1、大型装备健康诊断和智能维护管理系统概述 刘述芳 徐永能 乔侨 南京地铁资源开发有限公司 南京理工大学自动化学院 摘 要： 随着我国工业化和城市化水平的飞速发展, 获得广泛应用的大型装备在传统检维修模式中存在的数据信息不全面、不规范, 数据分析处理不完善和数据分析手段落后等问题, 严重制约了大型装备的使用效率。健康诊断和智能维护管理系统可为大型装备预防性维修和全员自主维修提供全面技术支持。本文重点分析了大型装备维修模式发展趋势、健康诊断与智能维护系统需求分析与组成, 并结合轨道交通车辆关键部件案例对该系统的功能进行系统分析, 分析结果表明, 该系统的开发应用可以更好的确保大型装备全寿命周期的可靠
2、性和安全性水平, 有效提升大型装备的使用效率。关键词： 大型装备; 健康诊断; 智能维护; 大数据分析; 劣化趋势; 作者简介：刘述芳 (1972) , 女, 硕士, 主要从事机械工程及其自动化研究。收稿日期：2017-09-20基金：中央高校基本科研业务费专项资金资助项目 (30917012102) Large Equipment Health Diagnosis and Intelligent Maintenance Management SystemLIU Shufang XU Yongneng QIAO Qiao Nanjing Metro Resource Development C
3、ompany; School of Automation, Nanjing University of Science and Technology; Abstract： With the rapid development of industrialization and urbanization level in China, large-scale use of large equipment in the traditional inspection and maintenance mode is of the existence of incomplete and irregular
4、 data, unreasonable storage and imperfect in data analysis and processing, backward data analysis means and so on. This situation seriously hampered the use of large-scale equipment efficiency. Health diagnosis and intelligent maintenance management system provide preventive maintenance of large equ
5、ipment and total self-maintenance for comprehensive technical support. This paper focuses on the development trend of large equipment maintenance model, health diagnosis and needs analysis and composition of intelligent maintenance system, and the function of the system is systematically analyzed ac
6、cording to the case of key components of rail transit vehicle. The results show that the development and application of the system can better ensure the reliability and safety of the full life cycle of large equipment, and effectively improve the efficiency of large-scale equipment.Keyword： large eq
7、uipment; health diagnosis; intelligent maintenance; large data analysis; degradation trend; Received： 2017-09-201 概述大型装备维修管理是随着工业化和城市化进程发展而随之发展起来的, 其维修管理模式和水平也是不断在完善和细化。国际上大型装备维修管理基本上经历了不同的维修体系, 包括事后维修阶段、传统的预防性维修阶段、状态预警阶段或状态维修阶段、故障预测阶段或预测性维修阶段, 各个阶段检修成本、响应时间及其故障处理情况如图 1 所示。图 1 大型装备维修模式发展历程及其特点 下载原图从
