鋼鐵行業(yè)設(shè)備管理智能運(yùn)維模式實(shí)施案例——
鋼鐵行業(yè)智能運(yùn)維研究
王劍虎， 黃冬明， 龔敬群， 戴宛辰
（寶武裝備智能科技有限公司）
摘 要： 隨著第四次工業(yè)革命浪潮的到來及中國制造 2025 的提出， 鋼鐵行業(yè)傳統(tǒng)運(yùn)維模式在效率、 能耗、 庫存、質(zhì)量、 生產(chǎn)率和成本等方面不能滿足數(shù)字化和智能化時(shí)代設(shè)備管理的新需求。 本文以鋼鐵行業(yè)為背景， 圍繞鋼鐵行業(yè)設(shè)備管理新需求， 基于云計(jì)算、 物聯(lián)網(wǎng)、 大數(shù)據(jù)、 移動(dòng)互聯(lián)網(wǎng)和人工智能等先進(jìn)技術(shù)， 提出了鋼鐵行業(yè)智能運(yùn)維新定義， 研究了智能運(yùn)維的本質(zhì)特征， 分析了鋼鐵行業(yè)智能運(yùn)維發(fā)展等級(jí)， 介紹了智能運(yùn)維產(chǎn)品圖譜， 闡述了基于智能運(yùn)維模式的設(shè)備服務(wù)體系和服務(wù)模式， 最后介紹了智能運(yùn)維的兩種服務(wù)模式在寶武某熱軋生產(chǎn)線、 高線生產(chǎn)線、某基地風(fēng)機(jī)群和齒輪箱上的實(shí)施效果， 驗(yàn)證了智能運(yùn)維模式的可行性、 可靠性和有效性， 為流程行業(yè)設(shè)備管理變革和智能運(yùn)維模式實(shí)施提供了參考。
關(guān)鍵詞： 智能運(yùn)維； 運(yùn)維模式； 故障預(yù)測與診斷； 健康管理； 大數(shù)據(jù)； 人工智能； 服務(wù)體系和模式
1 引言
流程工業(yè)是是一個(gè)非常巨大的產(chǎn)業(yè)， 諸如石化、 電力、 冶金、 建材、 造紙、 制藥、 汽車制造等行業(yè)均屬于流程工業(yè)， 是國民經(jīng)濟(jì)發(fā)展中極為重要的基礎(chǔ)支柱產(chǎn)業(yè) 。 據(jù)我國相關(guān)部門統(tǒng)計(jì)， 流程工業(yè)分別占工業(yè)總產(chǎn)值和工業(yè)增加值的 60.47%和 65.59%。 鋼鐵工業(yè)是流程工業(yè)中的典型代表， 生產(chǎn)過程包括信息、 物料、 能源， 還伴隨著復(fù)雜的物理化學(xué)反應(yīng)以及突變性和不確定性等因素， 是一個(gè)十分復(fù)雜的大系統(tǒng) [1] 。
生產(chǎn)設(shè)備是鋼鐵企業(yè)的重要生產(chǎn)要素， 是衡量企業(yè)規(guī)模和現(xiàn)代化水平的一個(gè)基本標(biāo)志。 上世紀(jì) 60 年代至今， 世界工業(yè)發(fā)達(dá)的國家不斷地尋求和創(chuàng)新先進(jìn)設(shè)備管理理論和模式， 先后提出了“后勤學(xué)”“設(shè)備綜合工程學(xué)”“全員生產(chǎn)維修（TPM）”“以可靠性為中心的維修（RCM）” 和“適時(shí)管理（JIT）” 等現(xiàn)代設(shè)備管理理論 [2] 。 上世紀(jì) 70 年代以前， 設(shè)備管理以事后維修（BM） 為主， 進(jìn)入 70 年代后， 伴隨管理思想的革命，預(yù)防性維修方式（PM） 在世界各國得到普及。 在 80 年代以后， 一些西方發(fā)達(dá)國家航空工業(yè)普遍開始采用狀態(tài)維修（CBM）， 并開始采用預(yù)知維修方式（PDM）， 并逐步在歐美國家流行。 進(jìn)入 90 年代后期， 激烈的市場競爭促使企業(yè)采用一種主動(dòng)維修方式（PAM）， 近年來在進(jìn)行 PAM 實(shí)踐中， 引入了經(jīng)濟(jì)性概念， 提出并實(shí)施了以可靠性為中心的維修（RCM） 模式。
經(jīng)過數(shù)十年的努力， 我國的設(shè)備管理在消化吸收國外先進(jìn)設(shè)備管理經(jīng)驗(yàn)的基礎(chǔ)上創(chuàng)造性地形成了中國特色的設(shè)備管理方法。 實(shí)踐證明， 在現(xiàn)有的生產(chǎn)方式下， 這些管理方法是有效的,如寶鋼的設(shè)備管理模式是以點(diǎn)檢定修制為基礎(chǔ)， 以預(yù)防維修（PM） 為主線， 通過技術(shù)手段的提升掌握設(shè)備狀態(tài)， 逐步實(shí)現(xiàn)維修內(nèi)容的狀態(tài)性（CBM） 導(dǎo)向， 在維修的策略上實(shí)現(xiàn)以效益為導(dǎo)向（TPM 和 RCM） 的多種方式并存的維修方式。 多年來， 寶鋼的設(shè)備管理理念從單純的“管好設(shè)備、 用好設(shè)備”， 發(fā)展到構(gòu)架“精益化、 網(wǎng)絡(luò)式、 互動(dòng)型的設(shè)備系統(tǒng)框架”， 從組織優(yōu)化、 技術(shù)創(chuàng)新、 資源配置、 基礎(chǔ)管理、 信息化等方面全方位地持續(xù)提升,關(guān)注設(shè)備全生命周期管理， 追求設(shè)備最高的綜合效率和最低的壽命周期費(fèi)用,傳統(tǒng)設(shè)備管理水平達(dá)到了世界先進(jìn)水平 [3] 。
然而第四次工業(yè)革命浪潮來襲， 工業(yè)領(lǐng)域正在進(jìn)入萬物互聯(lián)時(shí)代， 也提供了一個(gè)變革傳統(tǒng)管理模式的機(jī)會(huì)， 同時(shí)伴隨我國流程行業(yè)智能制造步伐的加快， 設(shè)備管理將面臨更加嚴(yán)峻的挑戰(zhàn)。 當(dāng)前設(shè)備智能化進(jìn)程加快， 設(shè)備的自動(dòng)化、 信息化、 數(shù)字化和智能化水平會(huì)越來越高， 設(shè)備故障對(duì)流程生產(chǎn)的沖擊將更加嚴(yán)重。 因此流程行業(yè)對(duì)設(shè)備綜合效率、 綜合能耗、 平均故障時(shí)間、 產(chǎn)品質(zhì)量、 庫存周轉(zhuǎn)、 勞動(dòng)生產(chǎn)率和生產(chǎn)成本等指標(biāo)提出了更高的要求 [3] 。
