首页 > 工业4.0

预测性维护是边缘计算与人工智能,在工业落地的最短路径?

www.cechina.cn2019.04.02阅读 9089

  预测性维护(PdM)是工业互联网的重要应用,但它并不新鲜,在上世纪90年代就已经尝试被用于飞机发动机领域。最近几年,随着工业人工智能技术和边缘计算技术的逐步推进和成熟,过去仅仅集中应用于高端装备的预测性维护,可以“飞入寻常百姓家”,具备了大范围应用的经济性前提。

  需要强调的是,预测性维护不同于预防性维护,在维基百科中,对两者进行了明确的区分,值得借鉴。
  预测性维护(PdM)根据在役设备的状况,评估进行维护的时间,防止意外的设备故障。这种方法比预防性维护要节省成本,实现的关键是“在正确的时间内提供正确的信息”。
  简单的说,预测性维护是依赖于设备的实际状况,而不是平均或预期的寿命统计,来预测何时需要维护。
  更进一步,故障预测和健康管理PHM 还要做到能预测设备最后的剩余使用寿命到底有多少。

  毫无疑问,预测性维护是未来的发展趋势。
  如何真正撬动预测性维护这块市场蛋糕,挖掘新的商机?在上篇文章的交流中,许多互动和留言很有价值,因此用这篇文章进行延续和扩展。
  本文中你将看到:
  ●细看国内外的差异,国内最终用户使用预测性维护,顾虑哪些问题?
  ●预测性维护的军备竞赛中,不同企业在沿着哪些路线前进?
  ●工业人工智能和边缘计算,正在为预测性维护引入新的载体。
  ●国内有哪些值得关注的初创公司?
  ●值得关注的精彩评论。
  涉及内容较多,我已高浓度提纯。
  01最终用户的顾虑
  预测性维护并不适用于所有的对象。
  在这里借鉴美国智能维护系统(IMS)中心的分类,参考下图,纵轴代表故障发生频率,横轴表示故障发生后的影响。预测性维护适用于发生频率不高,但一旦发生影响很大的故障。
  ●频率低、影响大:预测性维护
  ●频率低、影响小:传统维护方式
  ●频率高、影响大:系统设计有问题,需改进设计
  ●频率高、影响小:准备更多备件

  有效预测频率低、影响大的故障,是许多最终用户所期待的。对于预测性维护在方案推进中面临的困难和风险,国内情况与国外相比略有差异。
  国内企业更加关心系统集成层面的风险。

