预测性维护：数字化运维的制胜基石.pdf

预测性维护 03.2021 上海 / 中国 罗兰贝格 洞见 数字化运维的制胜基石 1 随着互联技术的革新、大数据的应用与积累、计算能力的提 升及相关模型理论的高速发展，人工智能的应用场景逐渐丰 富，并在近几年逐步过渡到实操落地。各行各业正积极探索 通过人工智能赋能的运营模式，并以此推动产业升级及长期 的运营转型。 在政策端，从2017年7月国务院印发的新一代人工智能发 展规划开始，各省陆续出台了智能制造产业的扶持政策，如 2018年6月北京和上海公布的智能制造扶持政策、2020年各 省出具的智能制造指导政策与意见等。这股政策东风逐渐催 生了制造业的数字化及智能化的转型之路。而运维服务（ 如 备品备件销售、设备维护及维修等）作为制造业的重要组成 元素，通过工业互联网及人工智能的深度融合打造出创新的 应用场景，并实现持续降本增效的趋势目标。 运维服务的发展进程主要分为四个阶段： 01 预测性维护是什么？ 我们为什么需要它？ 封面图片： k o t o_f eja 01 / 运维服务的发展进程 从需求侧来看，完整的数字化运维服务将成为企业选择运维 服务供应商的主要考量维度之一。罗兰贝格针对全球领先制 造企业的调研结果显示，85%以上的受访者认为运维服务商 应更多地关注数字化方案规划能力，97%的受访者认为运维 服务商应提供主动、完整的数字化运维服务方案。随着先进 制造业对运维服务的注重维度已经改变，过去传统的备品备 件购买及定期维护观念已经过时，通过工业互联网和人工智 能赋能的数字化运维解决方案将是新的趋势。 资料来源：罗兰贝格 基于故障 预测的维护 响应式 维修 计划性 维护 基于条件 的维护 故障后维护 预防性维护 预测性维护 状态监控式维护 2 02 / 预测性维护运作原理 1.消极维护： 这是运维服务最原始的方式，通常指当机械故 障后安排技术人员到场维修。由于此维护方式通常发生在 设备故障后，具有高度不可预测性及突发性，且设备本身 的损伤程度较高，易造成修理时间及费用垫高等情况，还 容易造成停线时间成本高等副作用。 2.预防性维护： 即基于设备厂商的保养计划或是针对操作规 程进行检修安排。此部分原理主要是根据设备厂商对部件 寿命的分析，但由于部件老化磨损的外力干扰因素过多导 致寿命预测不够准确，易造成过早、过度保养或是保养不 足等问题。 3.基于条件的维护： 此维护方式是运维服务的进阶状态，即 服务提供商通过对设备运行状态的监控来安排相应的维 修计划。然而，此种检测方式主要结合设备本身的运作监 控数据及运作机理进行简单判断，对外部影响因素的考量 较少，故还是容易产生维护不及时等状况。 4.预测性维护： 预测性维护是运维服务的最新发展，主要得 益于工业互联网、大数据及人工智能的交互应用，具有主 动且针对性强的特征。预测性维护的核心思想是通过对设 备及系统运行状态进行故障预测，最大化部件的使用效 益，同时产线停工停线成本也会降低，并减少不必要的 浪费。 02 在数字化智能制造的环境中，数据以及围绕数据的智能 处理活动均针对特定的生产和运营指标维度的达成和维持 进行构建。在现实场景中，时效、库存、成本控制、工艺控制、 资源投入、计划达成等均是数字化智能制造所常见的控制 指标维度。同样的，设备正常运转水平和风险也是生产运营 环境中的关键指标维度，而预测性维护就是通过设备自身 以及外置传感器的实时数据采集，利用分布在各层环境中 的计算和处理平台，依托围绕设备运转特征与风险指针相关 性的算法模型，提供设备故障维护精确性判断的方法体系。 预测性维护不仅仅围绕单一的故障预测构建数据应用，其过 程和结果状态信息也为整个智能制造数据体系所整合，成为 数字化生产计划与管理的一部分，帮助提升制造的专业化水 平和运作效率。 