隨著第四次工業(yè)革命如火如荼地進(jìn)行， 為適應(yīng)新時(shí)代設(shè)備管理需求， 國內(nèi)外學(xué)者和設(shè)備管理人員對(duì)新時(shí)代設(shè)備管理需求進(jìn)行深入了研究， 提出了一些適應(yīng)于數(shù)字化和智能化時(shí)代的設(shè)備管理新理論和新模式。 瑞典查爾默斯理工大學(xué)的 Jon Bokrantz 等對(duì)什么是智能運(yùn)維和智能運(yùn)維的四個(gè)基本要素進(jìn)行了闡述 [4] 。 西弗吉尼亞大學(xué)的 Nazmus Sakib 等對(duì)預(yù)測性維護(hù)的挑戰(zhàn)和機(jī)遇進(jìn)行了綜述， 并介紹了基于先進(jìn)數(shù)據(jù)分析技術(shù)可避免非正常非計(jì)劃失效的預(yù)測性維護(hù)解決方案 [5] 。 2016 年歐洲故障預(yù)測與健康管理年會(huì)， 西班牙 IK4-TEKNIKER智能信息系統(tǒng)的 Susana Ferreiro 等對(duì)生產(chǎn)設(shè)備預(yù)測性智能維護(hù)進(jìn)行了介紹， 展示了智能維護(hù)優(yōu)勢， 并對(duì)數(shù)據(jù)處理、 分析過程和預(yù)測算法進(jìn)行了闡述 [6] 。 法國阿爾斯通的 Vepa Atamuradov 等就預(yù)測性運(yùn)維（PHM） 的實(shí)施步驟進(jìn)行了論述 [7] 。 荷蘭萊登大學(xué)的 Van Duc Nguyen 等就汽車和航空業(yè)的預(yù)測性運(yùn)維（PHM） 的研究、發(fā)展和近期成果進(jìn)行了總結(jié)和綜述， 為研究人員和設(shè)備管理人員實(shí)施預(yù)測性運(yùn)維參考 [8] 。
本文將以鋼鐵行業(yè)為研究對(duì)象， 圍繞數(shù)字化和智能化時(shí)代鋼鐵行業(yè)設(shè)備管理新需求， 基于大數(shù)據(jù)、 人工智能和機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)， 提出鋼鐵行業(yè)智能運(yùn)維定義， 研究了智能運(yùn)維的本質(zhì)特征， 分析了智能運(yùn)維發(fā)展等級(jí)， 介紹了支撐智能運(yùn)維業(yè)務(wù)的產(chǎn)品圖譜， 論述了基于智能運(yùn)維模式的設(shè)備管理服務(wù)模式和解決方案，最后介紹了智能運(yùn)維模式在某熱軋生產(chǎn)線、 高線、 風(fēng)機(jī)群和齒輪箱等設(shè)備上的實(shí)施效果。
2 智能運(yùn)維的定義
近年來， 隨著第四次工業(yè)革命浪潮的到來， 流程工業(yè)在智能化時(shí)代對(duì)設(shè)備管理提出了更高要求。 國內(nèi)外學(xué)術(shù)界對(duì)預(yù)測性運(yùn)維、 智能運(yùn)維、 故障預(yù)測與健康管理和運(yùn)維 4.0 等進(jìn)行了大量研究， 提出了表述各異的定義。 2008 年第一次 PHM 國際會(huì)議提出 PHM 定義： “是一種系統(tǒng)工程學(xué)科， 它聚焦于對(duì)復(fù)雜系統(tǒng)健康狀態(tài)的監(jiān)測、 預(yù)測與管理”。 Fumagalli 等于 2016 年提出智能運(yùn)維， 該文認(rèn)為智能運(yùn)維需要提供可透視資產(chǎn)健康狀態(tài)的能力， 盡量減少運(yùn)維人員在資產(chǎn)現(xiàn)場運(yùn)維的工作量 [9] 。 Holgado and Macchi 于 2014 年提出， 智能運(yùn)維是基于智能技術(shù)建設(shè)的運(yùn)維服務(wù)， 這些智能技術(shù)或集成于設(shè)備或產(chǎn)品之中， 或通過智能設(shè)施、 傳感或其他技術(shù)手段 [10] 。 Qiao and Weiss 于 2016 年提出故障預(yù)測與健康管理定義， Qiao and Weiss 認(rèn)為 PHM 就是通過一系列策略和技術(shù)提升設(shè)備的狀態(tài)監(jiān)控、 故障診斷與故障預(yù)測性能和提升產(chǎn)品、 機(jī)器或工藝的可運(yùn)維性能 [11] 。
Cheng 等于 2010 年提出， PHM 是包含一系列先進(jìn)技術(shù)和方法的學(xué)科， 能夠評(píng)估產(chǎn)品實(shí)際生命周期條件下的產(chǎn)品可靠性， 可預(yù)測產(chǎn)品失效和減少系統(tǒng)風(fēng)險(xiǎn) [12] 。 Lee et al 等于 2017 年提出預(yù)測性運(yùn)維是一種能將原始數(shù)據(jù)轉(zhuǎn)化為可執(zhí)行的便于運(yùn)維決策的能力 [13] 。 Kans 等提出運(yùn)維 4.0 是利用先進(jìn)技術(shù)進(jìn)行預(yù)測性分析和提供可行性決策 [14] 。 Kumar and Galar 于 2018 年提出運(yùn)維 4.0 是對(duì)運(yùn)維工作進(jìn)行預(yù)測性分析和可行解決方案推薦，主要應(yīng)用于工業(yè) 4.0， 特別是應(yīng)對(duì)那些需要數(shù)據(jù)收集、 分析、 可視化和資產(chǎn)管理決策的運(yùn)維工作 [15] 。 JonBokrantz 等于 2020 年基于瑞典學(xué)術(shù)界和工業(yè)界 110 多家機(jī)構(gòu)和企業(yè)的調(diào)研結(jié)果， 總結(jié)了智能運(yùn)維的定義。文章提出智能運(yùn)維是管理具有良好數(shù)字技術(shù)基礎(chǔ)的制造業(yè)運(yùn)維的組織設(shè)計(jì)。 智能運(yùn)維是個(gè)多維度概念， 包含數(shù)據(jù)驅(qū)動(dòng)的決策制定、 單位人力效能、 內(nèi)部協(xié)作性和外部生態(tài)融合性 [4] 。
寶武智維基于云計(jì)算、 物聯(lián)網(wǎng)、 大數(shù)據(jù)、 移動(dòng)互聯(lián)網(wǎng)和人工智能技術(shù)（簡稱“云、 物、 大、 移、 智” ） ，結(jié)合數(shù)十年鋼鐵行業(yè)設(shè)備管理服務(wù)經(jīng)驗(yàn)， 總結(jié)智能運(yùn)維定義： 智能運(yùn)維是一種系統(tǒng)工程， 聚焦于生產(chǎn)裝備健康狀態(tài)的監(jiān)測、 預(yù)測、 管理及運(yùn)維過程的高效運(yùn)營和知識(shí)傳承， 最大化設(shè)備系統(tǒng)價(jià)值。 如圖 1 所示， 智能運(yùn)維的內(nèi)容包括設(shè)備狀態(tài)監(jiān)控和故障檢測、 設(shè)備故障診斷、 設(shè)備故障預(yù)測、 運(yùn)維工作規(guī)劃、 運(yùn)維工作實(shí)施與管控、 供應(yīng)鏈管理、 設(shè)備故障原因分析和設(shè)計(jì)優(yōu)化提升等。 智能運(yùn)維的目標(biāo)是降低成本和減少浪費(fèi)、 改善性能和保障安全。 降低成本和減少浪費(fèi)方面， 可以通過避免非計(jì)劃停機(jī)、 減少過維護(hù)、 延長設(shè)備壽命、 降低產(chǎn)品缺陷、 降低運(yùn)維質(zhì)量損失和降低備件庫存與備件消耗等來實(shí)現(xiàn)。 改善運(yùn)維性能方面可以通過提高運(yùn)維效率和設(shè)備可利用率來達(dá)到。 保障安全包括保障裝備安全可靠和保障運(yùn)維安全可靠等方面。 智能運(yùn)維利用“云、 物、大、 移、 智”技術(shù)實(shí)現(xiàn)運(yùn)維工作遠(yuǎn)程支持與協(xié)同， 達(dá)到運(yùn)維知識(shí)積累與共享的目的。