  在实际接触了国内数十家相关企业之后,可以发现模型准确度不足、商业模式不够理想、供应商风险,都是预测性维护在发展中遇到的问题。(@王宇)
  最终用户的普遍顾虑包括:
  1. 缺少技术专家,模型准确度有待提升
  机理模型,是指根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。这个模型是进行预测性维护的基础之一,但工业中的数据思维刚刚开始建立,懂得机理的专家毕竟是少数。
  对于设备机理的深刻了解,需要基于十几年甚至几十年的长期经验积累才能具备。比如一家工厂中的某台重型设备总是发生偏轴的情况,长期争论到底是设备问题还是组件问题,悬而未决。直到找来一位富有经验的老教授,才最终发现问题所在。原来不是设备本身的问题,而是地基太软的问题,才导致传动轴总是发生故障。
  预测性维护中采集哪些数据,如何安装传感器,如何选择采集频率和周期…都需要建立在掌握机理模型和行业know-how的基础之上。可以说预测性维护的技术门槛很高,尤其是行业know-how知识的门槛高,如果只懂IT领域的技术,就会发现空有十八般武艺,完全无用武之地。
  2. 数据可移植性差
  你可能会问为什么数据需要可移植性?因为这是构成数据管理战略的基础。真正做到数字化的工业企业,必须全面了解所拥有的数据,掌握完整且持续更新的数据可见性,根据业务需求按需对数据进行迁移。
  同时,工业数据的归属权和使用权问题一直都是敏感话题。
  因为工业数据存在价值密度低、企业属性强的特征,不太可能产生直接的数据交易。但是工业数据又非常有价值,各方都希望得到使用权:最终用户根据数据可以改善生产和经营;设备服务商根据数据可以提供更好的设备保养和服务;设备制造商根据数据可以改进机器参数,优化设备指标…
  从类别上来看,工业数据大致可以分为两种,一种是设备数据,一种是工况数据。工况数据涉及企业内部经营信息,最终用户并不希望进行数据分享。
  预测性维护的准确度越高,价值越大,难度也越大。由于数据本身就是资产,最终用户的数据安全和隐私保护意识越来越强,预测性维护想要提升准确性,大量数据做算法训练又必不可缺,数据是否可得、可用、可复用?其中太多困难。
  3. 供应商存在较大风险
  预测性维护被吹捧为“杀手级”应用之后,很多公司都在围绕这个领域开展业务。其中不乏鱼目混珠者,拿着“听诊器”就来做预测性维护,让专业用“CT机”认真诊断的只好苦笑。
  预测性维护项目在推进的过程中,还有可能引来不必要的纠纷。提供预测性服务的物联网企业,往往会遇到很多质疑。
  比如预测某台设备将会出现问题,最终用户有可能会对判断结果产生疑问。
  如果最终用户确信诊断结果,去找设备制造商解决,设备制造商有可能会认为是做预测性维护的过程中,内嵌了传感器,破坏和入侵设备才造成的故障。
  如果不适用内嵌传感器,替换成可穿戴式传感器,预测的准确性又会受到影响…
  4. 潜在的交易风险和切换风险
  无论是最终用户还是设备制造商,寻找预测性维护的技术性合作伙伴时,都会面临协议转换,面临技术手段取舍,这个过程中有可能被技术服务商绑定。
  Uptake的例子是一个很好的说明。2015年3月,卡特彼勒开始了与Uptake在技术和数据方面的合作,并且对Uptake进行了股权投资。通过合作,卡特彼勒将自己全球领先的产品工程和设计能力与Uptake的软件、应用和数据分析技能有效结合,以期为客户提供更高效的解决方案。
  2017年底,卡特彼勒宣布终止对Uptake的投资,不再持有Uptake的股份,并重新调整与Uptake的合作领域。卡特彼勒意识到,如果对Uptake持续投资,将削弱自己的竞争力,希望把预测性维护的能力收回到自己“体内”,进一步推进从设备制造到制造即服务MaaS的转型。
  对此有人持有不同意见,认为设备商想靠预测性维护转变商业模式,这可能是个伪命题。(@郭云)
  不过无论如何,预测性维护还是要做的,只是不能这样做…它要结合到工业设备管理和工业服务现状,从诊断形式的多样化组合和人的能力共享来做,要从工业服务产业化生态来做…(@杨明波-维修合伙人制+工业服务研究)
  目前IoT在工业的应用场景主要还在监测和诊断,预测的准确度和商业模式都还需要继续探索。(@史磊)
  02两条切入路径
  工业场景的要素:人、机、料、法、环,预测性维护主要与“机”挂钩。就像汽车的价值链包括车主、4S店、车厂、汽车零部件的各级供应商,“机”的价值链包括:
  ●最终应用企业(最终用户)
  ●设备服务商(代理商、集成商)
  ●设备制造商
  ●上游各类工业自动化软硬件厂商
  如何在这份已经成熟的工业体系中,创造新的价值。创新型的物联网企业和传统工业自动化巨头正在从两条路径各自渗透。(@郑宇铭)
  【路径1】
  创新型物联网企业的普遍做法是围绕最终用户挖掘价值。
  最终用户是工业的主体,上游各类企业都是围绕最终用户开展业务,因此用户也是各种服务的核心落脚点。
  物联网企业的做法是在围绕设备加装传感器和工业网关,并不介入控制器原厂的数据和通讯协议,将传感器数据在边缘侧和云端进行分析和反馈,“感知设备的脉动”。

  传感器采集的过程值(流量、温度、压力等),传输至边缘云进行分析,可以显示多样化的评估图表,结合预先定义的报警机制,确保对过程值进行持续监控和分析。
  传感器安装在哪里?采集什么信号?机器特性是什么?分析什么原理?前期需要进行详细的分析,才能保证采集到的数据是价值的。每一个传感器的部署和定制分析都要花费时间和金钱,先从最重要的故障点入手才有意义,这是一个漫长的讨论、尝试和验证的过程。

