智能制造装备预测性维护技术研究和标准进展
本文针对数字化、网络化、智能化技术和制造业的深度融合下，智能制造装备需要更加高效与智能的实际需求，总结了现有设备运维技术存在的问题、最新技术发展和标准化进展，提出了最新预测性维护技术的定义和优势，从系统功能模型、工作流程、数据获取和处理、装备特征分析、状态识别、故障判别和定位、健康度预测、维护管理和执行等方面分析了企业实施预测性维护主要技术要求，介绍了预测性维护技术国际和国内标准化研制进展，为智能装备和智能产品的智能运维提供了质量基础保障，为制造企业向服务型制造转型提供了技术支撑。
作者简介：王春喜，博士，副总工，标准与检测中心主任，全国工业过程测量控制和自动化标准化技术委员会（SAC/TC124）秘书长，教授级高级工程师。主要研究方向为智能制造、测量控制与自动化、工业安全、预测性维护、标准化研究等。
引言
智能制造是制造业高质量发展的主攻方向和突破口，在德国“工业4.0”、美国“工业互联网”等发展战略中，智能制造都是其核心内容，智能制造已成为世界制造业未来发展的重要方向之一。智能制造具有生产设备网络化、生产数据可视化、生产过程透明化等显著特点，是实现传统产业转型升级和提升我国先进制造能力的最佳途径。随着工厂智能化程度不断提升，制造系统的自由度逐渐降低，对系统的可靠性和可用性要求越来越高，进而对智能装备在线监视和智能运维的要求更高，开展智能装备预测性维护技术研究，研制统一的技术标准，建设标准测试验证平台的需求更加迫切。
2017年工信部智能制造综合标准化项目专门设立了《智能装备预测性维护标准研制及验证平台建设》项目，开展面向智能制造装备预测性维护技术研究，在现有智能装备已实现通信与诊断功能的基础上，从数据采集、状态监测、故障诊断、预测性维护、维护决策等方面，针对关键智能装备（包括生产单元）开展预测性维护技术研究和标准制定，旨在解决智能制造环境下智能装备生产过程的剩余寿命预测性维护与维护管理决策问题，为提升产品质量与生产效率，降低企业运营成本提供整体解决方案。并在《国家智能制造标准体系建设指南（2018年版）》中将预测性维护技术标准列为了智能制造关键技术标准[1]。
预测性维护技术进展
2.1 定义
预测性维护（Predictive Maintenance）是以状态为依据的维修，通过对系统部件进行定期（或连续）的状态监测，判定设备所处的状态，预测设备状态未来的发展趋势，依据设备的状态发展趋势和可能的故障模式，预先制定预测性维护计划 [2]。智能设备中的零部件高度集成，通过预测性维护，对系统的各个部件进行实时检测，以所检测到的状态参数为基础，对设备未来的工作状况进行预测，进而实现智能装备的预测性维护，是传统制造业转型升级的重要技术基础。
2.2 现有设备运维技术存在问题
预测性维护作为制造企业开展设备管理的重要领域，不仅影响企业的生产经营，而且还关乎企业长远的发展状况。随着现代企业生产过程的自动化程度越来越高，制造任务基本由智能设备完成，而只有极少数的工序和流程需要人工操作。而且，绝大多数的企业都对生产设备具有很强的依赖性，设备的可靠性、稳定性和精度直接影响企业的产品质量。智能设备已成为制造业的生存之本，企业在产品生产、加工、装配环节都离不开智能设备的支持。
与传统制造业相比，智能制造更加突出设备的智能性、综合性、灵敏性与交互性的特点，这对设备的工作连续性要求越来越高，突发的故障停机会影响生产连续性，降低生产效率。作为提高设备使用阶段可靠性的重要手段，智能制造对设备的维护提出了较高的要求，先进的制造和先进的维护是智能制造的两条腿，缺一不可，而且要一同迈进。
目前，绝大部分企业的生产设备的日常维护、维修主要依赖于设备的生产厂家，而且是以在出现故障或者生产事故后，进行事后修复性现场维修的模式来完成的。这种维修模式属于被动式故障维修。随着智能设备的集成度、复杂性、智能化程度的不断提高，为了以更加经济有效的方式满足生产企业对于典型生产设备的综合保障能力的需求，要求在执行生产任务时，通过一些故障预测方法准确地预测在短期或者中期内可能出现的故障，并给出潜在故障的处理方法和维修策略，或在未来一段时间内预防潜在故障的出现，以保证生产设备在执行制造任务过程中始终处于正常良好的运作状态。为了实现上述功能，需要对生产设备进行实时的异常诊断、维修和维护，并事先预测生产设备的“健康”状态，以开展预测性维护策略的制定，争取在满足设备的正常运作的前提下能够以最经济有效的方式来进行设备的预测性维修和维护管理。