圖 1 智能運(yùn)維內(nèi)容、 目標(biāo)和價(jià)值
3 智能運(yùn)維的本質(zhì)
提質(zhì)、 降本、 增效、 節(jié)能降耗、 安全可靠和優(yōu)化性能是運(yùn)維策略和模式演進(jìn)的原動(dòng)力， 也是智能運(yùn)維主要目標(biāo)。 鋼鐵行業(yè)維修策略演進(jìn)路徑如圖 2 所示， 從被動(dòng)式維護(hù)（RM） 到預(yù)防性維護(hù)（PM）， 再到基于狀態(tài)維護(hù)（CBM）， 最后到預(yù)測性維護(hù)（PHM）。 其中被動(dòng)式維護(hù)是一種修復(fù)性維護(hù)， 整體花費(fèi)最高。 預(yù)防性維護(hù)是應(yīng)對(duì)高可靠性系統(tǒng)場景， 可能造成系統(tǒng)過維護(hù)， 進(jìn)而造成較多的浪費(fèi)。 基于狀態(tài)的維護(hù)（CBM） 可較準(zhǔn)確把握設(shè)備狀態(tài)， 具有一定的針對(duì)性和精確性， 但也有一定局限性， 因?yàn)?CBM 只反映系統(tǒng)當(dāng)前情況，對(duì)設(shè)備未來狀態(tài)無法預(yù)知。 預(yù)測性維護(hù)（PHM） 不僅可以對(duì)當(dāng)前狀態(tài)進(jìn)行透視， 還能對(duì)設(shè)備未來狀態(tài)、 壽命和性能進(jìn)行預(yù)測， 進(jìn)而有效管理設(shè)備健康狀態(tài)和可能出現(xiàn)的風(fēng)險(xiǎn)， 從而大大降低系統(tǒng)運(yùn)維成本。
圖 2 設(shè)備維修策略演進(jìn)
運(yùn)維模式演進(jìn)與運(yùn)維策略演進(jìn)是相輔相成的， 運(yùn)維模式是從系統(tǒng)性的角度進(jìn)行運(yùn)維工作整體考量。 在20 世紀(jì) 50 年代以前， 運(yùn)維模式較為簡單， 主要以被動(dòng)式維護(hù)為主， 運(yùn)維效能較差。 進(jìn)入 20 世紀(jì) 60 年代以后， 人們對(duì)傳統(tǒng)的維修模式產(chǎn)生懷疑， 并從系統(tǒng)工程的角度提出以可靠性為中心的維修（RCM） 模式、 基于風(fēng)險(xiǎn)的維修模式（RkBM）、 以利用率為中心的維修模式（ACM）、 適應(yīng)性維修模式（AM） 和全面生產(chǎn)維修（TMP） 等。 以可靠性為中心的維修模式（RCM） 與維修對(duì)象的設(shè)計(jì)、 制造、 安裝和使用都相關(guān)， 各個(gè)環(huán)節(jié)都圍繞著可靠性這個(gè)中心進(jìn)行工作， 因此維修對(duì)象的可靠性在循環(huán)迭代中得到不斷的改進(jìn)和提高。 基于風(fēng)險(xiǎn)的維修模式（RkBM） 是一種提高維修管理和實(shí)踐效果的系統(tǒng)方法， 與傳統(tǒng)的維修模式相比， 其基于風(fēng)險(xiǎn)的決策是在維修過程中進(jìn)行的。 以利用率為中心的維修模式（ACM） 是把設(shè)備利用率放在第一位來制定維修方案的設(shè)備管理模式， 先按照利用率對(duì)設(shè)備排序， 結(jié)合生產(chǎn)實(shí)際、 停機(jī)損失和維修成本選擇適當(dāng)?shù)木S修方式。 適應(yīng)性維修模式（AM） 的宗旨是企業(yè)的生產(chǎn)活動(dòng)要適應(yīng)形式的變化。 在設(shè)備管理方面， 隨著產(chǎn)量的變化、 設(shè)備劣化發(fā)展、 診斷技術(shù)的進(jìn)步以及周圍各種條件的變化， 其體制和方式也應(yīng)做適應(yīng)性的變化。 全面生產(chǎn)維護(hù)（TPM） 將設(shè)備作為企業(yè)生產(chǎn)的核心， 以減少生產(chǎn)準(zhǔn)備時(shí)間、 停機(jī)時(shí)間和廢品率， 并通過提高設(shè)備的生產(chǎn)能力追求最大限度地提高設(shè)備綜合效率， 實(shí)現(xiàn)最佳經(jīng)濟(jì)效益 [1] 。
RCM、 RkBM、 ACM 和 TPM 等均屬于傳統(tǒng)運(yùn)維模式。 寶鋼的設(shè)備管理模式是以點(diǎn)檢定修制為組織形式， 以預(yù)防維修為主線， 通過狀態(tài)管理逐步實(shí)現(xiàn)維修內(nèi)容的狀態(tài)性導(dǎo)向， 實(shí)行強(qiáng)化設(shè)備管理基礎(chǔ)維護(hù)的 TPM 管理模式， 在維修的策略上則是以經(jīng)濟(jì)效益為中心的多種維修方式并存 [1] ， 屬于傳統(tǒng)運(yùn)維的范疇。 傳統(tǒng)運(yùn)維模式流程如圖 3 所示， 首先由維護(hù)人員進(jìn)行五感點(diǎn)檢， 專家再對(duì)異常場景進(jìn)行人工診斷， 根據(jù)診斷結(jié)果進(jìn)行人工排程和手工派單， 再由運(yùn)維團(tuán)隊(duì)進(jìn)行維修方案制定和維修實(shí)施， 最后由人工進(jìn)行檢查驗(yàn)收。 傳統(tǒng)運(yùn)維模式以“人為核心”， 也即以提升人的能力為核心， 通過運(yùn)維閉環(huán)迭代不斷提升員工的技術(shù)能力和管理能力。 傳統(tǒng)運(yùn)維模式的最大挑戰(zhàn)是運(yùn)維質(zhì)量與人的水平相關(guān)。 人的能力、 態(tài)度、情緒和狀態(tài)直接影響運(yùn)維工作質(zhì)量。 另外， 人員的離職、 升遷、 退休和調(diào)崗都將影響相關(guān)運(yùn)維工作。
圖 3 傳統(tǒng)運(yùn)維模式
