全流程自动化之设备运维数字化关键技术

1 研究背景与总体任务目标

1.1 研究背景

《钢铁行业智能制造标准体系建设指南（2023版）》指出：钢铁冶金的工况复杂，要大力推行冶金设备关键机械设备的在线监测、故障诊断、设备效能状态检测与校准等技术，确保设备的稳定运行与维护，提高综合效率。

随着智能传感技术、5G技术的发展，运维数据的爆炸性增长，冶金设备转向预测性维修（PdM）。预测性维修，也称为基于状态的维修（CBM），是以状态为依据的维修，通过对设备状况实施周期性或持续监测，基于机器学习算法和模型来分析评估设备健康状况的一种方法，根据设备状态数据制定维修计划，包括确定维护时间、维修策略和所需资源。

1.2 总体任务目标

冶金设备智能运维与管理系统，需要完成信号采集硬件系统的建设与智能运维系统的开发。通过开发和搭建设备智维与管理平台，实现以下目标：

1）实现故障监测。实现全部具有特征参数趋势性变化故障的早期预警。实现随机故障的实时监测与报警，故障准确判别率达到90%以上。

2）搭建智能运维系统。利用采集端设备实时采集生产设备状态数据。采集端的数据发生异常时，触发故障诊断模型。边缘层平台系统自动进行设备故障预测及设备关联性分析，生成报修工单并指派给对应维修人员。

3）维修决策优化。统计并展示MTBF、MTTR等可靠性数据。综合设备状态数据、维修资源数据、设备本体数据和服役期数据，实现设备运维决策综合优化。

4）设备管理系统。运用的智能算法及大数据分析，实现设备故障自动识别、维修任务生成、自动派单，以及备件管理、人员绩效管理等功能。

5）推进设备资源管理的数字化，实现设备管理与企业运营所有业务系统的无缝衔接，使得设备管理系统的信息成为支撑数字钢铁的核心数字资源。

2 解决的关键共性技术内容

1）装备及关重件的设备孪生体建模与仿真

在实际生产过程中，冶金关重设备普遍存在故障状态信号样本缺乏及不均衡问题。深度学习需要一定规模的标签样本，才能实现模型训练。利用变分自编码网络（VAE）和生成对抗网络（ GAN）等生成模型和数字孪生技术，实现数据增强，应对样本缺乏问题。当样本量足够大时，每种标签样本的数据都足够多，可应对样本不均衡问题。

2）装备及关重件的故障诊断技术创新

①信号采集硬件系统轻量化技术。设备状态采集信息全覆盖导致信号系统组网复杂度增大，不同传感器的信号模式和规模的差异化，导致传输方案多样化和信号集成的复杂化。利用先进信息技术，自主开发信号采集系统，实现系统结构轻量化。

②多模态数据融合技术。速度、角度、位移、电流、电压、力矩、声音、振动传感器及视频信号具有不同的模态。利用大模型等多模态融合技术（MFT），实现不同传感器、不同模态的信息进行整合和融合。

③设备的状态评估技术。状态的精准表征是实现运维科学决策的基础。建立信号处理与分析方法，从监测信号提取出科学的健康指标（HI），得到机械设备退化的指标变化规律，预测设备的剩余寿命。

④开发智能诊断模型。研究新型深度学习模型，开发轻量级故障诊断方法，显著减少模型的冗余参数，提高模型的拟合效率，实现故障的高效、零延迟诊断。在故障样本有限、强背景噪声及工况多变等复杂约束条件下，开发新型诊断模型实现特征的提取，显著提高诊断性能。为了开发出适用于不同场景的深度模型，须开发跨域诊断模型。

3）冶金装备关重件的寿命预测技术创新

①高精度剩余寿命预测技术。利用退化数据或监测数据，通过构建相应的模型来推导设备的剩余寿命信息预测方法。综合统计方法和基于机器学习方法两种数据驱动方法的优点，预测剩余寿命（RUL）。

