 。
寶武智維基于云計算、 物聯網、 大數據、 移動互聯網和人工智能技術（簡稱“云、 物、 大、 移、 智” ） ，結合數十年鋼鐵行業設備管理服務經驗， 總結智能運維定義： 智能運維是一種系統工程， 聚焦于生產裝備健康狀態的監測、 預測、 管理及運維過程的高效運營和知識傳承， 最大化設備系統價值。 如圖 1 所示， 智能運維的內容包括設備狀態監控和故障檢測、 設備故障診斷、 設備故障預測、 運維工作規劃、 運維工作實施與管控、 供應鏈管理、 設備故障原因分析和設計優化提升等。 智能運維的目標是降低成本和減少浪費、 改善性能和保障安全。 降低成本和減少浪費方面， 可以通過避免非計劃停機、 減少過維護、 延長設備壽命、 降低產品缺陷、 降低運維質量損失和降低備件庫存與備件消耗等來實現。 改善運維性能方面可以通過提高運維效率和設備可利用率來達到。 保障安全包括保障裝備安全可靠和保障運維安全可靠等方面。 智能運維利用“云、 物、大、 移、 智”技術實現運維工作遠程支持與協同， 達到運維知識積累與共享的目的。
圖 1 智能運維內容、 目標和價值
3 智能運維的本質
提質、 降本、 增效、 節能降耗、 安全可靠和優化性能是運維策略和模式演進的原動力， 也是智能運維主要目標。 鋼鐵行業維修策略演進路徑如圖 2 所示， 從被動式維護（RM） 到預防性維護（PM）， 再到基于狀態維護（CBM）， 最后到預測性維護（PHM）。 其中被動式維護是一種修復性維護， 整體花費最高。 預防性維護是應對高可靠性系統場景， 可能造成系統過維護， 進而造成較多的浪費。 基于狀態的維護（CBM） 可較準確把握設備狀態， 具有一定的針對性和精確性， 但也有一定局限性， 因為 CBM 只反映系統當前情況，對設備未來狀態無法預知。 預測性維護（PHM） 不僅可以對當前狀態進行透視， 還能對設備未來狀態、 壽命和性能進行預測， 進而有效管理設備健康狀態和可能出現的風險， 從而大大降低系統運維成本。
圖 2 設備維修策略演進
運維模式演進與運維策略演進是相輔相成的， 運維模式是從系統性的角度進行運維工作整體考量。 在20 世紀 50 年代以前， 運維模式較為簡單， 主要以被動式維護為主， 運維效能較差。 進入 20 世紀 60 年代以后， 人們對傳統的維修模式產生懷疑， 并從系統工程的角度提出以可靠性為中心的維修（RCM） 模式、 基于風險的維修模式（RkBM）、 以利用率為中心的維修模式（ACM）、 適應性維修模式（AM） 和全面生產維修（TMP） 等。 以可靠性為中心的維修模式（RCM） 與維修對象的設計、 制造、 安裝和使用都相關， 各個環節都圍繞著可靠性這個中心進行工作， 因此維修對象的可靠性在循環迭代中得到不斷的改進和提高。 基于風險的維修模式（RkBM） 是一種提高維修管理和實踐效果的系統方法， 與傳統的維修模式相比， 其基于風險的決策是在維修過程中進行的。 以利用率為中心的維修模式（ACM） 是把設備利用率放在第一位來制定維修方案的設備管理模式， 先按照利用率對設備排序， 結合生產實際、 停機損失和維修成本選擇適當的維修方式。 適應性維修模式（AM） 的宗旨是企業的生產活動要適應形式的變化。 在設備管理方面， 隨著產量的變化、 設備劣化發展、 診斷技術的進步以及周圍各種條件的變化， 其體制和方式也應做適應性的變化。 全面生產維護（TPM） 將設備作為企業生產的核心， 以減少生產準備時間、 停機時間和廢品率， 并通過提高設備的生產能力追求最大限度地提高設備綜合效率， 實現最佳經濟效益 [1] 。