智能運(yùn)維是結(jié)合信息技術(shù)（IT） 、 運(yùn)營技術(shù)（OT） 和數(shù)據(jù)技術(shù)（DT） ， 把運(yùn)維作為一種系統(tǒng)工程考慮，主要對(duì)生產(chǎn)裝備健康狀態(tài)進(jìn)行監(jiān)控、 預(yù)測和管理， 對(duì)運(yùn)維過程進(jìn)行高效運(yùn)營和優(yōu)化， 對(duì)設(shè)備管理知識(shí)、 經(jīng)驗(yàn)和機(jī)理進(jìn)行歸納總結(jié)和傳承， 從而最大化設(shè)備系統(tǒng)價(jià)值。 智能運(yùn)維區(qū)別于傳統(tǒng)運(yùn)維的最大特點(diǎn)是以“模型為核心”， 模型是否能夠?qū)W習(xí)人的經(jīng)驗(yàn)， 替代人來分析問題和形成決策， 能否從新的問題中積累經(jīng)驗(yàn)， 從而避免問題的再次發(fā)生 [17] 。 智能運(yùn)維的重要特征為設(shè)備健康狀態(tài)透明可見、 故障自診斷和可預(yù)測、 運(yùn)維計(jì)劃可調(diào)度、 剩余壽命可評(píng)估和自適應(yīng)運(yùn)維策略推薦。
圖 4 智能運(yùn)維模式
智能運(yùn)維流程如圖 4 所示， 通過物聯(lián)傳感部分替代五感點(diǎn)檢， 獲得產(chǎn)線和設(shè)備狀態(tài)參數(shù)， 利用閾值或趨勢模型進(jìn)行智能分析和報(bào)警， 再采用機(jī)理模型或機(jī)器學(xué)習(xí)模型進(jìn)行智能診斷和智能預(yù)測， 基于大數(shù)據(jù)平臺(tái)和智能算法模型進(jìn)行運(yùn)維工作智能排程、 解決方案推送， 輔助運(yùn)維精準(zhǔn)實(shí)施， 根據(jù)需要運(yùn)維專家進(jìn)行遠(yuǎn)程支持，運(yùn)維結(jié)束后進(jìn)行智能檢查驗(yàn)證， 最后形成運(yùn)維流程閉環(huán)， 實(shí)現(xiàn)運(yùn)維知識(shí)、 專家經(jīng)驗(yàn)、 設(shè)備機(jī)理和大數(shù)據(jù)知識(shí)的模型化， 并通過模型不斷迭代優(yōu)化， 從而提升模型的可靠性和準(zhǔn)確性。
4 智能運(yùn)維發(fā)展等級(jí)
智能運(yùn)維還處于剛起步階段， 各種標(biāo)準(zhǔn)、 規(guī)范和定義還在發(fā)展形成中， 目前尚無統(tǒng)一標(biāo)準(zhǔn)。 我們結(jié)合鋼鐵行業(yè)數(shù)字化和智能化當(dāng)前發(fā)展水平和遠(yuǎn)景目標(biāo)， 制定智能運(yùn)維技術(shù)和模式發(fā)展等級(jí)， 分為 L1、 L2、 L3、L4 和 L5 共五級(jí)。 如圖 5 所示， 技術(shù)等級(jí) TL1 對(duì)應(yīng)模式等級(jí) ML1， TL1 是基于設(shè)備自帶傳感器實(shí)現(xiàn)狀態(tài)自動(dòng)報(bào)警， 屬于單機(jī)自動(dòng)報(bào)警水平， 支撐傳統(tǒng)運(yùn)維模式 ML1。 ML1 也被稱為人工運(yùn)維， 基于完善的流程規(guī)范以及團(tuán)隊(duì)配置， 根據(jù)計(jì)劃完成點(diǎn)檢、 檢測及維修工作。 當(dāng)前我國鋼鐵行業(yè)大多數(shù)企業(yè)運(yùn)維水平處于 TL1 和ML1 的水平上。 技術(shù)等級(jí) TL2 支撐模式等級(jí) ML2。 TL2 為狀態(tài)在線監(jiān)測， 通過物聯(lián)網(wǎng)技術(shù)全面收集狀態(tài)數(shù)據(jù)， 實(shí)現(xiàn)狀態(tài)監(jiān)測和管理流程互通， 支撐系統(tǒng)輔助運(yùn)維 ML2。 ML2 等級(jí)是系統(tǒng)輔助運(yùn)維， 掌握設(shè)備運(yùn)行狀態(tài)信息， 為運(yùn)維團(tuán)隊(duì)開展工作提供幫助， 實(shí)現(xiàn)管理流程線上化。 我國鋼鐵行業(yè)少部分企業(yè)智能運(yùn)維水平處于TL2 和 ML2 水平上。 TL3 為智能狀態(tài)分析， 依托平臺(tái)開發(fā)模型， 實(shí)現(xiàn)狀態(tài)指標(biāo)監(jiān)控和分析， 可提供專業(yè)診斷建議。 TL3 支撐局部智能運(yùn)維 ML3， 系統(tǒng)實(shí)現(xiàn)局部狀態(tài)智能分析， 具體原因診斷及方案制定由人工決策。目前寶武智維智能運(yùn)維水平處于 ML3 等級(jí)。 TL4 為智能診斷與壽命預(yù)測， 通過系統(tǒng)模型完善， 自動(dòng)分析診斷與預(yù)測并形成整體解決方案， 實(shí)現(xiàn)對(duì)設(shè)備健康狀態(tài)有效把控和關(guān)鍵零部件壽命預(yù)測。 技術(shù)等級(jí) TL4 支深度智能運(yùn)維 ML4， 系統(tǒng)完成設(shè)備狀態(tài)分析、 診斷及維修方案制定和人機(jī)協(xié)同決策。 目前國內(nèi)外鋼鐵企業(yè)還沒有實(shí)現(xiàn) ML4 等級(jí)。 技術(shù)等級(jí) TL5 為自適應(yīng)綜合決策， 通過實(shí)現(xiàn)設(shè)備狀態(tài)、 工藝過程和質(zhì)量控制最優(yōu)化運(yùn)行的自適應(yīng)綜合決策， 實(shí)現(xiàn)了自感知、 自學(xué)習(xí)和自進(jìn)化的終級(jí)智能運(yùn)維技術(shù)。 TL5 對(duì)應(yīng)完全智能運(yùn)維 ML5，ML5 是運(yùn)維人員依據(jù)系統(tǒng)制定的預(yù)測性檢維修計(jì)劃安排設(shè)備的檢測及維修， 將來考慮引進(jìn)高度智能化機(jī)器人， 設(shè)備運(yùn)維工作可以實(shí)現(xiàn)完全自動(dòng)化、 智慧化和無人化。 從當(dāng)前技術(shù)發(fā)展水平來看， 實(shí)現(xiàn) TL5 和 ML5 尚為時(shí)過早， 有待于理論和技術(shù)的突破。
圖 5 智能運(yùn)維技術(shù)和模式發(fā)展等級(jí)
5 智能運(yùn)維產(chǎn)品圖譜