②适用于多实际场景的智能故障诊断技术。针对故障样本有限、强背景噪声及工况多变等约束条件，开发深度学习故障诊断方法，模型可以利用多装备、多工况数据，显著提高诊断性能。

3 技术路线与实施方案

利用多元数据融合技术，将实验室和装备现场的振动、温度、电压、电流、速度、移位等多种传感数据进行数据融合。并针对装备现场故障数据不足的问题，应用数字孪生技术生成寿命周期不同状态的仿真数据，达到数据增强的目的。

开展特征提取算法研究。特征参数用于进行设备状态分析与表征，用热图分级表征设备状态和故障预警。利用实时数据集、历史大数据，开展基于数据驱动的剩余寿命预测（RUL），并通过RUL与状态热图分级表征状态并实现状态预警。

开展基于数据驱动的设备故障智能诊断与寿命预测智能方法研究。利用时间序列分析和异常检测算法，可以有效识别出系统负载的异常波动。此外，利用深度学习模型完成故障预测。

利用基于寿命数据得到的设备故障分布模型和RUL预测结果，采用以可靠性为中心的维修思想，开展预测性维修决策建模。

为提升设备运行的经济性和可靠性，开展预测性维修决策最优化方法研究。结合状态热图分级表征、故障诊断寿命分布和RUL寿命预测结果，建立维修决策多目标模型，通过优化算法得到预测性维修最优方案。

通过以上技术的整合与创新，为设备运维管理的智能化与数字化提供了全方位的技术支撑。本研究技术路线见图1。

4 落实产业与实施效果

4.1 智能运维技术落实产业与实施效果

在复杂装备系统建模、远程故障诊断与状态预测方面，团队开展了设备故障诊断与模式识别的智能算法研究，多模态信息融合开发设备健康状态感知、评估、故障诊断及动态维修决策等功能模块，开发了智能点检在线监测系统并在国内大型钢铁企业得到成果转化，如图2所示。

针对国内某钢厂的水质处理需求，团队构建了智慧水务平台。硬件上部署感知系统，包含水质传感器、设备状态感知传感器等，实现水质和设备状态数据的实时采集与传输。集成大数据分析和智能算法，具备实时监测、智能预测预警、远程自动加药控制等功能。通过智能算法优化药剂投加和设备维护策略，结合全生命周期数据分析实现设备健康管理与状态预测，在降低药剂成本和维修成本的同时，提升设备运行可靠性和产线安全性，显著提高产线的整体运营效益。

4.2 数字孪生建模技术落实产业与实施效果

开展了航空叶片辊轧工艺设备的数字孪生系统开发（图3）。针对专用设备开展了自动化上下料研究，完成高度集成化的机构平台、辊轧液压系统专用夹具、成品搬运机械手等功能模块的设计，开发了基于PLC的控制系统，实现辊轧机在手动操作和自动操作模式下的生产加工。研究成果完成了企业在多级叶片初轧和精轧等工艺设备的智能化升级，企业的轧制工艺实现了4小时无人值守、自动统计和故障停机警报等功能，提升了设备加工精准率。

5 结语

随着信息技术和大模型的发展，面向钢铁行业的设备智能运维系统拥有广泛的需求。设备运维数字化发展呈现出以下三大趋势：

1）为了降低传感器的组网复杂度和成本，自主开发信号采集系统。边缘层硬件实现信号采集策略控制、信号存储以及特征计算。开发数据采集及控制系统可编程，多通道，具有工业性防护的信号调理输入、输出模块以及通信模块组成。

2）设备健康管理由预测性维修向全生命周期管理转变。通过设备全生命周期的数据分析，实现设备全生命周期管理。智能运维系统的功能拓展为设备管理系统。实现智能运维决策，实现运维决策与备件管理、人员绩效管理等功能的协同。

3）面向复杂的冶金真实场景，研发适应多种数据条件的智能运维模型。