工業(yè)大數(shù)據(jù)采集處理與應用-項目7

彭振云唐昭琳工業(yè)大數(shù)據(jù)采集、處理與應用課程目錄1三、工業(yè)大數(shù)據(jù)建模了解設備預測維護的作用掌握設備健康狀態(tài)評估方法了解工業(yè)大數(shù)據(jù)在設備健康狀態(tài)評估中的應用了解工業(yè)大數(shù)據(jù)在設備故障檢測的應用了解工業(yè)大數(shù)據(jù)在質量檢測和工藝優(yōu)化中的應用知識目標技能目標能夠結合工業(yè)領域的不同行業(yè)，分析應用需求，了解大數(shù)據(jù)應用平臺的用途。學習目標2三、工業(yè)大數(shù)據(jù)建模（一）認識數(shù)據(jù)驅動的設備狀態(tài)評估應用（二）認識數(shù)據(jù)驅動的設備故障檢測應用（三）認識數(shù)據(jù)驅動的質量檢測和工藝優(yōu)化應用3什么是數(shù)據(jù)驅動的制造？三、工業(yè)大數(shù)據(jù)建模數(shù)據(jù)驅動的制造，指通過傳感器、物聯(lián)網等，對機器運行的海量數(shù)據(jù)以及終端用戶的行為數(shù)據(jù)進行采集，并加以分析，從而對產品從設計到銷售的全生命周期進行最優(yōu)化的管理。在產品生產階段，通過傳感器，對機器運作數(shù)據(jù)進行采集并加以分析，從而實時地了解工廠的運作情況，通過執(zhí)行器對機器運作進行控制。在產品服務階段，采集機器使用數(shù)據(jù)，從而更好地了解機器被使用的情況，以便安排維護服務，改善機器的設計?；ヂ?lián)網技術、物聯(lián)網、云計算、大數(shù)據(jù)和人工智能的進步對制造業(yè)產生了深遠影響。收集到的大數(shù)據(jù)越來越多，進而為傳統(tǒng)的制造模式往智能制造轉型提供了一個巨大的機會。這使得企業(yè)能夠采用數(shù)據(jù)驅動的戰(zhàn)略，從而提高自己的競爭力。4三、工業(yè)大數(shù)據(jù)建模什么是設備預測維護？設備預測維護，是基于狀態(tài)的維護，也稱為CBM（ConditionBasedMaintenance）。利用傳感器從設備端采集數(shù)據(jù)，再利用計算機對采集到的數(shù)據(jù)進行智能分析，判斷設備當前健康狀態(tài)，對設備健康狀態(tài)進行預測后提前采取相應的維護措施，可實現(xiàn)設備的零故障運行。例：某鋼鐵企業(yè)的液壓系統(tǒng)設備監(jiān)控設置設備在線監(jiān)測的測點5三、工業(yè)大數(shù)據(jù)建模什么是設備健康狀態(tài)評估？設備健康狀態(tài)評估

通過采集設備傳感器的歷史數(shù)據(jù)并進行分析，了解運行設備的健康狀態(tài)及穩(wěn)定性趨勢，及時發(fā)現(xiàn)設備的異常狀態(tài)或故障征兆。對設備定時進行狀態(tài)評估，保障設備的可用性，減少非計劃性停機率，可以提高安全生產水平和降低停機損失；間接判斷設備老化程度以及維修的緊迫性，為設備預測維護提供重要依據(jù)；對比設備操作歷史，發(fā)現(xiàn)影響設備壽命的非合理性操作等因素；發(fā)現(xiàn)設備生產過程與設備質量的關聯(lián)因素，為優(yōu)化生產過程控制提高重要依據(jù)。。作用6三、工業(yè)大數(shù)據(jù)建模設備健康指數(shù)計算設備健康指數(shù)

設備在生產運行中保持特定性能的滿足程度。一般地，設備健康指數(shù)用介于0和1之間的數(shù)值表示，那么1代表最佳狀態(tài)，0代表完全失效狀態(tài)。當實測值小于標準值時：健康指數(shù)=（實測值-最小值）/（標準值-最小值）

當實測值大于標準時時：健康指數(shù)=（最大值-實測值）/（最大值-標準值）健康指數(shù)計算例，一臺扭矩機的扭矩標準值是180，閾值范圍是[120，220]，某時刻實測得到該扭矩機的扭矩值是140，則該設備在該時刻的健康度是：扭矩健康指數(shù)=(140-120)/(180-120)=0.337三、工業(yè)大數(shù)據(jù)建模設備多特征的健康指數(shù)計算特征標準值閾值范圍權重實測值健康指數(shù)扭矩（牛米）1.81~2.40.251.50.625角度（度）4535~550.30500.5轉速（轉/分鐘）300250~3400.153200.5擰緊時間（秒）105~150.20140.2噪音（分貝）50不大于600.10550.5設備健康指數(shù)0.47125例，某擰緊機設備的健康指數(shù)計算結果