中國寶武構(gòu)建智慧型“鋼鐵生態(tài)圈”， 打造智慧制造的“四個(gè)一律”， 包括“操作室”一律集中、 “服務(wù)環(huán)節(jié)”一律上線、 “操作崗位”一律機(jī)器人和“設(shè)備運(yùn)維”一律遠(yuǎn)程。 為配合集團(tuán)智慧制造戰(zhàn)略， 寶武智維基于云平臺(tái)、大數(shù)據(jù)、 邊緣計(jì)算、 人工智能和機(jī)器學(xué)習(xí)技術(shù)， 構(gòu)建鋼鐵行業(yè)智能運(yùn)維大數(shù)據(jù)平臺(tái)， 開發(fā)智能運(yùn)維產(chǎn)品， 涵蓋標(biāo)準(zhǔn)、 傳感、 物聯(lián)、 數(shù)據(jù)、 算法、 規(guī)則、 模型、 管控、 報(bào)警、 診斷、 預(yù)警、 決策輔助等智能運(yùn)維相關(guān)的方方面面。
圖 6 智能運(yùn)維產(chǎn)品圖譜
如圖 6 所示為寶武智能運(yùn)維產(chǎn)品圖譜， 采用端、 邊和云三層架構(gòu)， 分別對(duì)應(yīng)感知層、 認(rèn)知層和喚醒層。感知層是在線“五感”端， 寶武智維提供“智維通”產(chǎn)品對(duì)產(chǎn)線和設(shè)備的各種高頻和低頻信號(hào)進(jìn)行采集， 包括振動(dòng)、 溫度、 壓力、 流量、 電壓、 電流等信號(hào)。 認(rèn)知層包括邊端和部分云端， 產(chǎn)品系統(tǒng)包括智聯(lián)、 智用、 維基、數(shù)據(jù)湖和智多星。 維基為智能運(yùn)維標(biāo)準(zhǔn)中心， 包括維檢標(biāo)準(zhǔn)、 設(shè)備標(biāo)準(zhǔn)、 診斷標(biāo)準(zhǔn)、 傳感標(biāo)準(zhǔn)、 工藝標(biāo)準(zhǔn)、模型標(biāo)準(zhǔn)等等。 設(shè)備大數(shù)據(jù)湖是智能運(yùn)維數(shù)據(jù)中樞， 鋼鐵生產(chǎn)線“人、 機(jī)、 料、 法、 環(huán)”的各種結(jié)構(gòu)化、 半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)通過各種傳感、 “五感”點(diǎn)檢、 信息化系統(tǒng)、 PLC/DCS、 MES/MOM、 SCADA 和各種人工輸入信息源源不斷地輸入大數(shù)據(jù)湖中， 基于數(shù)據(jù)中臺(tái)技術(shù)進(jìn)行統(tǒng)一標(biāo)準(zhǔn)、 統(tǒng)一規(guī)范、 統(tǒng)一流程、 統(tǒng)一標(biāo)簽進(jìn)行清洗、 補(bǔ)齊和抽取， 形成數(shù)據(jù)資產(chǎn)， 為機(jī)理模型和大數(shù)據(jù)模型開發(fā)提供支撐。 智聯(lián)是工業(yè)物聯(lián)網(wǎng)， 在端和邊對(duì)數(shù)據(jù)進(jìn)行初步處理、 清洗、 轉(zhuǎn)發(fā)和存儲(chǔ)， 是大數(shù)據(jù)湖和邊緣端設(shè)備智能應(yīng)用的重要數(shù)據(jù)來源。 智多星是智能運(yùn)維知識(shí)庫和模型庫， 是仿真、 模擬、 計(jì)算和決策中心。 智多星邊緣應(yīng)用（智用） 為經(jīng)驗(yàn)規(guī)則模型系統(tǒng)， 可根據(jù)專家經(jīng)驗(yàn)、 行業(yè)知識(shí)、 設(shè)備機(jī)理進(jìn)行在線邊緣端智能監(jiān)控， 及時(shí)反饋設(shè)備狀態(tài)， 為現(xiàn)場管理人員提供決策支持。 智多星知識(shí)庫和模型庫包括異常報(bào)警（Probe）、 故障診斷（Dxs） 和故障預(yù)測（Pxs）， 為鋼鐵生產(chǎn)線設(shè)備提供異常報(bào)警、 通用設(shè)備故障診斷和關(guān)鍵部件故障預(yù)測及壽命預(yù)測服務(wù)。 所謂喚醒層是指集團(tuán)云端管控層， 包括維秘、 智控和智維圈。 維秘也即服務(wù)交付中心， 包括運(yùn)營管理、 運(yùn)維管理、 績效管理、 總包交付、 監(jiān)測診斷和專業(yè)檢測服務(wù)等。 智控即集控中心， 屬于生產(chǎn)管控范疇， 包括區(qū)域管控、 設(shè)備態(tài)勢、 智能決策和成本透視等等。 智維圈是生態(tài)合作伙伴共享協(xié)同中心， 鐵鋼行業(yè)橫向縱向打通、 優(yōu)化供應(yīng)鏈、 設(shè)備管理協(xié)同服務(wù)、 開發(fā)智能運(yùn)維社區(qū)、 形成 APP 應(yīng)用市場共享行業(yè)知識(shí)和服務(wù)。
寶武智維產(chǎn)品圖譜提供云、 邊、 端三位一體的智能運(yùn)維技術(shù)服務(wù)， 涵蓋智能傳感、 智能物聯(lián)、 邊緣應(yīng)用、標(biāo)準(zhǔn)服務(wù)、 數(shù)據(jù)資產(chǎn)、 算法模型、 運(yùn)營和運(yùn)維交付、 生產(chǎn)運(yùn)營管控和生態(tài)協(xié)同服務(wù)， 為智能運(yùn)維實(shí)現(xiàn)奠定堅(jiān)實(shí)的基礎(chǔ)。
6 基于智能運(yùn)維的設(shè)備管理服務(wù)
6.1 智能運(yùn)維服務(wù)體系
智能運(yùn)維服務(wù)體系由客戶目標(biāo)、 需求評(píng)估、 服務(wù)設(shè)計(jì)、 服務(wù)實(shí)施和服務(wù)交付構(gòu)成， 形成閉環(huán)服務(wù)體系，實(shí)現(xiàn)鋼鐵生產(chǎn)線狀態(tài)無憂、 精度可控、 綠色高效和持續(xù)迭代優(yōu)化。 客戶希望通過數(shù)字化和智能化平臺(tái)實(shí)現(xiàn)鋼鐵行業(yè)生產(chǎn)提質(zhì)、 增效、 降本、 節(jié)能和降耗， 減少非計(jì)劃停機(jī)， 全面提升客戶滿意度。 客戶需求評(píng)估是客戶需求和設(shè)計(jì)需求的不斷迭代優(yōu)化， 通過進(jìn)行資產(chǎn)梳理、 厘清智維需求和形成智維方案的過程。 服務(wù)設(shè)計(jì)階段包括平臺(tái)導(dǎo)入、 平臺(tái)運(yùn)維和模型研發(fā)三部分。 鋼鐵產(chǎn)線設(shè)備狀態(tài)通過智能傳感和物聯(lián)技術(shù)接入平臺(tái)， 形成設(shè)備智能服務(wù)數(shù)據(jù)基礎(chǔ)。 基于智能運(yùn)維大數(shù)據(jù)平臺(tái)進(jìn)行各種運(yùn)維服務(wù)智能 APP 開發(fā)， 基于工業(yè)機(jī)理和人工智能技術(shù)開發(fā)設(shè)備報(bào)警、 診斷、 預(yù)測和決策模型， 為智能運(yùn)維實(shí)施提供支撐。 