通过设备数控 系统及传感器 采集实施数据 数据清洗及 特征剥离 机器状态监测 及诊断 数据采集 数据分析 搭建故障预测算法 并借由数据积累 持续提升算法精度 进行生产计划及 维修排程决策 故障预测及决策支持 自动化设 备数据 (PLC数据 ) 传感器 数据 1 通过传感器及 PLC采集实施生产数据 资料来源：罗兰贝格 2 本地数据 传输设备 本地边缘计算 3 本地数据 实时传输 故障预警 (如与 MES系统 连动） 4 维修完毕、重启生产后 恢复正常数据采集作业 5a 安排维修计划 5b 人工智能进行机器运 行实时及故障预测 3 预测性维护除了能提供主动积极的设备维护监控机制外， 还具有四大优势，宜作为数字化运维解决方案的起始点： 优势一： 对产线影响小 有别于智能制造需对产线本身 进行改造升级，预测性维护的硬件设备主要是协助建立设 备与服务器的连接，不需要对产线或是生产工艺进行改变， 对生产排程的整体影响小。 优势二： 复制性高 在相同的设备上可以快速复制解决 方案，且越多的设备导入可带来更多的海量数据，对模型精 准度的提升帮助更大。 结合对数字化运维的丰富洞察及项目的实战经验积累，罗 兰贝格已开发出一套从设备引入机遇识别、解决方案设计 到落地实施的一站式预测性维护解决方案，关键构成要素 如 下： 1. 硬件：主要负责本地数据采集及分析，涵盖数据采集设备 （传感器+数据传输设备）及边缘计算服务器： a) 数据采集设备：主要进行数据采集、数据上传及模型下 发等工作。 b) 边缘计算服务器：主导相关边缘应用如AI预测及本地 数据缓存等。相比云端计算，通过边缘计算器的搭建 可缩短故障报警的反应时间。（ 可针对项目实际需求 和企业数据环境选择将本地计算移至云端）。 2. 软件：主要用于故障检测模型搭建及云端存储与处理 a) 模型搭建：通过特征提取、分析等识别特征向量，并进 行机器学习；随着加工数据的增加及过程数据的收 集，得以持续进行模型训练，最后借由云端服务进行 模型的迭代更新，不断提高模型精度。 b) 云端服务：可提供批量的历史数据存储并进行数据可 视化， 如利用微软Azure云服务可使用Power BI进行 数据可视化，便于管理者进行相关分析。 优势三： 实质成效显著 预测性维护能助力运维服务的 降本增效，根据罗兰贝格的项目经验，预测性维护可减少 5-10%的MRO（维护、维修、运行）成本支出及5-10%的总体 维护成本；而在效能提升方面，预测性维护可提高10-20% 的设备正常运行时间，减少20-50%的设备维护时间并为产 品质量提供更好保障。 优势四： 应用场景广泛 预测性维护的主要原理是基于 设备网联化、数据采集、大数据分析及机器学习，未来的发 展潜力巨大，并逐步推动使用场景从设备维修延伸到排程 制定、资产管理等，下文会对此进行展开介绍。 基于预测性维护的架构，我们还需针对客户设备进行针对 性的机遇诊断、数据采集、算法搭建并落地验证。关键步骤 如 下： 1. 引入机遇分析：生产设备的关键零部件众多，但如果全部 导入预测性维护，则可能造成不必要的成本浪费，建议根 据实际需要进行考量。罗兰贝格的方法论可帮助客户识 别最适合的引入机遇。以某品牌的数控车床应用案例来 说，我们通过部件成本、故障频率及故障影响范围等关键 维度进行交叉衡量，最后建议客户从刀具及主轴入手，力 求以最小成本达到最佳应用效益。 03 2. 机器学习模型搭建：机器学习模型是预测性维护解决方 案的核心。针对预测性维护的引入标的，我们已开发出一 套完整且实证有效的模型搭建方法，能有效赋能故障预 测，以下案例以某品牌数控车床的刀具故障预测算法搭 建进行相关说明： a) 数据采集：通过目标设备的传感器布局及数控系统的 连接采集相关数据，如设备主轴位置、机床程序及管 理数据等。 b) 特征分析：通过算法融合主流的时域分析、频谱分析及 视频分析，确保特征分析的全面性。 罗兰贝格预测性维护 解决方案与落地实践 4 03 / 机床预测性维护目标部件梳理示意(非穷尽) 1) 时域分析：将输入信号在时间域中进行滤波、放大及 统计特征计算等分析，是物理数据最基本直观的表现 形式。 2) 频谱分析：通过将信号分解为多个较简单的信号，找 出单一信号在不同频率下的信息如振幅、功率等。 3) 时频分析：又称为时频联合分析，是作为分析非平稳 信号的强力分析工具，主要概念是通过时间与频率的 联合函数，同时描述信号在不同时间及频率的能量强 度，以展现信号和频率随着时间变化的关系。 c) 特征识别：基于前序步骤识别目标部件正常运作及磨损 时的特征表现，如波形指标、峰值指标、脉冲会标指标 等，并在下一步进行相关验证。 