工业大数据采集处理与应用-项目7

彭振云唐昭琳工业大数据采集、处理与应用课程目录1三、工业大数据建模了解设备预测维护的作用掌握设备健康状态评估方法了解工业大数据在设备健康状态评估中的应用了解工业大数据在设备故障检测的应用了解工业大数据在质量检测和工艺优化中的应用知识目标技能目标能够结合工业领域的不同行业，分析应用需求，了解大数据应用平台的用途。学习目标2三、工业大数据建模（一）认识数据驱动的设备状态评估应用（二）认识数据驱动的设备故障检测应用（三）认识数据驱动的质量检测和工艺优化应用3什么是数据驱动的制造？三、工业大数据建模数据驱动的制造，指通过传感器、物联网等，对机器运行的海量数据以及终端用户的行为数据进行采集，并加以分析，从而对产品从设计到销售的全生命周期进行最优化的管理。在产品生产阶段，通过传感器，对机器运作数据进行采集并加以分析，从而实时地了解工厂的运作情况，通过执行器对机器运作进行控制。在产品服务阶段，采集机器使用数据，从而更好地了解机器被使用的情况，以便安排维护服务，改善机器的设计。互联网技术、物联网、云计算、大数据和人工智能的进步对制造业产生了深远影响。收集到的大数据越来越多，进而为传统的制造模式往智能制造转型提供了一个巨大的机会。这使得企业能够采用数据驱动的战略，从而提高自己的竞争力。4三、工业大数据建模什么是设备预测维护？设备预测维护，是基于状态的维护，也称为CBM（ConditionBasedMaintenance）。利用传感器从设备端采集数据，再利用计算机对采集到的数据进行智能分析，判断设备当前健康状态，对设备健康状态进行预测后提前采取相应的维护措施，可实现设备的零故障运行。例：某钢铁企业的液压系统设备监控设置设备在线监测的测点5三、工业大数据建模什么是设备健康状态评估？设备健康状态评估

通过采集设备传感器的历史数据并进行分析，了解运行设备的健康状态及稳定性趋势，及时发现设备的异常状态或故障征兆。对设备定时进行状态评估，保障设备的可用性，减少非计划性停机率，可以提高安全生产水平和降低停机损失；间接判断设备老化程度以及维修的紧迫性，为设备预测维护提供重要依据；对比设备操作历史，发现影响设备寿命的非合理性操作等因素；发现设备生产过程与设备质量的关联因素，为优化生产过程控制提高重要依据。。作用6三、工业大数据建模设备健康指数计算设备健康指数

设备在生产运行中保持特定性能的满足程度。一般地，设备健康指数用介于0和1之间的数值表示，那么1代表最佳状态，0代表完全失效状态。当实测值小于标准值时：健康指数=（实测值-最小值）/（标准值-最小值）

当实测值大于标准时时：健康指数=（最大值-实测值）/（最大值-标准值）健康指数计算例，一台扭矩机的扭矩标准值是180，阈值范围是[120，220]，某时刻实测得到该扭矩机的扭矩值是140，则该设备在该时刻的健康度是：扭矩健康指数=(140-120)/(180-120)=0.337三、工业大数据建模设备多特征的健康指数计算特征标准值阈值范围权重实测值健康指数扭矩（牛米）1.81~2.40.251.50.625角度（度）4535~550.30500.5转速（转/分钟）300250~3400.153200.5拧紧时间（秒）105~150.20140.2噪音（分贝）50不大于600.10550.5设备健康指数0.47125例，某拧紧机设备的健康指数计算结果

8三、工业大数据建模根据健康指数划分健康等级健康等级划分健康指数取值范围健康状态描述一级：健康0.85-1.0健康状态非常好二级：比较健康0.65-0.85健康状态良好，适合长期运行三级：亚健康0.45-0.65出现异常征兆，不适合长期运行四级：不健康(轻微故障)0.35-0.45出现较为严重的异常征兆，应采取调整措施五级：病态（故障）0.20-0.35出现严重的异常征兆，应在短时间内停机检修六级：严重病态（严重故障）0-0.25不能运行，应立即停机检修设备健康状态可以划分为健康、比较健康、亚健康、不健康、病态、严重病态等多个等级。可以参照计算设备健康指数的大小将健康等级与指数对应。以扭矩机的健康状态评估为例，将健康等级划分为6级9三、工业大数据建模了解风力发电行业对大数据的应用需求风力发电机各部件主要通过螺栓连接，每个叶片根部均有50个螺栓固定，因为风机的变桨操作、螺栓零件的自然老化或叶片受到过大应力等因素，叶根螺栓会产生断裂甚至脱落的情形。叶根螺栓的断裂可能导致螺栓脱落掉进风机机舱，造成风机机舱内部机组的损坏，且当一个螺栓出现问题，很容易造成其他螺栓接连断裂，最终将造成叶片掉落，甚至倒塌的严重后果。痛点：风场通常设置在如山区、草原、海边或者离岸等偏远的地区，且一个风场通常由数十台风机组成，对逐个风机进行高频率的人工排查非常耗费人力及时间成本。特定期的巡检并不能及时发现，往往在出现严重故障后才会发现。如何能及时发现螺栓断裂避免后续严重故障发生，是该风电企业急需解决的问题。10三、工业大数据建模风力发电机大数据应用平台该平台基于大数据的机器学习技术，可从众多的风机周边传感器数据指标中筛选出相关变量，建立风机正常和异常运转模型，确定螺栓断裂发生的时间段，再通过对分类算法阈值的不断学习，逐步找到精准的断裂发生时间点，进而实现对螺栓断裂的精准检测。11三、工业大数据建模平台应用示例风电发电机故障检测数据2020年5月15日至6月15日的数据，各种传感器数据，如风机转速、倾角、风速、方向等参数。无法直观的看出叶根螺栓是否存在断裂的问题。风电发电机故障检测分析结果12三、工业大数据建模了解汽车整车生产行业对大数据应用的需求痛点：在冲压生产试制过程中，影响侧围在拉伸工序中产生局部开裂的因素很多，如设备性能、模具状态、板材性能等，调整参数与反复试制的方法，具有一定的盲目性，成本大、效率低。在冲压生产过程中，部分侧围在拉伸工序中易产生局部开裂现象，需反复进行参数调整与试制；在生产线线尾，需配备大量质检人员进行冲压件表面缺陷人工检测。冲压产线线尾现有检测方式为人工手动检测，需在有限生产节拍时间内，快速分拣出带有开裂、刮伤、滑移线、凹凸包等表面缺陷的冲压件，检测标准不统一、稳定性不高、质检数据难以有效量化和存储，不利于企业数据资源收集、质量问题分析与追溯。影响因素多、数据形式差异大，且分布在车间不同业务系统中，既有设备实时性数据，又有非结构化的图像数据，对数据采集、管理与存储的要求极高。13三、工业大数据建模了解质量检测和工艺优化平台基于机器视觉的冲压件缺陷智能