生產制造的核心是提高生產效率和滿足市場對產品的多樣性、實效性和高質量的需求。旋轉機械部件是工業機械和精密加工中最重要的元件之一，對設備加工精度和效率起著至關重要的作用。以下特別以軸承，滾珠絲桿，主軸刀具為例，介紹其狀態監測、故障預診和壽命預測的解決方案。

一、為什么需要智能維護？

1、當前生產制造業平均生產率有待提高

據統計，在當前大批量生產制造中，平均生產率不足60%[1]，其主要原因在于設備的故障和不可靠的生產過程控制。例如，汽車制造工廠停機1分鐘，將造成2萬美金的損失[2]。

2、制作業數據資源充足，但并未得到充分利用

圖片來源：IDC, 麥肯錫全球研究院分析

麥肯錫的報告顯示，就大數據的數量而言，制造業遠遠超過其他行業的數據產生數量，且可被接入的設備數量也遠超移動互聯網。然而工業大數據的應用卻遠沒有在社交網絡、醫療等方面普遍和深入，其中的價值有待人們充分挖掘。

3、預測設備衰退狀態是提高生產效率的必要手段

持續保證加工精度是提高生產效率的關鍵，這包括對設備、生產工藝的控制，而不可避免的設備性能衰退將直接影響到精度從而導致產品良率的下降，嚴重情況下宕機。

要最小化設備衰退對生產效率造成的不良影響，最必要的手段之一是預測設備衰退狀態，支持運維決策者做出敏捷正確的決策，進而優化生產計劃、節省維護成本，并盡量避免非計劃停機，實現近似零宕機 (near-zero breakdown)。

二、如何進行智能維護？

1、概述

從零部件級入手，通過采集加裝傳感器信號、控制信號、事件信號等，用預測與健康管理（PHM）策略和技術方法，對原始數據做分析處理，提取特征，并通過機器學習或統計方法建模，從而得出與狀態相關的置信度值來表示部件的健康狀態，及時讓用戶發現不可見的部件衰退并預測剩余使用壽命。

2、技術實現

為了了解單個部件的衰退過程以及其故障機理，通過高應力加速劣化試驗可以在短時間內獲取全生命周期的衰退過程，與此同時，多方面、全周期的數據采集能夠從不同的角度更全面地描述其衰退形態。

一般情況下，在多傳感器的環境下學習，對不同類型的信號進行預處理和特征提取，來自每個傳感器或者控制器信號所能反映出的特征只能反映本體的特定片面的信息，因此通過信息融合的方式則能更加全面的去詮釋本體的整體健康狀態和故障模式。

隨著機械設計復雜性的提高，外加傳感器變的越來越困難，好在復雜機械的控制系統能夠提供更加豐富的信號，如GE的發動機在設計時就提供了大量的在線數據。

因此，我們將從多傳感器逐步轉向無傳感器的戰略，直到能夠通過控制器提供的數據找出與設備健康狀態相關的信號，通過“最少傳感器”的分析策略，來建立能夠有效預診設備狀態的模型，一個精簡的無傳感器下故障診斷模型如下圖：

故障預診模型示例

圖片來源：P. Li, “Cyber App for Ball Screw Health Monitoring,” in IMS Center 32nd Industry Advisory Board Meeting, 2016.

三、案例分享

1、某家具制造商智能設備運維典型案例

 慧都工業大數據分析平臺的智能設備運維解決方案，能夠整體提升故障預測及設備健康管理的準確性，我們通過一個客戶案例來深入了解，智能設備運營解決方案為制造業帶來哪些變革。

該家具制造公司是一家以生產、銷售、研發、安裝、售后服務，為客戶提供全方位的產品和服務，包括辦公家具、民用家具、酒店家具、實木教具、教學家具、軟體家具、金屬家具等業務。