d) 特征验证：从机理特征参数设定开始，将已识别出的故 障特征参数进行相关设定，并通过统计手法验证，去除 冗余信息。 资料来源：罗兰贝格 目标设备关键部件拆解 目标部件 目标 设备 关键部件 (摘选 ) 减速 箱 主轴 电气 控制 丝杆 导轨 电机 泵阀 刀具 关键考量维度 部件 成本 故障 频率 影响 范围 主轴 刀具 损坏率高 更换频次高 (每天更换 ) 若磨损，易造成加工件 损伤返工 旋转设备，若一有偏 差则会造成加工失误， 故监控必要性高 e) 特征向量与机器学习：通过机器学习特征向量后，即可 完成初步的刀具状态预测模型。后续可藉由数据的持 续收集提高模型预测精度，提升预测准确率。 04 3. 实际应用环节：通过刀具磨损预测模型，我们已成功协助 客户进行有效的故障预警与检测。同时，基于客户需求， 故障预测系统还可通过与生产排程系统的连接，进行故 障报警或是生 产排程的即时调整。 05 5 04 / 机器学习框架示意 05 / 预测性维护落地应用场景 以刀具磨损监控为例 资料来源：罗兰贝格 时域分析 频谱分析 非稳态信号 时频分析 机理特征参数 设定 相关度去除冗 余特征 特征验证 机 器 学 习 特 征 向 量 特 征 向 量 刀 具 状 态 预 测 模 型 数据采集 特征分析 特征识别 特征验证 数据种类 主轴位置 机床程序 管理数据 刀具磨损 监控 场景： 双刀塔机床 持续 监控 一把刀具磨损 两把刀具正常运作 监控画面显示正常 监控画面跳出红色警示 资料来源：罗兰贝格 刀具磨损，若 不立即更换则 会到时加工面 不平整需返工 危险 正常 6 通过项目经验积累及内外部专家长期、广泛的讨论，罗兰贝 格认为预测性维护是数字化运维的关键步骤，通过预测性维 护的软硬件赋能，后续应用场景广泛，举例如下： 1. 数字化资产盘点：可通过预测性维护管理平台采集设备上 的传感器传输数据，并与资产台账对比确认实物资产的存 在，有效减少盘点人力资源的浪费。 2. 数字化维修运维：预测性维护所检测的实时加工数据可成 为工厂整体运维管理系统的重要输入，并基于数据分析结 果启动后续的维修服务流程及备品备件物料拉动流程。 3. 生产及物料控制系统赋能：基于安装在设备上的传感器 传输数据及自动化控制系统数据，生产及物料控制系统 能实时进行加工数据的收集、存储、整理并形成可视化报 告，作为生产管理的重要输入。 4. 供应链赋能：设备故障预测系统能对关键部件的质量表 现进行不同来源的横向比较，并以此作为供应商质量管 理的重要依据。与此同时，采购可以利用相关数据进行供 应商绩效考核评估及作为议价基础。 06 以预测性维护为基础 开展的数字化运维场景 06 / 预测性维护应用场景示例(非穷尽) 数字化 资产 盘点 数字化 维修 运 维 生产及 物料 控制系统 赋能 供应商管理赋能 null 质量 绩效 考核 null 议价依据 null 1 2 3 4 资料来源：罗兰贝格 预测性维护是人工智能在数字化运维领域的重要实现，具 有主动、智能学习等特征，并能助力达到更高的产出质量、 更少的临时停线及更低的运维成本，是数字化运维的制胜 基石，也是对数字化智能制造的进一步丰富。 结语 7 欢迎您提出问题、评论与建议 本报告仅为一般性建议参考。 读者不应在缺乏具体的专业建议的情况下，擅自根据报告中的任何信息采取行动。罗兰贝格管理咨询公司将 不对任何因采用报告信息而导致的损失负责。 2021 罗兰贝格管理咨询公司版权所有. 朱咏 合伙人 +86 21 5298 6677 - 838 Yong.Z 罗兰贝格高级咨询顾问杨宜书、专家胡毅对本文亦有贡献。 联系我们 罗兰贝格 成立于1967年，是全球顶级咨询公司中唯一一家始于德国、源自欧 洲的公司。我们拥有来自34个国家的2400名员工，并成功运作于国际各大主 要市场。我们的50家分支机构位于全球主要商业中心。 罗兰贝格管理咨询公 司是一家由近250名合伙人共有的独立咨询机构。 出版方 罗兰贝格亚太总部 地 址： 中国上海市南京西路1515号 静安嘉里中心办公楼一座23楼，200040 +86 21 5298-6677