RCM、 RkBM、 ACM 和 TPM 等均屬于傳統運維模式。 寶鋼的設備管理模式是以點檢定修制為組織形式， 以預防維修為主線， 通過狀態管理逐步實現維修內容的狀態性導向， 實行強化設備管理基礎維護的 TPM 管理模式， 在維修的策略上則是以經濟效益為中心的多種維修方式并存 [1] ， 屬于傳統運維的范疇。 傳統運維模式流程如圖 3 所示， 首先由維護人員進行五感點檢， 專家再對異常場景進行人工診斷， 根據診斷結果進行人工排程和手工派單， 再由運維團隊進行維修方案制定和維修實施， 最后由人工進行檢查驗收。 傳統運維模式以“人為核心”， 也即以提升人的能力為核心， 通過運維閉環迭代不斷提升員工的技術能力和管理能力。 傳統運維模式的最大挑戰是運維質量與人的水平相關。 人的能力、 態度、情緒和狀態直接影響運維工作質量。 另外， 人員的離職、 升遷、 退休和調崗都將影響相關運維工作。
圖 3 傳統運維模式
智能運維是結合信息技術（IT） 、 運營技術（OT） 和數據技術（DT） ， 把運維作為一種系統工程考慮，主要對生產裝備健康狀態進行監控、 預測和管理， 對運維過程進行高效運營和優化， 對設備管理知識、 經驗和機理進行歸納總結和傳承， 從而最大化設備系統價值。 智能運維區別于傳統運維的最大特點是以“模型為核心”， 模型是否能夠學習人的經驗， 替代人來分析問題和形成決策， 能否從新的問題中積累經驗， 從而避免問題的再次發生 [17] 。 智能運維的重要特征為設備健康狀態透明可見、 故障自診斷和可預測、 運維計劃可調度、 剩余壽命可評估和自適應運維策略推薦。
圖 4 智能運維模式
智能運維流程如圖 4 所示， 通過物聯傳感部分替代五感點檢， 獲得產線和設備狀態參數， 利用閾值或趨勢模型進行智能分析和報警， 再采用機理模型或機器學習模型進行智能診斷和智能預測， 基于大數據平臺和智能算法模型進行運維工作智能排程、 解決方案推送， 輔助運維精準實施， 根據需要運維專家進行遠程支持，運維結束后進行智能檢查驗證， 最后形成運維流程閉環， 實現運維知識、 專家經驗、 設備機理和大數據知識的模型化， 并通過模型不斷迭代優化， 從而提升模型的可靠性和準確性。
4 智能運維發展等級
智能運維還處于剛起步階段， 各種標準、 規范和定義還在發展形成中， 目前尚無統一標準。 我們結合鋼鐵行業數字化和智能化當前發展水平和遠景目標， 制定智能運維技術和模式發展等級， 分為 L1、 L2、 L3、L4 和 L5 共五級。 如圖 5 所示， 技術等級 TL1 對應模式等級 ML1， TL1 是基于設備自帶傳感器實現狀態自動報警， 屬于單機自動報警水平， 支撐傳統運維模式 ML1。 ML1 也被稱為人工運維， 基于完善的流程規范以及團隊配置， 根據計劃完成點檢、 檢測及維修工作。 當前我國鋼鐵行業大多數企業運維水平處于 TL1 和ML1 的水平上。 技術等級 TL2 支撐模式等級 ML2。 TL2 為狀態在線監測， 通過物聯網技術全面收集狀態數據， 實現狀態監測和管理流程互通， 支撐系統輔助運維 ML2。 ML2 等級是系統輔助運維， 掌握設備運行狀態信息， 為運維團隊開展工作提供幫助， 實現管理流程線上化。 我國鋼鐵行業少部分企業智能運維水平處于TL2 和 ML2 水平上。 TL3 為智能狀態分析， 依托平臺開發模型， 實現狀態指標監控和分析， 可提供專業診斷建議。 TL3 支撐局部智能運維 ML3， 系統實現局部狀態智能分析， 具體原因診斷及方案制定由人工決策。目前寶武智維智能運維水平處于 ML3 等級。 TL4 為智能診斷與壽命預測， 通過系統模型完善， 自動分析診斷與預測并形成整體解決方案， 實現對設備健康狀態有效把控和關鍵零部件壽命預測。 技術等級 TL4 支深度智能運維 ML4， 系統完成設備狀態分析、 診斷及維修方案制定和人機協同決策。 目前國內外鋼鐵企業還沒有實現 ML4 等級。 技術等級 TL5 為自適應綜合決策， 通過實現設備狀態、 工藝過程和質量控制最優化運行的自適應綜合決策， 實現了自感知、 自學習和自進化的終級智能運維技術。 TL5 對應完全智能運維 ML5，ML5 是運維人員依據系統制定的預測性檢維修計劃安排設備的檢測及維修， 將來考慮引進高度智能化機器人， 設備運維工作可以實現完全自動化、 智慧化和無人化。 從當前技術發展水平來看， 實現 TL5 和 ML5 尚為時過早， 有待于理論和技術的突破。
