設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)在水泥工廠中的應(yīng)用

許越

1 前言

水泥生產(chǎn)設(shè)備大多具有大型、高速、長期連續(xù)運行等特點[1]，其故障維修成本高，維修周期長，事故發(fā)生造成的經(jīng)濟(jì)損失大，做好水泥生產(chǎn)設(shè)備的管理和預(yù)測性維護(hù)非常重要。預(yù)測性維護(hù)是指將設(shè)備的振動監(jiān)測、油樣分析、溫度分析與故障診斷相結(jié)合，判定設(shè)備是否發(fā)生故障、是否需要檢修以及何時檢修的一種設(shè)備維護(hù)方式[2]。預(yù)測性維護(hù)可及時、高效地對水泥設(shè)備的異常情況作出診斷，排除安全隱患，避免重大事故的發(fā)生。水泥生產(chǎn)過程所需的主要設(shè)備如圖1所示。

圖1 水泥生產(chǎn)過程所需的主要設(shè)備

現(xiàn)行的設(shè)備維修方式以響應(yīng)式維修和預(yù)防性維修為主。響應(yīng)式維修是一種事后維修，存在較大的安全隱患，且設(shè)備停機(jī)時間長，對產(chǎn)能影響較大；預(yù)防性維修的維修成本較高，且更多依賴于技術(shù)人員的維修經(jīng)驗，維修工作涉及的影響因素多，管理難度大。此外，關(guān)鍵主機(jī)設(shè)備的備件儲備也是水泥設(shè)備維修面臨的棘手問題，如輥磨、回轉(zhuǎn)窯、球磨機(jī)等主機(jī)設(shè)備的齒輪箱，其價值較高，如存一臺備用，則資金占用量大，若無備件，遇損壞時，維修周期長，經(jīng)濟(jì)損失大。

隨著智能制造的快速發(fā)展，傳統(tǒng)的維修方式已難以滿足可靠、可維修、經(jīng)濟(jì)、安全、全生命周期管理的現(xiàn)代水泥設(shè)備管理要求，加強設(shè)備預(yù)測性維護(hù)具有重要意義。本文以某水泥公司預(yù)測性維護(hù)系統(tǒng)在設(shè)備管理中的應(yīng)用為例進(jìn)行介紹。

2 設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)技術(shù)方案

設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)基于大數(shù)據(jù)技術(shù)，結(jié)合了算法模型與專家系統(tǒng)，集成了眾多智能方法的優(yōu)勢，能夠準(zhǔn)確、實時對設(shè)備異常運行情況進(jìn)行智能報警，提供故障診斷決策，實現(xiàn)水泥生產(chǎn)設(shè)備的全生命周期管理。該系統(tǒng)主要由數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)應(yīng)用等模塊組成，如圖2所示。

圖2 水泥設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)構(gòu)成

2.1 數(shù)據(jù)采集

2.1.1 數(shù)據(jù)采集模塊功能介紹

設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)采用無線采集站（圖3）和有線智能監(jiān)測站（圖4）相結(jié)合的方式采集數(shù)據(jù)，可實現(xiàn)電纜零鋪設(shè)，支持60個振動傳感器和30 個工藝量傳感器，集振動和溫度測量于一體。該系統(tǒng)的數(shù)據(jù)采集包括報警觸發(fā)采集、數(shù)據(jù)同步采集等，在斷網(wǎng)時也能進(jìn)行數(shù)據(jù)存儲，可有效避免突發(fā)情況造成的數(shù)據(jù)丟失；數(shù)據(jù)采集設(shè)備向下通訊支持ZigBee、LoRa，向上通訊支持以太網(wǎng)、光纖、WiFi、4G/5G 等；有線智能監(jiān)測站支持300+故障特征指標(biāo)，具備黑匣子存儲功能，可實現(xiàn)邊緣智能報警和智能診斷。該系統(tǒng)可以同步采集轉(zhuǎn)速、加速度、工況等數(shù)據(jù)；支持千兆/百兆網(wǎng)口/光纖、WiFi、4G/5G通訊方式，可適應(yīng)不同的工業(yè)生產(chǎn)現(xiàn)場；采用1.5GHz雙核的高性能芯片，存儲容量為8G，可滿足數(shù)據(jù)的高速存儲及計算處理；具有自動診斷功能，可判斷振動、工藝、轉(zhuǎn)速等各路數(shù)據(jù)采集通道是否正常和傳感器是否正常。

圖3 無線采集站

圖4 有線智能監(jiān)測站

此外，該系統(tǒng)的傳感器以毫秒級為單位采集數(shù)據(jù)，形成了量大、多源、異構(gòu)、復(fù)雜、增長迅速的設(shè)備狀態(tài)監(jiān)測大數(shù)據(jù)，為該系統(tǒng)提供了大量可靠的監(jiān)測數(shù)據(jù)。