8三、工業(yè)大數(shù)據(jù)建模根據(jù)健康指數(shù)劃分健康等級健康等級劃分健康指數(shù)取值范圍健康狀態(tài)描述一級：健康0.85-1.0健康狀態(tài)非常好二級：比較健康0.65-0.85健康狀態(tài)良好，適合長期運行三級：亞健康0.45-0.65出現(xiàn)異常征兆，不適合長期運行四級：不健康(輕微故障)0.35-0.45出現(xiàn)較為嚴重的異常征兆，應采取調整措施五級：病態(tài)（故障）0.20-0.35出現(xiàn)嚴重的異常征兆，應在短時間內停機檢修六級：嚴重病態(tài)（嚴重故障）0-0.25不能運行，應立即停機檢修設備健康狀態(tài)可以劃分為健康、比較健康、亞健康、不健康、病態(tài)、嚴重病態(tài)等多個等級?？梢詤⒄沼嬎阍O備健康指數(shù)的大小將健康等級與指數(shù)對應。以扭矩機的健康狀態(tài)評估為例，將健康等級劃分為6級9三、工業(yè)大數(shù)據(jù)建模了解風力發(fā)電行業(yè)對大數(shù)據(jù)的應用需求風力發(fā)電機各部件主要通過螺栓連接，每個葉片根部均有50個螺栓固定，因為風機的變槳操作、螺栓零件的自然老化或葉片受到過大應力等因素，葉根螺栓會產生斷裂甚至脫落的情形。葉根螺栓的斷裂可能導致螺栓脫落掉進風機機艙，造成風機機艙內部機組的損壞，且當一個螺栓出現(xiàn)問題，很容易造成其他螺栓接連斷裂，最終將造成葉片掉落，甚至倒塌的嚴重后果。痛點：風場通常設置在如山區(qū)、草原、海邊或者離岸等偏遠的地區(qū)，且一個風場通常由數(shù)十臺風機組成，對逐個風機進行高頻率的人工排查非常耗費人力及時間成本。特定期的巡檢并不能及時發(fā)現(xiàn)，往往在出現(xiàn)嚴重故障后才會發(fā)現(xiàn)。如何能及時發(fā)現(xiàn)螺栓斷裂避免后續(xù)嚴重故障發(fā)生，是該風電企業(yè)急需解決的問題。10三、工業(yè)大數(shù)據(jù)建模風力發(fā)電機大數(shù)據(jù)應用平臺該平臺基于大數(shù)據(jù)的機器學習技術，可從眾多的風機周邊傳感器數(shù)據(jù)指標中篩選出相關變量，建立風機正常和異常運轉模型，確定螺栓斷裂發(fā)生的時間段，再通過對分類算法閾值的不斷學習，逐步找到精準的斷裂發(fā)生時間點，進而實現(xiàn)對螺栓斷裂的精準檢測。11三、工業(yè)大數(shù)據(jù)建模平臺應用示例風電發(fā)電機故障檢測數(shù)據(jù)2020年5月15日至6月15日的數(shù)據(jù)，各種傳感器數(shù)據(jù)，如風機轉速、傾角、風速、方向等參數(shù)。無法直觀的看出葉根螺栓是否存在斷裂的問題。風電發(fā)電機故障檢測分析結果12三、工業(yè)大數(shù)據(jù)建模了解汽車整車生產行業(yè)對大數(shù)據(jù)應用的需求痛點：在沖壓生產試制過程中，影響側圍在拉伸工序中產生局部開裂的因素很多，如設備性能、模具狀態(tài)、板材性能等，調整參數(shù)與反復試制的方法，具有一定的盲目性，成本大、效率低。在沖壓生產過程中，部分側圍在拉伸工序中易產生局部開裂現(xiàn)象，需反復進行參數(shù)調整與試制；在生產線線尾，需配備大量質檢人員進行沖壓件表面缺陷人工檢測。沖壓產線線尾現(xiàn)有檢測方式為人工手動檢測，需在有限生產節(jié)拍時間內，快速分揀出帶有開裂、刮傷、滑移線、凹凸包等表面缺陷的沖壓件，檢測標準不統(tǒng)一、穩(wěn)定性不高、質檢數(shù)據(jù)難以有效量化和存儲，不利于企業(yè)數(shù)據(jù)資源收集、質量問題分析與追溯。影響因素多、數(shù)據(jù)形式差異大，且分布在車間不同業(yè)務系統(tǒng)中，既有設備實時性數(shù)據(jù)，又有非結構化的圖像數(shù)據(jù)，對數(shù)據(jù)采集、管理與存儲的要求極高。13三、工業(yè)大數(shù)據(jù)建模了解質量檢測和工藝優(yōu)化平臺基于機器視覺的沖壓件缺陷智能