圖 5 智能運維技術和模式發展等級
5 智能運維產品圖譜
中國寶武構建智慧型“鋼鐵生態圈”， 打造智慧制造的“四個一律”， 包括“操作室”一律集中、 “服務環節”一律上線、 “操作崗位”一律機器人和“設備運維”一律遠程。 為配合集團智慧制造戰略， 寶武智維基于云平臺、大數據、 邊緣計算、 人工智能和機器學習技術， 構建鋼鐵行業智能運維大數據平臺， 開發智能運維產品， 涵蓋標準、 傳感、 物聯、 數據、 算法、 規則、 模型、 管控、 報警、 診斷、 預警、 決策輔助等智能運維相關的方方面面。
圖 6 智能運維產品圖譜
如圖 6 所示為寶武智能運維產品圖譜， 采用端、 邊和云三層架構， 分別對應感知層、 認知層和喚醒層。感知層是在線“五感”端， 寶武智維提供“智維通”產品對產線和設備的各種高頻和低頻信號進行采集， 包括振動、 溫度、 壓力、 流量、 電壓、 電流等信號。 認知層包括邊端和部分云端， 產品系統包括智聯、 智用、 維基、數據湖和智多星。 維基為智能運維標準中心， 包括維檢標準、 設備標準、 診斷標準、 傳感標準、 工藝標準、模型標準等等。 設備大數據湖是智能運維數據中樞， 鋼鐵生產線“人、 機、 料、 法、 環”的各種結構化、 半結構化和非結構化數據通過各種傳感、 “五感”點檢、 信息化系統、 PLC/DCS、 MES/MOM、 SCADA 和各種人工輸入信息源源不斷地輸入大數據湖中， 基于數據中臺技術進行統一標準、 統一規范、 統一流程、 統一標簽進行清洗、 補齊和抽取， 形成數據資產， 為機理模型和大數據模型開發提供支撐。 智聯是工業物聯網， 在端和邊對數據進行初步處理、 清洗、 轉發和存儲， 是大數據湖和邊緣端設備智能應用的重要數據來源。 智多星是智能運維知識庫和模型庫， 是仿真、 模擬、 計算和決策中心。 智多星邊緣應用（智用） 為經驗規則模型系統， 可根據專家經驗、 行業知識、 設備機理進行在線邊緣端智能監控， 及時反饋設備狀態， 為現場管理人員提供決策支持。 智多星知識庫和模型庫包括異常報警（Probe）、 故障診斷（Dxs） 和故障預測（Pxs）， 為鋼鐵生產線設備提供異常報警、 通用設備故障診斷和關鍵部件故障預測及壽命預測服務。 所謂喚醒層是指集團云端管控層， 包括維秘、 智控和智維圈。 維秘也即服務交付中心， 包括運營管理、 運維管理、 績效管理、 總包交付、 監測診斷和專業檢測服務等。 智控即集控中心， 屬于生產管控范疇， 包括區域管控、 設備態勢、 智能決策和成本透視等等。 智維圈是生態合作伙伴共享協同中心， 鐵鋼行業橫向縱向打通、 優化供應鏈、 設備管理協同服務、 開發智能運維社區、 形成 APP 應用市場共享行業知識和服務。
寶武智維產品圖譜提供云、 邊、 端三位一體的智能運維技術服務， 涵蓋智能傳感、 智能物聯、 邊緣應用、標準服務、 數據資產、 算法模型、 運營和運維交付、 生產運營管控和生態協同服務， 為智能運維實現奠定堅實的基礎。
6 基于智能運維的設備管理服務
6.1 智能運維服務體系