8、图 1 可以看出, 随着维修技术的快速发展, 传统计划预防修阶段, 大型装备重点开展的是故障后开展的响应式维护, 或者按照预先规定的检维修周期开展的定期检查维修工作, 响应时间长, 维修成本高;状态预警阶段, 由于远程监控手段和数据诊断能力的改进, 在大型装备检维修现场可以根据实际状态进行维修, 维修成本适中, 响应时间也适中;而故障预测阶段, 则可以根据大数据建模方法对故障发生的情况进行预测, 依据数据进行装备劣化趋势分析, 并根据系统预测的状态选择维修的时机和作业内容, 维修成本最低, 响应时间也最短, 越来越成为大型装备检维修模式优化发展趋势。现阶段, 国内根据各个行业大型装备实际检维修
9、作业中的具体要求, 分化出多种维修模式或维修理念, 包括以装备全寿命周期维护管理1、可靠性为中心的维修 (Reliability Centered Maintenance, RCM) 2, 全员生产维修 (Total Productive Maintenance, TPM) , e-维护3、智能维护4以及绿色设备管理与维修模式5等。2 健康诊断和智能维护系统需求分析健康诊断及智能维护系统是建立在各个大型装备使用现场的装备故障预测维修模式的平台, 期望根据该平台的建设, 能够在建立的现场数据中心支持基础上, 实时监控各个管控区域的大型装备的运行状态;通过平台获得的大数据分析基础上, 实现故障预测
10、, 触发资产管理系统的工作流程, 自动生成维修工单及相应故障维修的指导操作标准, 使故障在发生前以高质量的维修进程进行消除;对于大型装备关键部件能够实现在线实时诊断, 对于故障实现早期预警和分级报警, 准确指导大型装备的现场运用和维修作业;同时实现备品备件的智能化管理, 通过大数据分析智能调控大型装备的零部件的仓储进程。健康诊断和智能维护系统需要有较完善的自检和自诊断能力, 包括对大型装备进行实时监督和故障报警, 并能实施远程故障集中报警和维护信息的综合管理分析。针对故障率离、疑难故障处理乏力和维护成本高昂的大型装备, 系统需要利用大数据业务与分析处理技术, 分别从决策层、执行层和操作层三个层
11、面上落实如图 2 所示的大型装备健康诊断和智能维护系统需求6。表 1 大型装备健康诊断和智能维护系统需求情况 下载原表 从表 1 可以看出, 大型装备开展健康诊断和智能维护过程中, 需要始终坚持戴明环 (PDCA) 的闭环跟踪环节, 从系统高度上为整个健康诊断和智能维护全过程提供一个发现问题-处理问题-解决问题-问题反馈的作业处理机制, 并能实时根据各种维护类型监测目前的执行状况, 针对不同的故障维修、计划维护、问题跟踪作业等分别进行响应的工作流程追踪, 将整个系统维护过程中的执行机构、管理机构、资产提供机构、供货商、负责人等纳入系统管理过程中, 覆盖系统全生命周期的全过程, 并持续关注全过程
12、中的可靠性水平和备件可靠性分析7, 如图 2 所示8。具体到大型装备的健康诊断和智能维护过程中, 一旦预测到故障或者启动预防性维修作业后, 系统应能及时采取一整套有效的维护措施, 具体包括:1) 设备健康状态监测。在设备发生故障或达到故障预防阈值时及时报警, 提供规范的故障位置、故障编号、故障模式、故障后果影响、故障类型等信息, 同时依据大数据分析结果提供健康维护辅助决策;2) 故障快速决策。以最快的时间定位故障根本原因, 并根据戴明环 (PDCA) 基本原理迅速形成规范化的故障快速决策和根本原因分析策略, 正确执行大型装备维修模式、维修时机、维修周期、维修成本和维修更新价值等决策策略;3)
13、预防性维护策略。贯穿以可靠性为中心的维修思想, 执行故障后果导向的预防性维护策略优选, 以减少大型关键设备故障维修概率, 优化预防性维护相关标准为参考, 通过可靠的大数据统计与分析策略指导预防性维修。图 2 大型装备全生命周期过程中的协同可靠性评估进程 下载原图3 健康诊断和智能维护系统构成大型装备健康诊断及智能维护系统, 至少应包括下述三个组成部分:装备自动检测系统、系统数据仓库及分析中心和资产管理系统。装备自动检测系统主要功能包括:1) 检测大型装备各部件运行状态;2) 将系统运行状态数据化;3) 实时监测, 实时诊断;4) 故障诊断模型程序化, 运行过程中自动输出诊断结论;5) 准确反映
14、故障后果及危害度等级, 匹配最优维修策略。数据仓库及分析中心主要功能:1) 集成所有数据;2) 数据模型分析及在线实时监控;3) 设备故障率实时统计;4) 设备状态特征变化趋势跟踪及反馈。资产管理系统主要功能:1) 智能管理维修计划;2) 智能测算备品采购计划;3) 智能核查备件信息与物流预警;4) 自动生成采购单以及自动分配。4 以可靠性为中心的健康诊断和智能维护系统应用案例4.1 系统构建思路为了改变传统的装备以计划预防修和故障修为主的检维修体系, 构建基于装备状态监测、特征提取、状态评估、故障诊断、故障预测、维修模式优化和维修决策于一体的大型装备健康诊断和智能维护系统, 本文以城市轨道交
15、通车辆为案例, 分析该系统主要构建思路和典型应用过程。1) 优化思路本文建立的以可靠性为中心的智能运维系统, 首先立足于设备状态监测与诊断、故障预测与风险等级评测、规范化故障分析数据等基础数据, 然后根据车辆子系统维修价值, 根据风险矩阵分析方法, 梳理车辆各子系统及部件风险等级, 进一步优化车辆设备维修策略。2) 优化过程应用过程中, 统计近期车辆各子系统设备故障数据, 对影响任务可靠性的诱因进行分析, 对设备重要性进行判断, 根据故障影响程度和发生故障频率建立风险矩阵, 识别关键子系统;摸清各关键子系统运行状态、建立多维度的故障预测模型, 针对当前各子系统维修策略及规程在实施过程中存在的问