2.1.2 數(shù)據(jù)采集設(shè)備選用

（1）通頻振動加速度傳感器

傳感器內(nèi)置IEPE電路，采用恒流源組件供電，可以隔離輸出。其加速度測量范圍為±80g，寬頻響應(yīng)范圍為0.4Hz~15 000kHz。

（2）無線邊緣智能傳感器

集壓電、單軸、振動、溫度感知為一體的無線傳感器，在電機(jī)工況數(shù)據(jù)采集方面能力較強，可智能識別設(shè)備的轉(zhuǎn)速、負(fù)載及啟停機(jī)的狀態(tài)。該傳感器的功耗極低，配備19Ah大電池，持續(xù)工作時間長。

（3）通用無線振動傳感器

一種單壓電的三軸振動傳感器，LoRa 長距離通訊方式，可采集6 個低頻通用指標(biāo)和報警波形，電池可持續(xù)使用三年以上。

（4）側(cè)出式加速度傳感器

內(nèi)置IEPE電路，采用恒流源組件供電，加速度測量范圍為±80g；具有IP68高防護(hù)等級，360°側(cè)出，易于安裝和維護(hù)。

（5）沖擊振動傳感器

內(nèi)置IEPE電路，采用恒流源組件供電，可以同時監(jiān)測沖擊脈沖振動和溫度信號；采用激光焊接密封方式；振動頻率響應(yīng)范圍為2~10kHz；沖擊幅值范圍為10~8 000SV；具有IP68高防護(hù)等級。

（6）電機(jī)工況傳感器

監(jiān)測電機(jī)啟停機(jī)狀態(tài)的同時，也能監(jiān)測電機(jī)的工況；支持轉(zhuǎn)速識別和階次分析。

2.2 數(shù)據(jù)存儲及處理

設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)中的Hadoop分布式系統(tǒng)架構(gòu)的云計算平臺，主要用于水泥生產(chǎn)設(shè)備運行數(shù)據(jù)的預(yù)處理、特征提取以及水泥生產(chǎn)設(shè)備的故障識別，如圖5所示。其中，數(shù)據(jù)存儲通過HDFS來實現(xiàn)，分布式計算通過MapReduce來實現(xiàn)。該系統(tǒng)的數(shù)據(jù)存儲和處理技術(shù)采用高效的數(shù)據(jù)庫結(jié)構(gòu)和特殊的批量加載算法，可實現(xiàn)海量數(shù)據(jù)的快速存儲和檢索。

圖5 Hadoop分布式系統(tǒng)架構(gòu)

水泥生產(chǎn)現(xiàn)場環(huán)境復(fù)雜，涉及到的數(shù)據(jù)種類繁多，數(shù)據(jù)量龐大，數(shù)據(jù)結(jié)構(gòu)不一，很難使用傳統(tǒng)的、固定的數(shù)據(jù)接入手段應(yīng)對各種不同的數(shù)據(jù)接入場景；同時，平臺的應(yīng)用及接口均需盡快獲得最新的數(shù)據(jù)。因此，接口及應(yīng)用排隊獲得數(shù)據(jù)的傳統(tǒng)方式顯然不能滿足需求。

Kafka是一種可以實現(xiàn)高通量數(shù)據(jù)讀取和存儲的分布式發(fā)布訂閱平臺，如圖6 所示，可以統(tǒng)一接口服務(wù)的方式，開放給Hadoop等應(yīng)用，非常適合向Hadoop 或數(shù)據(jù)倉庫中進(jìn)行數(shù)據(jù)裝載。該平臺支持以信息集合為單位進(jìn)行批量發(fā)送，極大便利了數(shù)據(jù)傳輸。Kafka 還可應(yīng)用于用戶活動數(shù)據(jù)跟蹤、監(jiān)控運營數(shù)據(jù)指標(biāo)以及流式處理數(shù)據(jù)等方面。

圖6 Kafka平臺界面

2.3 故障診斷模型的構(gòu)建

2.3.1 算法開發(fā)

在水泥設(shè)備的預(yù)測性維護(hù)算法模型開發(fā)中，充分利用機(jī)器學(xué)習(xí)及信號處理的經(jīng)典算法，并與行業(yè)知識深入融合，形成了可解釋性的機(jī)器學(xué)習(xí)方法（LIME），建立了故障診斷網(wǎng)絡(luò)平臺。智能算法模型開發(fā)流程如圖7所示，算法開發(fā)流程描述如下：