智能運維服務體系由客戶目標、 需求評估、 服務設計、 服務實施和服務交付構成， 形成閉環服務體系，實現鋼鐵生產線狀態無憂、 精度可控、 綠色高效和持續迭代優化。 客戶希望通過數字化和智能化平臺實現鋼鐵行業生產提質、 增效、 降本、 節能和降耗， 減少非計劃停機， 全面提升客戶滿意度。 客戶需求評估是客戶需求和設計需求的不斷迭代優化， 通過進行資產梳理、 厘清智維需求和形成智維方案的過程。 服務設計階段包括平臺導入、 平臺運維和模型研發三部分。 鋼鐵產線設備狀態通過智能傳感和物聯技術接入平臺， 形成設備智能服務數據基礎。 基于智能運維大數據平臺進行各種運維服務智能 APP 開發， 基于工業機理和人工智能技術開發設備報警、 診斷、 預測和決策模型， 為智能運維實施提供支撐。 基于大數據平臺， 提供 7×24 小時看護服務， 設置了五級響應機制（報警管理員-診斷分析員-診斷審核員-技術專家-行業專家）， 提供以客戶為中心的多對一貼心服務（現場代表、 分析專員和客戶經理圍繞客戶提供精細化服務）， 制定智能監控閉環流程， 確保智能服務水平的迭代升級， 分清職責和規范流程， 提供基于大數據的監管考核機制， 為智能運維實施保駕護航。 最后， 智能運維服務將交付診斷報告、 監控報表、 管理建議和解決方案等等， 并形成服務閉環， 不斷提升智能運維服務質量。
圖 7 智能運維服務體系
6.2 智能運維服務模式
基于智能運維服務系統， 圍繞用戶不同需求， 以解決方案為核心， 提供兩種差異化的服務模式： 智維總包服務模式和智維平臺服務模式。 其中總包服務模式包括設備接入、 管控、 決策、 檢修和物料管理等， 是以提升生產線/設備運行狀態為目標的， 基于平臺的全流程全時域設備狀態服務并共享服務價值。 智維平臺服務包括解決方案、 建設、 接入、 監測、 報警、 診斷、 預測和決策服務， 是基于智能運維平臺， 提供遠程狀態看護、 遠程診斷支持、 設備壽命管理和解決方案推送等智能化設備管理服務。 兩種服務模式各有千秋， 智維平臺服務模式屬于輕資產服務， 必須依托強大的大數據平臺能力、 先進的技術能力、 領先的算法模型和經驗豐富的專家團隊等等， 為用戶提供及時的、 可靠的和精準的設備服務解決方案， 真正實現提質、 增效、 降本、節能和降耗， 為客戶創造價值。 智維總包服務模式屬于重資產模式， 運維方承包整條產線的設備管理服務，包括檢維、 維修、 操維、 物料管理、 狀態管控、 報警、 診斷、 預測和壽命管理等等。 可以認為智維平臺服務是智維總包服務的子集。 總包服務是設備管理一條龍服務， 不僅可提供輕服務模式的所有內容， 還可提供成本、 績效、 物料、 備品備件、 庫存管理等運營管理服務。
6.3 智能運維典型案例及效果
基于智能運維大數據平臺和智能運維服務體系及相關方法論， 圍繞客戶需求與設備實際情況， 對集團內某熱軋生產線進行智能運維總包服務， 對某基地數百臺風機進行智維平臺看護服務、 對某高線齒輪箱進行遠程智能診斷服務和采用機器學習算法對某 TRT 動葉積灰進行預警， 均取得良好的效果。
6.3.1 熱軋生產線總包服務
圖 8 某熱軋生產線智能運維系統
如圖 8 所示， 基于智能運維大數據平臺， 結合專家經驗和智維標準化體系， 采用智維通（智能傳感） 和智聯（物聯網） 將熱軋生產線數千臺設備接入系統， 在邊緣端部署智用（E2Alarm2.0） 進行實時監控， 在云平臺部署智多星（報警、 診斷和預警模型庫） 系統實現對產線設備的趨勢報警、 劣化分析、 故障診斷和狀態預測， 為智能運維規劃提供支撐。 平臺上線以來， 設備故障率下降 20%、 噸鋼維修成本下降 10%、 產線點檢負荷下降 20%。
6.3.2 風機健康管理系統
某基地大量風機接入智能運維大數據平臺， 采用智維平臺服務模式（輕服務）， 實現對基地所有風機的7×24h 看護服務， 提供遠程智能報警、 診斷、 預測和決策推薦服務。 系統上線半年多來， 系統預警準確率達到 90.8%， 診斷準確率達到 94.3%， 年故障停機時間均為 0， 點檢負荷下降 55%， 檢修負荷下降 35.6%。 負荷下降值均小于目標值， 經專家討論分析后認為系統上線時間較短， 各種流程、 標準、 規范還在建設之中，工作人員還未完全習慣新型工作模式。 可以預見， 隨著平臺上線時間越來越長， 各種流程和規范越來越成熟，各項評估指標將持續優化提升。