  很多项目并不是典型的预测性维护,做到简单的数据呈现和报表分析,实现状态检测和远程监控,已经可以满足最终用户的需求。
  【路径2】
  传统工业自动化巨头因为拥有私有协议优势和存量设备优势,选择从源头上入手,从控制层直接接入新型硬件,由浅入深,提供预测性维护服务。
  举两个例子。
  比如,西门子在2018年底推出了针对边缘应用的全新硬件,并以此构成工业边缘计算(Industrial Edge)概念的一部分。这款紧凑型边缘设备以嵌入式工控机SIMATIC IPC227E为基础,可从生产端实现对生产数据的直接读取和处理。
  这种做法相当于给传统控制器PLC外挂了一台工业电脑,直接读取和分析控制层数据,并与工业互联网平台MindSphere配合使用,提供预测性维护等能力,以边云协同的方式提升现场管理水平。而且当工业应用程序底层的框架条件发生变化时,边缘设备上的应用可以实现同步调整,保持设备功能性的实时更新。
  就在这个周末,3月29日,西门子还与德国大众汽车集团签署协议,德国大众宣布采用西门子MindSphere工业互联网平台,范围涵盖大众的122个工厂以及1500个供应商。这一合作激起的涟漪势必促进跨国企业对于工业云平台的采用,为预测性维护的落地起到一定程度的推动作用。
  除了从控制层面直接介入的做法,电机与驱动器厂家也不甘落后。2019年3月初,三菱电机宣布推出新一代通用型伺服驱动系统J5,它不仅成为全球首款使用下一代工业网络技术TSN的伺服产品,还将集成智能控制技术Maisart。
  Maisart是Mitsubishi Electric's AI creates the State-of-the- ART in Technology,“三菱电机的人工智能技术创造最先进技术”的缩写。Maisart与伺服驱动系统J5的集成,将以内嵌的方式,直接实现对机械传动部件(滚珠丝杠、皮带、齿轮...)与驱动器的检测诊断和预测性维护。
  创新型物联网企业,乃至传统工业自动化巨头,都已开始围绕预测性维护,或者更准确的说,围绕由预测性维护引发的巨大市场空间,开展军备竞赛。
  无论是预测性维护、质量控制、远程监控,或者资产追踪,其背后使用的物联网技术是一样的。因此预测性维护是一个具备横向整合能力的应用。
  基于预测性维护过程中采集的设备数据,包含工艺、质量、性能、效率等指标,可以从设备层面延展到生产线层面。
  预测性维护采集的数据点越多、数据的价值越大、机理模型的理解越透彻、经验积累越丰富,横向整合的能力越强,进而帮助企业以崭新的方式和手段,解决降本、提效的问题。
  03PdM的新载体
  市面上已有的预测性维护方案,大部分是在云计算或者雾计算层面的,而随着边缘算力的提升,以及工业人工智能的发展,在边缘侧完成预测性维护变得经济上更加可行。
  已有公司研发出了最新一代的边缘控制器,搭载工业人工智能算法,满足用户对于预测性维护的需求。

  这类边缘控制器中往往搭载的是“弱人工智能”,并将人工智能与控制过程进行实时集成,用于诊断和预测设备异常。

  简单的说,“强”AI是指AI系统具有接近人类甚至超越人类的智能;“弱”AI则专注于解决基于数学和计算机科学方法的具体应用问题,由此开发的系统能够自我优化。弱AI更适合于解决工业领域的实际问题。
  在异常检测的算法上,现已上市的这款边缘控制器是使用“孤立森林”(Isolation Forest)机器学习引擎开发的。
  该算法对内存要求很低,且处理速度很快,其时间复杂度也是线性的,非常适合高速实时处理,可以通过微调提高检测精度和准确性。同时,该算法还适用于多模态数据,可用于需要两种或多种操作模式的高度混合的产线。
  基于这套算法,边缘控制器采集和记录目标对象的数据,并基于预设的应用模型,分析设备行为的历史趋势,预测机器可能出现的异常状况,提示和指导用户在适当的时间对机电系统采取合理有效的诊断和维保措施,甚至JIT(Just-in-time)准时维护。