圖7 智能算法模型開發(fā)流程

（1）針對水泥設(shè)備的振動數(shù)據(jù)，提取其時域、頻域及時頻域特征，利用拓?fù)鋽?shù)據(jù)分析技術(shù)構(gòu)建特征的拓?fù)渚W(wǎng)絡(luò)，并依據(jù)各特征在拓?fù)渚W(wǎng)絡(luò)中的重合程度，提取關(guān)鍵節(jié)點特征。

（2）通過卷積神經(jīng)網(wǎng)絡(luò)[3]、隨機(jī)森林[4]、深度自動編碼網(wǎng)絡(luò)[5]等模型方法構(gòu)建故障分類模型。

（3）利用可解釋性機(jī)器學(xué)習(xí)方法提高黑箱模型的可信度，采用線性替代、多重線性近似及決策樹等具有可解釋性的局部代理模型，評估各變量對每一分類結(jié)果的作用方向與作用強度。

（4）依據(jù)貝葉斯等決策算法，測算專家先驗知識與局部代理模型的重合程度，得出每一分類結(jié)果的可靠性后驗概率。

2.3.2 基于一維卷積深度網(wǎng)絡(luò)構(gòu)建故障診斷模型

本文提及的公司已累積了上千個水泥設(shè)備的故障案例，對于可靠性較低的案例，需要專家輔助識別，同時賦予專家識別案例較大的權(quán)重，將其再次引入模型中訓(xùn)練，通過迭代不斷優(yōu)化模型的診斷可信度。本文以一維卷積深度網(wǎng)絡(luò)為例進(jìn)行說明。

基于一維卷積深度網(wǎng)絡(luò)的水泥設(shè)備故障診斷模型的診斷過程分為多尺度粗粒度處理階段、多尺度特征提取階段以及分類階段。首先，針對水泥設(shè)備齒輪箱振動信號固有的多尺度特性，將原始的序列按照不同的間隔進(jìn)行簡單加權(quán)，形成一個新的序列，將處理好的振動數(shù)據(jù)輸入到一維卷積神經(jīng)網(wǎng)絡(luò)框架中，最終實現(xiàn)齒輪箱振動信號的多尺度特征提取和分類，原理如圖8所示。

圖8 多尺度一維卷積神經(jīng)網(wǎng)絡(luò)原理

該模型能夠充分利用原始序列不同間隔上所蘊含的信息，在不同尺度獲取互補、豐富的診斷信息。由于該模型的分層學(xué)習(xí)結(jié)構(gòu)設(shè)計，可以通過學(xué)習(xí)高層的故障特征，提高模型識別水泥設(shè)備齒輪箱故障的精度。模型的輸入沒有固定的數(shù)據(jù)類型，可以是水泥設(shè)備的振動監(jiān)測信號，也可以是時間序列數(shù)據(jù)，輸出需要定為齒輪箱的故障類型。離線訓(xùn)練好模型之后，將實時數(shù)據(jù)輸入模型即可快速得到齒輪箱的故障類型。一維卷積能夠很好地處理波形數(shù)據(jù)，從波形數(shù)據(jù)中提取有效的特征，同時，由于波形也具有時間序列的特性，故也可以建立長短期記憶網(wǎng)絡(luò)及循環(huán)神經(jīng)網(wǎng)絡(luò)。

2.4 多種智能集成

該系統(tǒng)集成了多種智能模型與算法，針對不同智能方法的優(yōu)點與不足，將其組合使用并與專家系統(tǒng)融合，有效實現(xiàn)了揚長避短。該系統(tǒng)采取多源信息融合、多種智能診斷方法集成，對診斷對象的適應(yīng)性更強，顯著提高了智能報警與智能診斷效率。

2.5 自學(xué)習(xí)機(jī)制

該系統(tǒng)具有較強的自學(xué)習(xí)、自適應(yīng)能力，通過持續(xù)的自學(xué)習(xí)訓(xùn)練，找到水泥設(shè)備出現(xiàn)異常的時間點及異常產(chǎn)生的原因和發(fā)展規(guī)律，不斷更新故障診斷知識庫，提高水泥設(shè)備運行異常的實時智能報警與智能診斷的水平，實現(xiàn)提前判斷、提前預(yù)警，減少設(shè)備維修人員不必要的檢測工作量及非計劃停機(jī)。

3 設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)預(yù)測案例

自設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)投入使用以來，在線運行率達(dá)100%，設(shè)備隱患預(yù)判預(yù)知能力、設(shè)備運行受控度有效提升，人機(jī)結(jié)合點檢效率顯著提升，主要設(shè)備運行狀態(tài)持續(xù)改善。

自設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)運行以來，公司窯、磨系統(tǒng)高效穩(wěn)定運行，多項生產(chǎn)工藝指標(biāo)達(dá)歷史最優(yōu)。以下為自該系統(tǒng)運行以來，成功預(yù)測設(shè)備隱患的部分典型案例。