表 1 風機健康管理系統
6.3.3 齒輪箱軸承故障診斷
某基地高線生產線設備管理采用總包模式， 基于智能運維大數據平臺， 采用智聯通接入高線數千臺設備，接入工藝數據超過 5000 項， 配置預警規則模型超過 1500 條， 日均數據流量超過 10G， 在邊緣和云端部署報警、 診斷和預警模型， 諸如振動溫度、 油液理化、 潤滑液壓、 軸承、 齒輪箱、 泵、 電機和風機等模型超過1000 個。 經過半年多運行， 設備故障時間下降 15%， 點檢負荷下降 15%， 報警準確率超過 90%， 計劃檢修時間下降 40%和產線作業率上午 4%。
2020 年 11 月 22 日， 智能運維大數據平臺持續報警高線 13HФ350H 減速機沖擊有效值 大， 如圖 10 所示， 結合系統與遠程專家診斷， 專家判斷一軸沖擊有效值上升明顯， 軸承 180Hz 軸承外圈特征 BFO 頻率和2 次諧波數值增大， 同時在 2kHz 附近出現大量噪聲信號， 確認一軸軸承存在嚴重劣化， 立即申請線下維檢。經現場運維工程師檢查， 軸承出現保持架斷裂， 滾動體磨損嚴重的故障， 經及時更換軸承， 避免了一起嚴重的突發停機事故， 獲得良好評價。
圖 10 某基地高線軸承故障診斷
6.3.4 TRT 動葉積灰預警
某鋼鐵基地 TRT 葉片積灰， 導致設備振動加大， 發電量下降， 靜葉開度變得難以控制， 爐頂壓力超標，風險大。 2019 年因為動葉積灰問題曾引發 4 次跳機保護事件。 為解決動葉積灰問題， 現場檢修團隊自主開發積灰蒸氣清洗系統， 可有效清除動葉上的積灰。 然而， 若頻繁清洗將縮短 TRT 系統壽命， 若清洗不及時可能導致爐頂壓力冒尖， 影響系統安全。
圖 11 某基地 TRT 動力積灰與清洗
為解決以上矛盾， 基于機器學習算法， 結合動葉積灰機理和現場專家經驗， 圍繞客戶經濟性要求， 以TRT 進氣側振動、 靜葉開度、 入口煤氣流量和有功功率為多參數輸入進行綜合分析， 開發 TRT 動葉積灰預測模型， 可自適應于各種 TRT 系統。 如圖 12 所示， 在 2020 年上半年， 模型還未上線運行， TRT 運行性能逐漸劣化， 性能波動較大。 下半年模型上線， 可對動葉積灰進行預測并自動啟動清洗工藝， 有效穩定了爐頂壓力， 降低了維護成本， 年發電量可提升 11.5%， TRT 發電經濟效益可提升 167 萬/年。
7 結語
本文對鋼鐵行業智能運維進行了深入研究， 對智能運維定義、 主要內容、 關鍵目標、 重要價值、 智維本質、 發展等級、 產品圖譜、 服務體系和服務模式等進行了深入闡述， 獲得多個有意義的研究結論。
（1） 寶武智維基于“云、 物、 大、 移、 智”， 結合數十年鋼鐵行業設備管理服務經驗， 總結了智能運維定義；
（2） 介紹了運維策略和運維模式演進路徑， 對比分析了傳統運維模式和智能運維模式的區別， 闡述了智能運維本質特征；
（3） 基于智能運維技術水平， 結合我國鋼鐵行業運維現狀， 分析了智能運維技術和模式發展等級， 提出了運維技術和模式從 L1 至 L5 的發展等級；
（4） 寶武智維基于“云、 物、 大、 移、 智”技術， 構建鋼鐵行業智能運維大數據平臺， 開發智能運維產品圖譜， 涵蓋標準、 傳感、 物聯、 數據、 算法、 規則、 模型、 管控、 報警、 診斷、 預警、 決策輔助等方方面面；
（5） 基于智能運維大數據平臺， 構建了智能運維服務體系， 提出了總包服務模式和智維平臺服務模式?；谏鲜鰞煞N模式， 分析了多個基地總包服務和平臺服務的典型案例， 從運維成本、 檢修時間、 生產線作業率、 模型準確性和經濟性等方面驗證了智能運維的可靠性和有效性。
參 考 文 獻
[1] 張克南. 流程工業設備狀態管理的系統策劃和實踐[M]. 上海: 上?？茖W技術出版社, 2007: 1-2.