2.3 设备运维技术的最新进展
设备运维技术也是根据现场设备数据的可获得性、数据量、实时性，以及工业大数据的存储和计算能力的进步而经历了多个发展阶段。早期，设备运维是基于结果的，即亡羊补牢式的被动性维护。第二阶段根据设备故障浴盆曲线理论发展到定期的预防性维护。第三阶段，预测性维护，随着现场设备采集和工业通信技术发展普及渗透，现场感知数据海量采集，奠定了预测性维护的基础。未来，预测性维护将与其他维护技术长期并存，基于成本效益而形成最优组合。目前主要的设备运维技术的对比如表1所示。
设备维修经过了事后维护（被动性维护）、定期维护（周期性维护），已发展到预测性维护阶段（主动性维护）。预测性维护是通过传感技术在线监测设备运行状态，并在早期故障诊断的基础上通过预测模型估计故障发展趋势或设备健康度来安排维修活动。预测性维护能够利用集成的智能机器与设备的数据综合分析、预测故障发生的时间和位置，最大化零件工作效率，减少不必要的停产。在多数情况下，预测性维护是最具效率的维护策略。
美军在20世纪90年代末引入视情维修，作为一项战略性的装备保障策略，其目的是对设备状态进行实时或近实时的监控，根据设备的实际状态确定最佳维修时机，以提高设备的可用度和任务可靠性。在民用技术领域，预测性维护技术在汽车、民用飞机、桥梁、复杂建筑、核电站等重要设备和工程设施的监控和健康管理中已得到了广泛应用[3]。
目前，国内在预测性维护及健康管理方面，也开展了较为广泛的研究工作。研究需求和研究对象主要集中在航空、航天、船舶、化工、核电、风电等复杂高技术设备研究和应用领域。从智能制造和复杂大型设备智能运维的角度来看，我国现在对预测性维护的需求也非常迫切。但是，由于理论研究与实际应用中缺乏技术标准的规范和指导，导致预测性维护的研究和实施存在大量的交叉重复，并很难得到用户的广泛认可。
根据麦肯锡的报告，基于物联网的预测性维护延长了设备的寿命，有助于消除多达30%的基于时间的例行维护程序，并使设备停机时间减少50%。美国能源部也表示，预测性维护有助于石油和天然气公司将产量提高25%，维护成本降低30%，设备停机时间减少45%。可见，随着物联网、大数据与传感器等技术的成熟，预测性维护技术已经取得了快速发展与突破。
2.4 设备运维技术的标准化进展
从标准化的角度来看，ISO/TC 108（机械振动、冲击与状态监测技术委员会）较早开展了状态监测和故障诊断相关标准研制工作，已制定了ISO 2041《机械振动、冲击与状态监测 词汇》、ISO 13372《机器状态监测与诊断 词汇》、ISO 13379-1《机器状态监测与诊断 数据判读与诊断技术 第1部分：总则》、ISO 13381-1《机器状态监测与诊断 预测 第1部分：一般指南》等国际标准。IEC/TC 65（工业过程测量控制和自动化技术委员会）作为国际智能制造标准化工作的核心组织，目前也正在组织专家制定状态监测、全生命周期管理、智能装备管理等相关标准。但截至目前，国际和国内尚未发布关于核心智能制造装备预测性维护的相关标准。
《智能装备预测性维护标准研制及验证平台建设》项目承担单位机械工业仪器仪表综合技术经济研究所，同时也是IEC/TC 65对口的国内标委会SAC/TC124（全国工业过程测量控制和自动化标准化技术委员会）的秘书处承担单位，通过该项目的研究，建立了智能制造装备预测性维护标准体系，同步开展了国内、国际关键技术标准制定。
预测性维护技术要求
3.1 系统功能模型
智能制造装备的预测性维护系统的功能模型如图1所示。完整的智能装备预测性维护流程包括数据获取和处理、状态识别、故障判别和定位、健康度预测、维护管理和维护执行等阶段。其中：数据获取和处理阶段的输出为状态表征数据，通过状态识别功能判断装备状态是否发生异常，如未见异常则直接进入健康度预测阶段，如出现异常则进入故障判别和定位阶段以判断是否发生故障，并将故障定位等信息作为健康度预测阶段的输入。
图1 预测性维护系统功能模型
3.2 工作流程
智能制造装备预测性维护的应用实施应着重于发现和避免系统性失效，其工作流程如图2所示。
图2 智能装备预测性维护工作流程图
3.3 数据获取和处理