基于大數(shù)據(jù)平臺(tái)， 提供 7×24 小時(shí)看護(hù)服務(wù)， 設(shè)置了五級(jí)響應(yīng)機(jī)制（報(bào)警管理員-診斷分析員-診斷審核員-技術(shù)專家-行業(yè)專家）， 提供以客戶為中心的多對(duì)一貼心服務(wù)（現(xiàn)場代表、 分析專員和客戶經(jīng)理圍繞客戶提供精細(xì)化服務(wù)）， 制定智能監(jiān)控閉環(huán)流程， 確保智能服務(wù)水平的迭代升級(jí)， 分清職責(zé)和規(guī)范流程， 提供基于大數(shù)據(jù)的監(jiān)管考核機(jī)制， 為智能運(yùn)維實(shí)施保駕護(hù)航。 最后， 智能運(yùn)維服務(wù)將交付診斷報(bào)告、 監(jiān)控報(bào)表、 管理建議和解決方案等等， 并形成服務(wù)閉環(huán)， 不斷提升智能運(yùn)維服務(wù)質(zhì)量。
圖 7 智能運(yùn)維服務(wù)體系
6.2 智能運(yùn)維服務(wù)模式
基于智能運(yùn)維服務(wù)系統(tǒng)， 圍繞用戶不同需求， 以解決方案為核心， 提供兩種差異化的服務(wù)模式： 智維總包服務(wù)模式和智維平臺(tái)服務(wù)模式。 其中總包服務(wù)模式包括設(shè)備接入、 管控、 決策、 檢修和物料管理等， 是以提升生產(chǎn)線/設(shè)備運(yùn)行狀態(tài)為目標(biāo)的， 基于平臺(tái)的全流程全時(shí)域設(shè)備狀態(tài)服務(wù)并共享服務(wù)價(jià)值。 智維平臺(tái)服務(wù)包括解決方案、 建設(shè)、 接入、 監(jiān)測、 報(bào)警、 診斷、 預(yù)測和決策服務(wù)， 是基于智能運(yùn)維平臺(tái)， 提供遠(yuǎn)程狀態(tài)看護(hù)、 遠(yuǎn)程診斷支持、 設(shè)備壽命管理和解決方案推送等智能化設(shè)備管理服務(wù)。 兩種服務(wù)模式各有千秋， 智維平臺(tái)服務(wù)模式屬于輕資產(chǎn)服務(wù)， 必須依托強(qiáng)大的大數(shù)據(jù)平臺(tái)能力、 先進(jìn)的技術(shù)能力、 領(lǐng)先的算法模型和經(jīng)驗(yàn)豐富的專家團(tuán)隊(duì)等等， 為用戶提供及時(shí)的、 可靠的和精準(zhǔn)的設(shè)備服務(wù)解決方案， 真正實(shí)現(xiàn)提質(zhì)、 增效、 降本、節(jié)能和降耗， 為客戶創(chuàng)造價(jià)值。 智維總包服務(wù)模式屬于重資產(chǎn)模式， 運(yùn)維方承包整條產(chǎn)線的設(shè)備管理服務(wù)，包括檢維、 維修、 操維、 物料管理、 狀態(tài)管控、 報(bào)警、 診斷、 預(yù)測和壽命管理等等。 可以認(rèn)為智維平臺(tái)服務(wù)是智維總包服務(wù)的子集。 總包服務(wù)是設(shè)備管理一條龍服務(wù)， 不僅可提供輕服務(wù)模式的所有內(nèi)容， 還可提供成本、 績效、 物料、 備品備件、 庫存管理等運(yùn)營管理服務(wù)。
6.3 智能運(yùn)維典型案例及效果
基于智能運(yùn)維大數(shù)據(jù)平臺(tái)和智能運(yùn)維服務(wù)體系及相關(guān)方法論， 圍繞客戶需求與設(shè)備實(shí)際情況， 對(duì)集團(tuán)內(nèi)某熱軋生產(chǎn)線進(jìn)行智能運(yùn)維總包服務(wù)， 對(duì)某基地?cái)?shù)百臺(tái)風(fēng)機(jī)進(jìn)行智維平臺(tái)看護(hù)服務(wù)、 對(duì)某高線齒輪箱進(jìn)行遠(yuǎn)程智能診斷服務(wù)和采用機(jī)器學(xué)習(xí)算法對(duì)某 TRT 動(dòng)葉積灰進(jìn)行預(yù)警， 均取得良好的效果。
6.3.1 熱軋生產(chǎn)線總包服務(wù)
圖 8 某熱軋生產(chǎn)線智能運(yùn)維系統(tǒng)
如圖 8 所示， 基于智能運(yùn)維大數(shù)據(jù)平臺(tái)， 結(jié)合專家經(jīng)驗(yàn)和智維標(biāo)準(zhǔn)化體系， 采用智維通（智能傳感） 和智聯(lián)（物聯(lián)網(wǎng)） 將熱軋生產(chǎn)線數(shù)千臺(tái)設(shè)備接入系統(tǒng)， 在邊緣端部署智用（E2Alarm2.0） 進(jìn)行實(shí)時(shí)監(jiān)控， 在云平臺(tái)部署智多星（報(bào)警、 診斷和預(yù)警模型庫） 系統(tǒng)實(shí)現(xiàn)對(duì)產(chǎn)線設(shè)備的趨勢報(bào)警、 劣化分析、 故障診斷和狀態(tài)預(yù)測， 為智能運(yùn)維規(guī)劃提供支撐。 平臺(tái)上線以來， 設(shè)備故障率下降 20%、 噸鋼維修成本下降 10%、 產(chǎn)線點(diǎn)檢負(fù)荷下降 20%。
6.3.2 風(fēng)機(jī)健康管理系統(tǒng)
某基地大量風(fēng)機(jī)接入智能運(yùn)維大數(shù)據(jù)平臺(tái)， 采用智維平臺(tái)服務(wù)模式（輕服務(wù)）， 實(shí)現(xiàn)對(duì)基地所有風(fēng)機(jī)的7×24h 看護(hù)服務(wù)， 提供遠(yuǎn)程智能報(bào)警、 診斷、 預(yù)測和決策推薦服務(wù)。 系統(tǒng)上線半年多來， 系統(tǒng)預(yù)警準(zhǔn)確率達(dá)到 90.8%， 診斷準(zhǔn)確率達(dá)到 94.3%， 年故障停機(jī)時(shí)間均為 0， 點(diǎn)檢負(fù)荷下降 55%， 檢修負(fù)荷下降 35.6%。 負(fù)荷下降值均小于目標(biāo)值， 經(jīng)專家討論分析后認(rèn)為系統(tǒng)上線時(shí)間較短， 各種流程、 標(biāo)準(zhǔn)、 規(guī)范還在建設(shè)之中，工作人員還未完全習(xí)慣新型工作模式。 可以預(yù)見， 隨著平臺(tái)上線時(shí)間越來越長， 各種流程和規(guī)范越來越成熟，各項(xiàng)評(píng)估指標(biāo)將持續(xù)優(yōu)化提升。
表 1 風(fēng)機(jī)健康管理系統(tǒng)
6.3.3 齒輪箱軸承故障診斷