[2] 張翠鳳. 設備管理與維修模式探討[J]. 設備管理&維修, 2000, 2: 7-9.
[3] 李麒, 袁文清, 楊大雷. 遠程智能運維-設備管理的必由之路[J]. 寶鋼技術, 2019, 6: 13-16.
[4] Jon Bokrantz, Anders Skoogh, Cecilia Berlin, Thorsten Wuest, Johan Stahre. Smart Maintenance: an empirically grounded
conceptualization[J]. International Journal of Production Economics, 2020, 223, 1-17.
[5] Nazmus Sakib, Thorsten Wuest. Challenges and Opportunities of Condition-based Predictive Maintenance: A Review[C]. 6 th
CIRP Global Web Conference, USA: Elsevier B. V, 2018: 267-272.
[6] Susana Ferreiro, Egoitz Konde, Santiage Fernandez and Agustin Prado. Industry 4. 0: Predictive Intelligent Maintenance for
Production Equipment[C]. European Conference of the Prognostics and Health Management Society, Spain: PHM Society, 2016:
1-8.
[7] Vepa Atamuradov, Kamal Medjaher, Pierre Dersin, Benjamin Lamoureux and Noureddine Zerhouni. Prognostics and Health
Management for Maintenance Practitioners-Review, Implementation and Tools Evaluation[J]. International Journal of Prognostics
and Health Management, 2017, 60: 2153-2648.
[8] Van Duc Nguyen, Marios Kefalas, Kaifeng Yang, Asteris Apostolidis, Markus Olhofer, Steffen Limmer and Thoms Back. A
Review: Prognostics and Health Management in Automotive and Aerospace[J]. International Journal of Prognostics and Health
Management, 2019, 23: 2153-2648.
[9] Fumagalli, L., Macchi, M., Colace, C., Rondi, M., Alfieri, A., 2016. A Smart maintenance tool for a safe electric arc furnace[J].
IFAC-PapersOnLine, 2016, 49: 19–24.
[10] Holgado, M., Macchi, M., 2014. Exploring the Role of E-Maintenance for Value Creation in Service Provision. Engineering,
Technology and Innovation[C]. 2014 International ICE Conference, Italy: IEEE, 2014: 1-10.
[11] Qiao, G., Weiss, B. A. Advancing measurement science to assess monitoring, diagnostics, and prognostics for manufacturing
robotics[J]. Int. J. Prognostics Health Management, 2016, 7: 2153-2648.
[12] Cheng, S., Azarian, M. H., Pecht, M. G., 2010. Sensor systems for prognostics and Health management[J]. Sensors, 2010, 10:
5774-5797.
[13] Lee, J., Jin, C., Liu, Z., Ardakani, H. D., 2017. Introduction to data-driven methodologies for prognostics and Health
management[J]. Probabilistic Prognostics and Health Management of Energy Systems, 2017, 4: 9-32.
[14] Kans, M., Galar, D., Thaduri, A., 2016. Maintenance 4. 0 in railway transportation industry[C]. Proceedings of the 10th World
Congress on Engineering Asset Management (WCEAM 2015), Finland: Springer, 2016: 317-331.
[15] Kumar, U., Galar, D. Maintenance in the era of industry 4. 0: issues and challenges[J]. Quality, it and Business Operations. 2017,
10: 231-250.
[16] 金超, 關于 PHM, 這是有史以來聽到最接地氣的解說[EB/OL]. https://zhuanlan.zhihu.com/p/42865063, 2018.
[17] 李杰, 倪軍, 劉宗長. 從大數據到智能制造[M]. 上海: 上海交通大學出版社, 2016: 4-5.
【相關好文】
《云南銅業2024 年冶煉板塊設備管理專題培訓》——課件《設備智能運維管理》
一、概述——了解設備智能運維的概念
二、現況——了解國內設備智能運維的現況
三、標準——了解設備數字化、智能化管理的主要國標、行標
四、核心——設備智能運維的核心：平臺、專家系統、標準化體系。
五、技術——智能運維的主要關鍵技術
六、人才——智能運維的人才需求與培養
