不等机器坏了再修 AI帮你“未卜先知”

科普小知识2022-02-06 23:29:27

...

在一个一天24小时运转的工厂里，意外的停工会造成相当大的损失。随着智能技术的发展，有哪些新方法可以避免设备故障造成的生产损失和材料浪费？答案是预测性维护。

今年是人工智能与实体经济深度融合的一年，其中预测性维护是一个重要的应用领域。最近，预测性维护也被CB insight评为2019年人工智能发展趋势之一。

随时监控和预测故障。

预测性维护是使用大数据算法来预测未来的设备故障。

在智能工厂中，生产设备中的传感器等随时监控设备的运行状态，将实时运行数据传输到云端并进行分析，提前预测设备的异常状态，从而将设备停机的可能性降至最低。企业可以根据设备的预计使用寿命进行设备维护，而不是按计划进行维护。对于工业设备，更高效的维护不仅可以延长设备的使用寿命，还可以降低维护成本，使现场技术人员能够更高效地工作，减少安全隐患，避免昂贵的停机时间。例如，微软Azuriot平台不断丰富远程设备监控、预测性维护、工厂联网和可视化的功能。

预测性维护是通过对重要资产(如机床、重要机器和仪表)的健康监控来实现的。在联想的个人电脑生产基地合肥联宝工厂(以下简称联宝)，5G智能工厂生产线设备预测维护解决方案提供了一个数字化工厂的样本。联想集团高级副总裁、数据中心业务高级副总裁童福耀表示，联宝通过可视化人工智能技术完成了拍照、信息处理和数据反馈，实现了工业机器人更精确的操作。同时，联宝通过快速识别潜在质量风险和及时预警，大大降低了生产损失。

联想集团副总裁、联想科技及联想通信首席执行官王帅从生产线透明度和机器学习两个方面详细介绍了生产线设备预测性维护解决方案。

首先是通过数字制图实现生产线数据的透明。这不仅实现了设备的数字化测绘，也实现了车间级模型物联网信息的数字化测绘。在设备实时数据的基础上，增加环境参数、车间信息、报警信息等实时参数，使真实的车间更加虚拟化，使虚拟空间更接近现实，真正实现生产线的透明性。

第二是生产线的设备监控。通过3D智能工厂平台，生产管理人员可以监控生产线上设备的3D模型，在线浏览整个生产设施，提供3D情况下的数字化制造和生产信息，随时随地及时获取生产、质量、订单等各种信息，提高管理响应速度和透明度，促进各部门之间的知识共享和合作，方便智能工厂的多维信息传递。

最后，通过机器学习实现设备的预测维护。通过先进的机器学习技术和对大量设备数据的分析，该类设备的数据模型可以被训练并应用于设备状态和健康寿命的预测，从而实现从被动设备维护到主动预测维护的转变。

智能技术贯穿整个生产过程。

"对于工程机械产品，工作强度和工作环境必须经受住最严峻的考验."徐工信息公司总经理张启亮表示，“技术领先，不破坏使用”一直是徐工的目标。然而，任何机械设备在其使用寿命期间都会有这样或那样的故障和问题。如何最大限度地提高设备的可靠性和工作效率？这给了徐工集团的韩云工业互联网平台展示其技能的机会。

“使用先进的智能信息终端，设备的位置信息、动力系统、液压系统和控制系统的工作参数以5-30秒的速度上传到平台。结合客户服务系统中记录的天气环境数据、工程相关数据和业务数据，该平台对每台设备进行了数字化描述。”张启亮表示，基于工业互联网平台的预测维修系统可以通过挖掘和分析海量数据，分析和预测设备在整个生命周期内的工作状态，并可以获得下个月不同部件损坏的可能性。通过分类，一些可能性最大的零件可以提前修理或更换，从而提前防止设备故障。这项工作使设备的故障率降低了一半以上。

除了预测性维护系统，韩云工业互联网平台还使用数百台高性能服务器，日夜分析计算PB级数据，可追溯日常设备运行率、工作时间、油耗等统计数据。七年内。当某一区域的设备运行率在80%以上，且每台设备平均每天工作时间超过10小时时，平台会自动将信息推送给市场部，制定区域销售策略。同时，备件中心已经根据韩云工业互联网平台推动的销售预测进行生产和库存安排，设备维护周期缩短了60%以上，成本降低了40%，预计徐工集团在后期市场的备件销售额每年将增加30%。