数据获取和处理的核心装备由传感器、数据采集器组成。传感器主要用来采集装备及相关联环境的状态信息与过程信息，传感器可为装备内部传感器，也可为依据用户需求加装的外部传感器，其中数据采集器主要提供生产现场装备过程信息。
3.4 装备特征分析
装备结构与功能是开展预测性维护的关键输入。在智能制造装备预测性维护过程中，需分析的特征包括但不限于：
——装备运行环境，如建筑物、安装条件、共振、材料等；
——管网与辅助系统，如进口、出口、冷凝器、阀门等；
——润滑方式，如油类、脂类、液压液体、粉类等；
——控制系统，如机械式、电气、气动式、液压式、DCS等；
——性能，如速度、压力、载荷、温度、噪声、振动等；
——装备输入，如电源、水力、空气等；
——装备输出，如功率、牵引力、压力等；
——结构/基础，如位置、材料、刚度、柔性、疲劳、热膨胀等；
——耦合，如不同装备之间的相互影响等；
——环境，如水、风、温度、高度、湿度等；
——保护系统，如超速、电流、电压等；
——人员，如操作人员、维护人员等；
——监测技术，如精度、采样频率、视觉检测、热成像等；
——成本，如装备改造、生产停产、装备维护等；
——系统，如机器或装备的功能等；
——装备和系统的工况及其变化范围等。
3.5 状态识别
状态识别是指通过特征分析等手段对状态表征数据进行聚合、阈值判断后得到装备的当前状态。识别的装备状态作为状态预测的输入，为故障诊断或健康度预测提供基础。
状态识别的本质是对状态表征参数进行特征分析和识别获得装备状态，识别方法包括但不限于：
——统计分析；
——聚合；
——阈值判断；
——聚类。
数据按表现形式可分为开关量（如机床冷却泵起停状态、防护罩开闭状态等）、模拟量（如机床温度、振动等）、数字量（如机床主轴转速、工作台位置等）；数据按性质可分为静态数据（如机床温度、油箱液位等）、动态数据（如机床功率、振动等）。
3.6 故障判别和定位
故障判别和定位主要方法包括：
——基于机理模型的方法。即基于装备本身的机械及电路原理，建立仿真模型。装备发生故障时，输出与模型基于正常情况下的输出对比所产生的残差值被用来判断不同的故障模式及故障等级。
——基于数据驱动的方法。该方法不需要明确了解装备内部结构，只需要使用系统在真实环境运行时采集的输入输出数据作为建模的依据，使用统计、分类、机器学习、模式识别等方法模型，建立输入输出之间的线性或非线性关系。在装备发生故障时，在上述模型中根据输入数据即可辨别装备正常与异常的状态。
3.7 健康度预测
健康度预测是利用状态参数及特征信号，基于不同的分析方法与预测模型来评估装备的健康状态和未来变化趋势，在其故障发生之前对故障趋势和健康度进行预测。健康度通常采用百分比的方式表达，在已知装备未来工作状态的前提下，可以转换为剩余使用寿命。
开展装备健康度预测，除装备运行状态监测和故障诊断的必备数据外，还需要收集以下数据信息，如：未来运行和维修的环境、要求和计划表，现有失效模式的识别，失效建模程序，报警限值、跳车（停机）限值，损伤起始数据和损伤进展数据等。
常用的健康度预测分析方法主要有：
——多参数分析，即分析一个系统里多个参数及其关系；
——趋势分析，即通过分析重要参数的运行状态，进而分析参数的发展趋势和速度；
——对比分析，即把两个相互联系的指标数据进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢，以及各种关系是否协调。
为了提高健康度预测可信度，在上述分析方法的基础上，还可采用基于机理模型的方法，基于数据驱动的方法和混合方法以建立预测模型并优化预测过程。
3.8 维护管理与执行
智能制造装备的维护管理，是在充分考虑安全和成本的基础上，将健康状态预测的输出结果，与企业装备管理相结合，制定相应的维护策略，也可借助企业的管理信息系统，如MES、ERP等，实现维护管理的优化。维护管理与执行功能可采取的方式有：
——应急响应。应依据健康度预测结果，结合生产实际情况建立应急响应机制；
——维护执行。应依据健康度预测结果，在确定维护方案后及时执行，可采取的措施包括备件更换、保养、非停机状态下调整装备运行参数等；
——策略优化。通过与企业信息系统集成，可实现维护与管理的优化，如基于虚拟维修的维修可行性优化；备品备件、维修人员的资源调度优化；基于智能排产的生产优化等；