3.1 風(fēng)機(jī)軸承隱患預(yù)測

2020 年 8 月 6 日，系統(tǒng)診斷分析推送現(xiàn)場 1 號煤磨排風(fēng)機(jī)風(fēng)機(jī)端振動上升與風(fēng)機(jī)平衡狀態(tài)及基礎(chǔ)剛度變化有關(guān)，風(fēng)機(jī)端軸承前期有所損傷，近期損傷持續(xù)劣化。8月10日，現(xiàn)場反饋風(fēng)機(jī)軸承確有磨損，計劃近期大修時進(jìn)行更換；8月24日，現(xiàn)場反饋風(fēng)機(jī)軸承已更換，風(fēng)機(jī)彈簧減振墊也進(jìn)行了更換。雖然本次案例中的煤磨排風(fēng)機(jī)軸承故障隱患處于早期，但若設(shè)備損傷持續(xù)劣化，且錯過大修之后再進(jìn)行檢修，整體維修成本將會顯著增加。1號煤磨排風(fēng)機(jī)風(fēng)機(jī)端振動圖譜見圖9。

圖9 1號煤磨排風(fēng)機(jī)風(fēng)機(jī)端振動圖譜

3.2 定輥電機(jī)隱患預(yù)測

2021年8月28日，系統(tǒng)診斷分析出公司1號輥壓機(jī)定輥電機(jī)負(fù)荷端軸承滾道輕微磨損，保持架卡澀、磨損，處于緩慢劣化狀態(tài)，并將此診斷結(jié)果推送至現(xiàn)場專業(yè)技術(shù)人員，建議適當(dāng)改善軸承潤滑延緩劣化。9月1日，現(xiàn)場檢查反饋未發(fā)現(xiàn)明顯問題，并及時給電動機(jī)補充潤滑脂，隨后系統(tǒng)振動圖譜可見明顯改善。由現(xiàn)場反饋可知，在企業(yè)日常點檢及巡檢過程中，本次問題很難被現(xiàn)場人員及時發(fā)現(xiàn)，通過添加潤滑油，在設(shè)備出現(xiàn)明顯機(jī)械損傷前及時維護(hù)，有效延長了設(shè)備使用壽命。1號輥壓機(jī)定輥電機(jī)負(fù)荷端振動圖譜見圖10。

圖10 1號輥壓機(jī)定輥電機(jī)負(fù)荷端振動圖譜

3.3 減速機(jī)隱患預(yù)測

2022年2月16日，公司水泥分廠更新了2號選粉機(jī)系統(tǒng)的減速機(jī)。開機(jī)后發(fā)現(xiàn)，設(shè)備振動值較高，2號選粉機(jī)系統(tǒng)振動圖譜見圖11。通過診斷分析發(fā)現(xiàn)，設(shè)備基礎(chǔ)剛度較之前存在差異，電機(jī)及減速機(jī)聯(lián)軸器連接狀態(tài)異常，建議現(xiàn)場排查減速機(jī)固定連接螺栓緊力情況及聯(lián)軸器連接狀態(tài)?，F(xiàn)場對選粉機(jī)減速機(jī)輸入、輸出軸進(jìn)行了重新找正，并對電機(jī)基礎(chǔ)進(jìn)行了加固，系統(tǒng)振動恢復(fù)正常。此問題若未及時發(fā)現(xiàn)，新?lián)Q設(shè)備則可能出現(xiàn)故障，導(dǎo)致臨時停機(jī)重新安裝，短時間內(nèi)將造成較大經(jīng)濟(jì)損失。

圖11 2號選粉機(jī)系統(tǒng)振動圖譜

4 系統(tǒng)效益分析

自設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)投入使用以來，其效益主要體現(xiàn)在以下幾個方面：

（1）意外故障發(fā)生次數(shù)大幅下降，減少了安全隱患。傳統(tǒng)的響應(yīng)式維修在設(shè)備出現(xiàn)故障后才會進(jìn)行，對于大型水泥設(shè)備而言，發(fā)生故障的同時，可能還會造成人身傷害。設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)可以提前發(fā)現(xiàn)故障隱患，減少意外的發(fā)生。

（2）使用設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)，可根據(jù)故障診斷結(jié)果，確定設(shè)備故障位置及可能的原因，縮短了設(shè)備故障排查分析時間，有效提高了設(shè)備維護(hù)工作效率。

（3）降低了設(shè)備維修費用，延長了設(shè)備使用壽命。在使用過程中，水泥設(shè)備的損耗程度往往是由小變大的，若前期的“小”故障未及時發(fā)現(xiàn)，則很容易演變成“大”問題，設(shè)備管理及預(yù)測性維護(hù)系統(tǒng)可對故障隱患及時預(yù)警，并提出有效的處置建議。