某基地高線生產(chǎn)線設(shè)備管理采用總包模式， 基于智能運(yùn)維大數(shù)據(jù)平臺(tái)， 采用智聯(lián)通接入高線數(shù)千臺(tái)設(shè)備，接入工藝數(shù)據(jù)超過 5000 項(xiàng)， 配置預(yù)警規(guī)則模型超過 1500 條， 日均數(shù)據(jù)流量超過 10G， 在邊緣和云端部署報(bào)警、 診斷和預(yù)警模型， 諸如振動(dòng)溫度、 油液理化、 潤滑液壓、 軸承、 齒輪箱、 泵、 電機(jī)和風(fēng)機(jī)等模型超過1000 個(gè)。 經(jīng)過半年多運(yùn)行， 設(shè)備故障時(shí)間下降 15%， 點(diǎn)檢負(fù)荷下降 15%， 報(bào)警準(zhǔn)確率超過 90%， 計(jì)劃檢修時(shí)間下降 40%和產(chǎn)線作業(yè)率上午 4%。
2020 年 11 月 22 日， 智能運(yùn)維大數(shù)據(jù)平臺(tái)持續(xù)報(bào)警高線 13HФ350H 減速機(jī)沖擊有效值 大， 如圖 10 所示， 結(jié)合系統(tǒng)與遠(yuǎn)程專家診斷， 專家判斷一軸沖擊有效值上升明顯， 軸承 180Hz 軸承外圈特征 BFO 頻率和2 次諧波數(shù)值增大， 同時(shí)在 2kHz 附近出現(xiàn)大量噪聲信號(hào)， 確認(rèn)一軸軸承存在嚴(yán)重劣化， 立即申請線下維檢。經(jīng)現(xiàn)場運(yùn)維工程師檢查， 軸承出現(xiàn)保持架斷裂， 滾動(dòng)體磨損嚴(yán)重的故障， 經(jīng)及時(shí)更換軸承， 避免了一起嚴(yán)重的突發(fā)停機(jī)事故， 獲得良好評(píng)價(jià)。
圖 10 某基地高線軸承故障診斷
6.3.4 TRT 動(dòng)葉積灰預(yù)警
某鋼鐵基地 TRT 葉片積灰， 導(dǎo)致設(shè)備振動(dòng)加大， 發(fā)電量下降， 靜葉開度變得難以控制， 爐頂壓力超標(biāo)，風(fēng)險(xiǎn)大。 2019 年因?yàn)閯?dòng)葉積灰問題曾引發(fā) 4 次跳機(jī)保護(hù)事件。 為解決動(dòng)葉積灰問題， 現(xiàn)場檢修團(tuán)隊(duì)自主開發(fā)積灰蒸氣清洗系統(tǒng)， 可有效清除動(dòng)葉上的積灰。 然而， 若頻繁清洗將縮短 TRT 系統(tǒng)壽命， 若清洗不及時(shí)可能導(dǎo)致爐頂壓力冒尖， 影響系統(tǒng)安全。
圖 11 某基地 TRT 動(dòng)力積灰與清洗
為解決以上矛盾， 基于機(jī)器學(xué)習(xí)算法， 結(jié)合動(dòng)葉積灰機(jī)理和現(xiàn)場專家經(jīng)驗(yàn)， 圍繞客戶經(jīng)濟(jì)性要求， 以TRT 進(jìn)氣側(cè)振動(dòng)、 靜葉開度、 入口煤氣流量和有功功率為多參數(shù)輸入進(jìn)行綜合分析， 開發(fā) TRT 動(dòng)葉積灰預(yù)測模型， 可自適應(yīng)于各種 TRT 系統(tǒng)。 如圖 12 所示， 在 2020 年上半年， 模型還未上線運(yùn)行， TRT 運(yùn)行性能逐漸劣化， 性能波動(dòng)較大。 下半年模型上線， 可對(duì)動(dòng)葉積灰進(jìn)行預(yù)測并自動(dòng)啟動(dòng)清洗工藝， 有效穩(wěn)定了爐頂壓力， 降低了維護(hù)成本， 年發(fā)電量可提升 11.5%， TRT 發(fā)電經(jīng)濟(jì)效益可提升 167 萬/年。
7 結(jié)語
本文對(duì)鋼鐵行業(yè)智能運(yùn)維進(jìn)行了深入研究， 對(duì)智能運(yùn)維定義、 主要內(nèi)容、 關(guān)鍵目標(biāo)、 重要價(jià)值、 智維本質(zhì)、 發(fā)展等級(jí)、 產(chǎn)品圖譜、 服務(wù)體系和服務(wù)模式等進(jìn)行了深入闡述， 獲得多個(gè)有意義的研究結(jié)論。
（1） 寶武智維基于“云、 物、 大、 移、 智”， 結(jié)合數(shù)十年鋼鐵行業(yè)設(shè)備管理服務(wù)經(jīng)驗(yàn)， 總結(jié)了智能運(yùn)維定義；
（2） 介紹了運(yùn)維策略和運(yùn)維模式演進(jìn)路徑， 對(duì)比分析了傳統(tǒng)運(yùn)維模式和智能運(yùn)維模式的區(qū)別， 闡述了智能運(yùn)維本質(zhì)特征；
（3） 基于智能運(yùn)維技術(shù)水平， 結(jié)合我國鋼鐵行業(yè)運(yùn)維現(xiàn)狀， 分析了智能運(yùn)維技術(shù)和模式發(fā)展等級(jí)， 提出了運(yùn)維技術(shù)和模式從 L1 至 L5 的發(fā)展等級(jí)；
（4） 寶武智維基于“云、 物、 大、 移、 智”技術(shù)， 構(gòu)建鋼鐵行業(yè)智能運(yùn)維大數(shù)據(jù)平臺(tái)， 開發(fā)智能運(yùn)維產(chǎn)品圖譜， 涵蓋標(biāo)準(zhǔn)、 傳感、 物聯(lián)、 數(shù)據(jù)、 算法、 規(guī)則、 模型、 管控、 報(bào)警、 診斷、 預(yù)警、 決策輔助等方方面面；
（5） 基于智能運(yùn)維大數(shù)據(jù)平臺(tái)， 構(gòu)建了智能運(yùn)維服務(wù)體系， 提出了總包服務(wù)模式和智維平臺(tái)服務(wù)模式。基于上述兩種模式， 分析了多個(gè)基地總包服務(wù)和平臺(tái)服務(wù)的典型案例， 從運(yùn)維成本、 檢修時(shí)間、 生產(chǎn)線作業(yè)率、 模型準(zhǔn)確性和經(jīng)濟(jì)性等方面驗(yàn)證了智能運(yùn)維的可靠性和有效性。
參 考 文 獻(xiàn)
[1] 張克南. 流程工業(yè)設(shè)備狀態(tài)管理的系統(tǒng)策劃和實(shí)踐[M]. 上海: 上?？茖W(xué)技術(shù)出版社, 2007: 1-2.
[2] 張翠鳳. 設(shè)備管理與維修模式探討[J]. 設(shè)備管理&維修, 2000, 2: 7-9.
[3] 李麒, 袁文清, 楊大雷. 遠(yuǎn)程智能運(yùn)維-設(shè)備管理的必由之路[J]. 寶鋼技術(shù), 2019, 6: 13-16.
[4] Jon Bokrantz, Anders Skoogh, Cecilia Berlin, Thorsten Wuest, Johan Stahre. Smart Maintenance: an empirically grounded