其公司存在以下業務痛點：

• 無法探索各設備停機時間的原因分析，得到改善建議
• 無法預測設備有效應用率和故障，以及設備與產品質量的關系
• 需要非常有經驗的人來維護設備，人工維護成本高

慧都大數據專家團隊根據客戶需求進行咨詢、調研、研發、實施、維護五步項目流程，為用戶定制化設備運維解決方案。

圖片來源：慧都智能設備運維項目圖片1

圖片來源：慧都智能設備運維項目圖片2

2、滾珠絲桿故障預診和壽命預測

滾珠絲桿故障模式有多種，如潤滑失效，絲桿／導軌預壓消失，滾珠／牙型磨損等問題。在正常運行狀態下，可能需要幾年的時間才能全部了解到各種故障模式，而通過高應力下加速劣化實驗，可以在短時間內獲取不同的故障形態，衰退過程曲線。

圖片來源：W. Jin, “A Comparative Study ofFault Detection and Health Assessment Techniques for Motion ControlMechanism,” Master's thesis, University of Cincinnati, Aug. 2014.

該曲線一方面能夠快速分析出與故障相關的特征，如頻域中的球動頻率，位置跟蹤誤差等，另一方面，根據對應力與壽命的關系建模，能夠很好的區分出絲桿壽命、應力、衰退之間的關系，從而可以快速推算出在正常操作條件下的衰退曲線。

圖片來源：P. Li, “Cyber App for Ball Screw Health Monitoring,” in IMS Center 32nd Industry Advisory Board Meeting, 2016.

3、軸承壽命預測

用深度學習從振動信號、電流信號、溫度信號中提取的特征來監測軸承的劣化并推算出其剩余壽命。根據歷史完整劣化數據建立訓練集，基于相似性原理預測在運行軸承的剩余壽命，通過加強深度學習使其預測模型更加精準。

圖片來源：Liao, L., Jin, W., &Pavel, R. (2016).Enhanced restricted boltzmann machine with prognosability regularization for prognostics and health assessment. IEEE Transactions onIndustrial Electronics,63(11), 7076-7083.

4、刀具磨損預測與診斷

刀具磨損監測和預測刀具的剩余使用壽命（RUL）一直是一個研究領域，因為銑刀中的磨損會降低產品的表面質量及其尺寸精度。

PHM協會2010年的工業數據競賽是使用測功機和加速度計數據的高速數控銑床銑刀的RUL估計。該競賽提供的數據包括收集的力和三個方向的加速度信號以及聲發射信號。數據來自于六個刀具全生命周期切削過程，目的是在切割工件時預估刀具的剩余使用壽命。

圖片來源：//www.phmsociety.org/competition/phm/10

所使用的方法用到信號去噪、特征提取，用神經網絡的方法關聯特征與刀具磨損，從而估算出刀具剩余壽命。

圖片來源：H.Davari, “Remaining Useful Life Estimation of a High Speed CNC Milling MachineUsing Dynamometer and Accelerometer Data,” in Prognostics and HealthManagement, 2010. PHM 2010. International Conference on,2010.”

四、方案推薦

慧都智能設備運維解決方案使用的產品有慧都DataForce、慧都生產制造BI、慧都工業AI模型。通過做設備的運維分析、故障預測，從而減少停機時間，同時給設備運維提高效率，降低維護成本。

慧都工業大數據分析平臺架構

最終實現效果：

• 維護周期，建模預測設備狀態，按小時實時調整維護計劃，讓計劃性的設備維護更合理、高效，降低成本。
• 故障預測，建模預測設備故障，提前處理，讓非計劃性的設備維護更可控，有效減少停機時間，從而降低對生產帶來的損失。
• 減少人力成本，設備運維智能化，減少對有經驗的工程師的依賴程度，同時減少運維人員的無必要的定期檢查。
• 提高設備效率，預測設備狀態，計劃性的設備運維，按需維護，不用等到定期維護，更有效延長設備的生命周期。

慧都工業大數據分析平臺致力于打造國內第一個端到端的工業大數據分析平臺，為企業提供產品全生命周期數據管理和分析方案，為您提供從數據采集、數據準備、數據建模、可視化分析的端到端解決方案。

歡迎撥打慧都熱線023-68661681或咨詢，我們有專業的大數據團隊，為您提供免費大數據相關業務咨詢！