16、题, 提出维修策略优化方向, 逐步完善各子系统维修策略;以提升可靠性为主要目标, 建立各子系统设备全生命周期可靠性管理优化策略, 精准优化设备维修作业规程, 并制定具体改进维修作业计划。3) 应用效果基于可靠性设备健康管理, 利用状态监测和诊断技术, 识别关键子系统, 开展劣化趋势分析, 支持全系统维持策略应用。在应用过程中, 重点关注影响运营安全及服务可靠性的车辆转向架、制动系统和车门系统, 强化其在线状态监测与故障诊断, 远程监测异常情况并及时预判和告警, 从而解决规模化运营带来车辆维保体量增加和批量设备深度维修需求, 极大地提升了车辆维修价值, 通过动态跟踪设备运行状态, 不断摸索设备劣
17、化规律, 优化了多个关键部件的维修周期, 充分利用窗口期维修, 车辆可利用率提升 5%的同时, 保障设备运行质量和节约设备维修成本。为了更好的说明该系统, 限于论文篇幅, 本文仅就系统应用案例中最为关键的三个环节:关键部件的识别与分类、可靠状态识别和维修周期优化等部分内容进行详细说明。4.2 关键部件的识别与分类针对大型装备开展以可靠性为中心的健康诊断和智能维护系统开发时, 仅需要针对关键部件都进行以可靠性为中心的维修 (RCM) 分析, 从维修工程的角度出发, 主要考虑以下四个方面作为选择关键设备的准则:A:安全性, 判断大型装备部件对运行安全的影响程度。重点关注本级、上一级以及最终的故障危
18、害度后果影响分析。B:服务水平, 判断设备部件对运行服务水平的影响。重点关注影响服务水平比较大的设备部件。C:维修费用, 判断故障发生造成的经济损失或者修复所需的维修成本大小。重点关注故障引致的直接经济损失大的故障。D:故障频率, 判断故障发生的频度是否超过预设的风险阈值。重点关注部件故障后果影响大且频发的故障。4.3 关键部件运行可靠状态识别确认关键设备部件之后, 需要根据测试数据对其进行可靠性统计与变化规律分析, 从而准备识别其可靠状态。通常根据收集的规范化的故障统计数据进行可靠性分析。识别过程如下:A:故障分布规律识别, 设备部件故障概率曲线一般都是服从一定的统计规律的, 可以通过识认曲
19、线特征智能判别部件寿命分布函数, 进而掌握故障分布规律, 并可开展部件故障劣化趋势分析。B:可靠度函数识别:当确定部件故障分布类型和寿命曲线后, 可以通过相应的数理统计方法准确识认可靠度函数置信区间以及相关特征参数。C:装备可靠状态识别:当确定部件劣化趋势、设备故障概率密度函数和可靠度函数之后, 就可以根据运行里程或者周期准确判别部件的可靠状态。4.4 关键部件维修周期优化准确识认大型装备关键部件可靠度分析相关指标后, 可以根据关键部件处于的可靠状态与预期的可靠度水平差值, 合理预测关键部件的维修周期和维修时机。如表 2 所示, 根据轨道交通车辆关键部件转向架系统和制动系统故障率统计图, 合理
20、设定故障劣化趋势及关键部件的维修周期 (转向架系统最优架修周期为 72.8万公里, 转向架系统最优架修周期为 77.2 万公里) 10。表 2 轨道交通车辆关键部件维修周期 下载原表 5 结论健康诊断和智能维护系统可以显著提升大型装备的利用效率和装备管理信息化水平, 通过本文研究重点得到下述结论:1) 系统分析当前大型装备维修模式发展趋势及其特点;并系统分析了健康诊断和智能维护系统的功能需求及其组成;2) 针对系统功能需求, 全面分析了大型装备健康诊断和智能维护实现手段以及相应的可靠性水平维持策略;3) 选用轨道交通车辆作为案例, 系统分析了装备健康诊断和智能维护系统分支之一的以可靠性为中心的
21、大型装备维修周期优化分析方法和流程, 为后续拓展系统的其他功能奠定了坚实的基础。参考文献1屈岩, 孟晓红, 刘鹏, 等.保障性分析在装备寿命周期过程中的应用J.四川兵工学报, 2012 (8) :52-54. 2吴误, 沈钢.轨道车辆走行部机械故障预警方案研究J.华东交通大学学报, 2013 (1) :32-36. 3蒋超.轨道交通自动门远程监控系统中的智能故障诊断技术研究D.南京:南京理工大学, 2004. 4麦金森, 夕文.铁路机车车辆运行故障监测诊断技术的研究与应用J.中国铁路, 2007 (3) :56-59. 5用于设备状态监测中故障诊断的归纳的模式识别, 中国, CN104471501 A, 2013.06.03. 6南京地铁二号线设备房标识系统研究R.南京:南京理工大学, 2010. 7李田科, 李伟, 沙卫晓, 等.备件可靠性分析及需求预测J.兵器装备工程学报, 2016 (4) :47-50. 8南京地铁运营公司 TPM&RCM 推行关键技术研究R.南京:南京理工大学, 2012. 9南京地铁运营公司车辆维修模式优化研究R.南京:南京理工大学, 2014. 10南京地铁运营公司车辆中大修维修周期优化研究R.南京:南京理工大学, 2016.