  目前,该边缘控制器的预测性维护能力主要是面向气缸、滚珠丝杠和传送带、同步轮...等机械传动部件。
  可以预判,这样的设备预防性维护方案,其性能表现将很大程度上取决于两个关键要素:
  1. 数据采集:帮助有效理解机器行为;
  2. 应用算法:创建和优化学习模型,并准确做出判断。
  基于工业人工智能算法,边缘控制器有可能识别出程序检测不到的,或者人眼无法分辨的异常状况,从而实现对设备行为较为全面准确的学习理解。

  04国内典型企业
  在预测性维护领域,国内有几家公司非常值得关注,此处也举两个例子:
  1. 天泽智云
  天泽智云是一家工业智能公司,其主要基于分析算法、工程专家领域知识、软件产品的工业大数据平台,为工业企业提供集成数据采集与分析、装备健康管理、故障预测与诊断、维护决策与优化等各类工业大数据应用服务为一体的定制化解决方案。
  公司提出目标,10年实现100个无忧生产和无忧经营的工业场景。
  现阶段,天泽智云主要关注能源、轨道交通、数控机加工、工业机器人、装备制造等领域,为客户提供工业大数据应用咨询、数据采集与分析、装备状态评估等大数据分析解决方案。
  2. 西安因联

  西安因联是基于对设备运行场景的深入理解,基于设备机理提供完整的数据接入集成方案,擅长结合振动信号的分析,结合传感、物联技术、数据算法等技术,为工业用户提供更加高效、可靠的设备预知性维护的解决方案。
  因联的设备智能运维解决方案,可以提前3个月识别设备早期故障,故障识别准确率达90%,帮助企业杜绝重大安全事故的发生,降低30%以上的日常停机维护时间,节约30%以上的维护成本,帮助企业有效提升生产效率。因联打造了机器智能运维SaaS平台,机器健康大数据平台产品方案,目前已在钢铁、化工、电力、水泥、造纸、汽车、食品饮料等行业客户中有成功应用。
  最后,在你欣赏精彩评论之前,我要衷心感谢研华科技行销总监王宇、智造商专栏创始人郑宇铭在成文过程中对我的大力支持。
  05精彩评论
  清华学长:
  我目前了解的情况是国内对于预测性维护的认识尚处于起步阶段,但大企业对此的认识与意愿逐步加强。国内需要强调预警的价值,而不是预测性维护。国情是安全生产比降低成本更重要。
  国际工业界对预测性维护的定义的境界比较高,是因为他们设备管理本身已经做的比较细,国内企业基础就需要先提高,可以借预测性维护的思路,首先把设备数据分析重视起来。
  薛辰宇:
  物联网的价值是通过数据重塑产业链,比如通过预测性维护推出供应链金融和保险业务,第一降低资金占用,第二,为结果买单,解决客户痛点。可能目前的客户比较犹豫这个改造的价值,但是会崛起一部分鲶鱼扰乱现有的价值链,比如共享经济或者租赁经济的创业者。改变往往来自于外部,很少有人有勇气革自己的命!停留在已有的价值链里面,预测性维护是无法变现的。共享经济其实就是预测性维护的一个应用场景。
  麥克瘋|mcrazy:
  预测性维护在很多领域都已经是非常成熟的应用了,比如风电、铁路...,之所以很多人会把互联网与这项技术联系起来给予极高的预期,在我看来是因为可能带来的经济性,能够帮助它在更多领域的普及,我的建议是去研究下各类产品方案,看下如何能够转型为基于互联网的方案,再看下企业用户的现实诉求,就大致明白为什么会有如此长的落地周期了;东西是好的,但面对现实还是需要些耐心的...关键在于:预测什么vs维护什么...前者是不确定的风险,决定了需要的投入,后者是确定的应用场景,决定了所需投入的预算。
  赵敏:
  所谓“杀手级应用”,所谓爆款级、现象级应用,幻想在工业领域出现,纯属某些人的YY。
  唐咚:
  预测性维护果子是好,但挂得较高,先摘下面的果子再说。
  ChrisGao:
  需要社会环境和行业规划推动,商业模式决定技术创新投入,设备模型和机理知识库和实时动态闭环分析成就预测性维护,工业信息变革就是人类消除不确认性风险的认知过程。
  王总:
  两三年以前我研究过预测性维护这个事。思路是利用数据建立一个系统运行的有限状态机模型。然后根据实际数据与状态机预测的偏差来进行预防性措施。后来发现有这样几个问题,第一是数据量维度需求太多基本是至少是在几十维的向量空间上进行分割。计算量太大。第二是实际数据的误差很影响结果。第三是很多设备的数据量不足。不过我还是认为预测性分析在工业设备上的应用是有前景的。因为工业设备的运行状况相对稳定。毕竟适合预测性维护。
  小胡:
  投资回报率难以计算:工业互联网首先姓工,然后才姓网,工意味着种类多,行业集中度低,细节繁芜。
  商业模式,省钱不一定等于挣钱,效果看事前还是事后,主动还是被动,不一而足。
  基础不扎实,数据量不足,智能服务,意味着数据在全生命周期中是自动流动的,一个企业的价值链能延伸到哪,如何判评,有待商榷。
  郭朝晖:
  从这个概念产生,我就一直没有看好过,并反复多次批评这种想法脱离实际,对绝大多数应用不靠谱。
  鸟人:
  有能力做预防性维护还不如更深一层做自我修复。设备故障哪有那么容易预防,比如电子厂的设备,成千上万个零件,上千上万条线,如何监控,有些芯片都是有程序的,很多布线是隐藏的,如何判断磨损,老化的位置。设备预防的核心是定期保养,很多企业都不太重视。预测性维护可能的方向是只在少数标准化行业,标准化设备上应用,而不是大范围的应用
  Lester:
  预测性维护背后也需要物理模型的支持,而不是只寄希望于大数据分析。同时数据也是传感器数据和流程数据的结合才行,不然得到的结论也只是盲人摸象。
  小石匠·老常@配电网:
  设备安全问题一定是一个综合方案,不可能把维护方案中哪一个单独方案人为拔到脱离客观需求的高度。
  互联网的一些奇才,对颠覆、横切或者弯道超车上瘾了,我们从1998年就开始搞设备安全和检修解决方案,深知状态检修或者预测检修的问题在哪里,哪有那么容易,要能解决问题,我们这些老鸟早就干了,还会有你们这些家伙横切的机会吗?
  早在2010年,我就跑到南方电网找专家去聊变压器的故障预测,我们还是懂一些故障模式的,结果人家专家告诉我,做几个大指标还是可以的,但是变压器的故障类型太多了,机理很复杂,故障模型无法提炼。
  如今,工艺和工艺链条上设备电气复杂度越来越高、运转速度越来越高,故障模型太难搞了,没有故障模型,怎么做故障预测,难道还用过去的阈值判断吗?
  当然,前年我就给原华能阳逻电厂出来的美女专家建议,通过统计的方式掌握设备的故障模型,表面看很像今天非常时髦的人工智能迭代学习。
  问题是,同样的设备用在不同的工况环境,环境很复杂,有效性有多高,鬼知道?而且人工智能迭代学习属于实验科学,没有强约束的理论,很可能会出现这个月靠谱,下个月完全不靠谱的情况。企业安全是大事,到时候谁为安全承担责任呢?
  尽管是实验科学,我最近一直在建议老板下决心要试试,拿我们的高压柜子做个实验。
  彭国华-工业服务联盟:
  对于少数装备如航空发动机、轨道交通第非计划停机必须控制在0%的范围的设备,预测性维修是必须的选择,但厂家老早就做了。对于非计划停机允许在5-10%的范围的设备,预测性维护只是一个选项,而且大多是一个非常不经济的选项,相比其它管理措施性价比很低,所以终端用户不积极。
  柚子爷 Roger:
  具备行业属性的服务商将有明显机会与优势,通用型服务商,按项目来服务的不但前期准备周期长,定制开发风险高,同时的确实会受到用户与设备商的两头挤压。
  罗大魔王:
  设备运行状态检测是需要在传感器领域深耕的,而国内物联网企业大多潜心于通信技术,再说如何建立设备状态的评估模型也是一个技术难点。