——可视化。应满足可视化要求，可采取方法有可视化的图、表，特定的性能曲线或三维视图等。
预测性维护技术标准研制进展
4.1 国内标准化进展
在开展以上智能制造装备预测性维护技术研究的同时，项目组组织国内80多家单位的100多位专家组成了智能制造装备预测性维护技术标准起草工作组，目前正在制定三项国家标准：
——《智能制造装备预测性维护 第1部分：通用要求》（国标计划号：20192995-T-604）。该标准规定了智能制造装备预测性维护系统的总则、可行性分析、数据获取和处理功能、健康状态预测功能、维护管理与执行功能等。
——《智能制造装备预测性维护 第2部分：数据获取和处理》。该标准规定了预测性维护过程中的数据采集，数据预处理和特征提取等内容。
——《智能制造装备预测性维护 第3部分：预测性维护方法》。该标准规定了智能制造装备预测性维护的总则、状态识别、故障判别和定位、健康度预测等。
4.2 国际标准化工作
2017年在中德智能制造/工业4.0标准化工作组中设立了预测性维护专题组，并由机械工业仪器仪表综合技术经济研究所专家担任工作组组长，与德方专家共同开展预测性维护标准体系与路线图研究，并于2018年完成并发布《中德工业4.0/智能制造预测性维护的标准化路线图》白皮书[4]。
2019年10月，经国际电工委员会工业过程测量、控制和自动化技术委员会企业控制系统集成分委会（IEC/SC 65E）投票，我国自主提出的《工业自动化设备和系统 预测性维护》国际标准提案以84.6%的赞成率成功立项，成立标准工作组WG12，标准号为IEC 63270，由机械工业仪器仪表综合技术经济研究所专家担任工作组召集人。目前该国际标准正在积极制定中。
4.3 标准验证及应用示范
为了保证相关标准的正确性、可实现性和适用性，专项项目组针对上述三项国家标准的技术内容，建立面向典型失效模式的智能制造装备预测性维护标准验证平台。标准验证平台包括数据采集、状态识别、故障诊断、预测性维护等功能，能够对机器人、数控机床等典型智能装备的关键数据进行分析和预测，并将预测性维护技术应用于具体企业的实际生产线实现云边协同的验证场景。验证平台示意图如图3所示。
图3 智能装备预测性维护标准验证平台示意图
总结
随着数字化、网络化、智能化技术和制造业的深度融合，智能制造企业变得更加自动化和无人化，智能制造装备变得更加高效与智能，但装备本身维护工作却仍面临巨大挑战。传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量，并大幅提高制造商的成本。
以特征识别、健康度预测、维护规划为核心的预测性维护技术有能力诊断智能制造装备的潜在故障并提前对其进行保护，可以有效提高智能设备的可靠性和可用性，降低智能设备的维护成本和生产系统的制造成本，提升产品质量。得到了各设备制造商和用户的广泛关注，《智能制造装备预测性维护》系列标准的制定为设备制造商和用户提供了预测性维护技术实施的标准化指南。后续还将根据不同行业、不同装备的产品特性和应用场景开展特定行业特定装备预测性维护技术标准的制定，为智能装备和智能产品的智能运维提供质量基础保障，为制造企业向服务型制造转型提供技术支撑。
参考文献
[1] 工业和信息化部,国家标准化管理委员会.国家智能制造标准体系建设指南（2018年版）[Z].北京,2018-08-14.
[2] IEC 62342:2007，Nuclear power plants-Instrumentation and control systems important to safety-Management of ageing [S].
[3] 彭宇,刘大同,彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报,2010,24(1):1-9.
[4] Roadmap of Predictive Maintenance for Sino-German Industrie 4.0/Intelligent Manufacturing[R].Beijing:Sino-German Industrie 4.0/Intelligent Manufacturing Standardisation Sub-Working Group,2018.