conceptualization[J]. International Journal of Production Economics, 2020, 223, 1-17.
[5] Nazmus Sakib, Thorsten Wuest. Challenges and Opportunities of Condition-based Predictive Maintenance: A Review[C]. 6 th
CIRP Global Web Conference, USA: Elsevier B. V, 2018: 267-272.
[6] Susana Ferreiro, Egoitz Konde, Santiage Fernandez and Agustin Prado. Industry 4. 0: Predictive Intelligent Maintenance for
Production Equipment[C]. European Conference of the Prognostics and Health Management Society, Spain: PHM Society, 2016:
1-8.
[7] Vepa Atamuradov, Kamal Medjaher, Pierre Dersin, Benjamin Lamoureux and Noureddine Zerhouni. Prognostics and Health
Management for Maintenance Practitioners-Review, Implementation and Tools Evaluation[J]. International Journal of Prognostics
and Health Management, 2017, 60: 2153-2648.
[8] Van Duc Nguyen, Marios Kefalas, Kaifeng Yang, Asteris Apostolidis, Markus Olhofer, Steffen Limmer and Thoms Back. A
Review: Prognostics and Health Management in Automotive and Aerospace[J]. International Journal of Prognostics and Health
Management, 2019, 23: 2153-2648.
[9] Fumagalli, L., Macchi, M., Colace, C., Rondi, M., Alfieri, A., 2016. A Smart maintenance tool for a safe electric arc furnace[J].
IFAC-PapersOnLine, 2016, 49: 19–24.
[10] Holgado, M., Macchi, M., 2014. Exploring the Role of E-Maintenance for Value Creation in Service Provision. Engineering,
Technology and Innovation[C]. 2014 International ICE Conference, Italy: IEEE, 2014: 1-10.
[11] Qiao, G., Weiss, B. A. Advancing measurement science to assess monitoring, diagnostics, and prognostics for manufacturing
robotics[J]. Int. J. Prognostics Health Management, 2016, 7: 2153-2648.
[12] Cheng, S., Azarian, M. H., Pecht, M. G., 2010. Sensor systems for prognostics and Health management[J]. Sensors, 2010, 10:
5774-5797.
[13] Lee, J., Jin, C., Liu, Z., Ardakani, H. D., 2017. Introduction to data-driven methodologies for prognostics and Health
management[J]. Probabilistic Prognostics and Health Management of Energy Systems, 2017, 4: 9-32.
[14] Kans, M., Galar, D., Thaduri, A., 2016. Maintenance 4. 0 in railway transportation industry[C]. Proceedings of the 10th World
Congress on Engineering Asset Management (WCEAM 2015), Finland: Springer, 2016: 317-331.
[15] Kumar, U., Galar, D. Maintenance in the era of industry 4. 0: issues and challenges[J]. Quality, it and Business Operations. 2017,
10: 231-250.
[16] 金超, 關(guān)于 PHM, 這是有史以來聽到最接地氣的解說[EB/OL]. https://zhuanlan.zhihu.com/p/42865063, 2018.
[17] 李杰, 倪軍, 劉宗長. 從大數(shù)據(jù)到智能制造[M]. 上海: 上海交通大學(xué)出版社, 2016: 4-5.
【相關(guān)好文】
《云南銅業(yè)2024 年冶煉板塊設(shè)備管理專題培訓(xùn)》——課件《設(shè)備智能運(yùn)維管理》
一、概述——了解設(shè)備智能運(yùn)維的概念
二、現(xiàn)況——了解國內(nèi)設(shè)備智能運(yùn)維的現(xiàn)況
三、標(biāo)準(zhǔn)——了解設(shè)備數(shù)字化、智能化管理的主要國標(biāo)、行標(biāo)
四、核心——設(shè)備智能運(yùn)維的核心：平臺(tái)、專家系統(tǒng)、標(biāo)準(zhǔn)化體系。
五、技術(shù)——智能運(yùn)維的主要關(guān)鍵技術(shù)
六、人才——智能運(yùn)維的人才需求與培養(yǎng)