  将这三块技术充分融合,孵化出成熟解决方案的成本不是一般中小企业可以承受的。再说传感器和评估模型的可复制性不高,做出来一个方案也只能在一个行业里面拓展。所以想要出现泛行业适用的预测性维护方案还需要多点耐心。
  SHOUT:
  分析得很到位!采用传统的方法(传感器、专家模型)去做,难以解决成本高、难复制的问题而纯用IT的方法(物接入、机器学习)又出现预测不准、难以评估的问题,必须有一种突破的技术实现低成本、易复制、预测相对准确且可评估的系统,才有可能实现大量应用。目前有一些创新的模式在低调运行,期待爆发的一天!
  Andrew工业互联网的布道者:
  08年,我把APM带回中国。那时候,中石化,中石油还在做RBI验证。一晃10年就这么过去了。
  其实,设备预测性维修不是“万能的”。这几年被一群搞it的外行给炒烂了。
  以石化企业为例,只有振动模型,才是机理级别的,其它如腐蚀,润滑等与理论结果相差甚远。
  那么,是否可以透过大数据来确定失效原因呢?
  呵呵,这就有意思了。
  好的装置,进口设备可以。
  为啥?
  因为人家的设计中,就考虑了可靠性问题(design review),有完整的可靠性实验数据(不是编出来的),比如,对关键部位的应力分布,管线不同位置腐蚀速率的统计等等。
  通过“数字化移交”,完整的把工艺,设备数据与工艺包统一,可视的交给业主。业主对工艺数据是可以信赖的。用这些数据可以拟合理论分布,再进行预测回归…
  即便是这样,在很多场合,大多数情况下,由于施工偏差,进度要求,交付系统与原设计已经“不可同日而语”,业主又懒得做CA,找出bad actor,更不愿意做RCM。幻想着上个PI,IP21,让工程师的人脑代替昂贵的系统。
  这些中国式的小聪明,害了中国企业的智能化进程。
  慕明:
  预测性维护,市场还是有的,不要想投机取巧,踏踏实实的做。
  郭策:
  大数据从成本到技术都不具可执行性,用传统的小数据检测建模,成本低,有几十年的运行和理论基础,更加实用。主要设备和主要辅助设备能预测到周或月的情况就有管理意义了。
  做季度设备维修策划和月度备品备件采购计划,可以参考模型数据。
  吴翼飞-上海誉正:
  时间与效果期望值之间的落差。“预测性”的本质是在有足够数据样本训练的基础上,对已知现象通过行业资深人员的理解与计算机专家间的碰撞,抽象出的数学计算模型。足够多的基础数据,过程中的人为干预,对模型的验证优化,都需建立在时间的基础上。若能理性对待期望值与实际效果间的差距,理性认知AI目前AI只是提升效率的工具,相信“杀手级”应用终极出现
  Anyway:
  预测性维修的着眼点应该是人机交互过程中的互相影响,如飞行员,驾驶员,对人工操作的效能提供评价。其存在的依据除了原材料失效的可靠性理论外,尤其能根据预测对象的工作环境,识别出设备潜在的外部应力,如热应力,结构应力,润滑磨损等要素。同时,也为操作规程的优化提供量化数据支持。
  应该站在预测对象的立场,谈预测方法方案的定制设计。通用的预测模型落地,需要考虑引入中间件或者插件技术做二次开发的可扩展接口…
  预测维修一定是一个涵盖人机料法环测六要素,立足可靠性工程经验基础和常识的一个业务(谈不上专业或者具体技术)…
  本文小结:
  1. 预测性维护适用于发生频率不高,但一旦发生影响很大的故障。
  2. 无论是预测性维护、质量控制、远程监控,或者资产追踪,其背后使用的物联网技术是一样的。因此预测性维护是一个具备横向整合能力的应用。
  3. 市面上已有的预测性维护方案,大部分是在云计算或者雾计算层面的,而随着边缘算力的提升,以及工业人工智能的发展,在边缘侧完成预测性维护变得经济上更加可行。

继续阅读