AI+工业设备预测性维护解决方案（34页 PPT）

微信扫码，打开到小程序

图形 1 AI+ 设备（预测性维护）方案 图形 1 背景 加入星球获取更多更全的数智化解决方案 预测性维护是工业大数据和人工智能结合落地的重要应用场景 ，为企业带来多方 面效益 预测性维护（ Predictive Maintenance ，简称 PDM ）是以设备状态为依据的新兴的维护方式 ，在设备运行时对其主要部位进行周期性 或 持续监测 ，判定其所处的状态 ，预测状态未来的发展趋势 ，并依据该状态发展趋势和可能的故障模式 ，预先制定维修计划 ，确定机器应该修 理的时间、 内容、方式。预测性维护可以为企业带来以下效益： ☐ 降低维保成本 ☐ 延长设备寿命 ☐ 提高设备使用率 ☐ 减少库存成本 ☐ 提升生产安全 维护触发点 固定周期，不考虑设备实际 状态，可能带来过度维护 必要时，预留足够应对时间 给一线人员在故障前做出应对 维护方式 根据零部件的平均损坏率进行维护， 不考虑实际运行状态 根据设备的实际运行状态 决定维护方式及关注点 维护成本 维护成本高， 停机停产时间较长 维护成本低， 停机停产时间较短 使用场景 无法准确获得单体 设备运行状态时 单体设备状态可获知时 预测性维护与预防性维护虽然只有一字 之差 ，在理念上却截然不同。预防性维 护不考虑系统设备当前的运行状态和健 康状态 ，是按照已经安排好的时间来完 成计划内的维护工作 ，会引起过度维护 和维护不足的问题。 两种方式的特点对 比见右表。 方式 预防性维护 预测性维护 综合 Gartner 、 IDC 、 Machina Research 、 思科、贝恩等多方分析数据来看 ，工业物联网在 整个 IoT 领域势必会占到很大的份额 ，到 2021 年 整个市场规模有望达到 2000 亿美元 。据 GSMA 智库预测 ，到 2025 年全球的工业物联 网 (IIoT) 连 接数将达到 138 亿 ，其中中国地区 的连接数约为 41 亿 ，约占全球市场份额的三分 之一。 预测性维护是工业大数据和人工智能结 合落 地的重要应用场景。在《 2019-2024 年预测维 护 市场报告》 中 ， IoT Analytics 公司预计 ， 2018 年全球预测维护市场规模达 33 亿美元 ， 预计到 2024 年 ，其复合年增长率将超过 39% ，达到 235 亿美元。 市场前景：复合年增长率将超过 39% ， 2024 年全球市场达到 235 亿美 元 维护模式迭代 预测性维护 评估预测设备状态，按需维护 （依靠传感器） 最经济的维护 预防性维护 遵从操作手册（凭经验） 有计划无目标 事后维护 故障发生后 最昂贵的维护 事后维修比事前预防的成本高约 50% 以 上 状态监测 健康评估 异常监测 故障预测 故障诊断 维修决策 图形 1 解决方案 解决思路 将数据和知识库进行深入融合，构建 AI 模型库： 如整合设备传感器数据与知识库中的故障案例，预测 剩余使用寿命（如“轴承预计 48 小时内需更换”）。  对海量数据进行 全面深度分析；  精准预测。 AI 模型库的构建 AI 应用的价值 解决思路 振动 电流 压力 转速 前端智能传感器 + 云端智能运维算法 + 平台（手机 / 网页）展示界面 AI+ 在工业的应用——产品 知识经验库 AI+ 工艺优化 AI+ 质量 AI+ 设备 智能体  构建包含传感器数据、机理模型 和专家知识的三维知识库；  避免经验流失；  加速新员工培养与标准化落地；  动态检索，保证信息时效性。  跨系统的数据整合；  实时监测；  精准识别隐性异常 和波动预警。 挖掘最优的参数组合 AI 预测 + 行动力：  感知环境；  采取行动；  实现特定目标。 对设备实现预测性维护 AI+ 设备管理（预测性维护） 基于设备运行状态——实时监测与数据分析的主动维护策略：  持续采集设备运行参数（如振动、温度、电流等）；  利用机器学习或物理模型预测设备劣化趋势；  在故障发生前，精准定位风险点并制定干预计划。 全面设备管理体系的三类方式比较 模式 特点 事后维护 " 不坏不修，坏了才修 " ，缺乏事前准备，易导致停工时间延长并扰乱生产计划。 预防性维护 按照计划定期维护，如按时间或运行小时数。可能导致设备在状态良好时被过度 维护，或在下次维护周期前意外损坏。 预测性维护 在“恰当的时间”进行维护：最大化设备正常运行时间、降低维护成本、延长设备 寿命、提高生产效率和产品质量、提升能源效率。 AI+ 设备管理（预测性维护）技术架构 实验设备 现场设备 故障 诊断 维修优化 & 健康管理 运维人员 查看设备运行情况 安排维护计划设备检修 云端 传感器数据实时发 送到云端 算法 监测 信号 状态 监测 健康 评估 寿命 预测 大数据 治理 AI+ 设备管理（预测性维护）——产品清单 基 础 模 块 开发平台 实 时 监 测 和 预 警 具 体 应 用 设备台账 设备运维 备品备件 管理 设备状态 检测分析 智能异常诊断 趋势分析预警 AI 知识库 智能设备维修 智能点检保养 关键部件预测性维护 基于 DeepSeeK 的 知识问答与故障诊断 AI+ 设备管理（预测性维护）——产品矩阵 无线检测分析系列 测试测量系列 IEPE 系列 动态信号分析仪 硬件 工业设备云监测平台 设备健康数据分析软件 振动测试和诊断分析软件 移动智能终端分析软件 软件 教学实验平台 机械故障模拟实验平台 加速寿命预测实验平台 其他定制实验平台 实验平台 数据治理 动态监测算法 智能诊断算法 寿命预测算法 库存优化算法 PHM 算法 无线传输系列 边缘采集系列 智能监测系列 AI+ 设备管理（预测性维护）——知识库简介 SPC FMEA MSA DOE AI 知识引 擎 标准规范库 (ISO/SOP) 专家经验库 ( 工艺秘笈 / 决策逻辑 ) 案例库 ( 历史问题 + 解决方案 ) 智能应用 内容解读 LLM 智能问答 报告生产 .... 从业务一线提取经验，构建知识库；又通过智能问答系统，支撑业务一线实现组织知识的复用。 数据采集及预处理 知识库的构建 模型部署 应用 模型再优化 • 产品研发设计知 识经验库：将知 识和经验结构化 数字化； • 生产过程知识经 验库：沉淀工艺 参数、异常处理 经验、改进措施 等； • 智能体问答：通 过 LLM 整合研 发设计和生产过 程的知识库，为 工程师提供实时、 精准的智能问答 支持，辅助快速 决策。 1 2 3 4 5 AI+ 设备管理（预测性维护）——项目基本流程 • 传感器数据：振动、温度、 电流 / 电压、声学、压 力 / 流量 / 液位、光学等传 感器数据实时采集； • 跨系统数据： ERP 、 MES 、 WMS 、 PL M 、 SCM 等相关系统数据； • 其他数据： 结合设备的历 史维护记录、故障日志、 生产运行数据、环境数据、 供应商数据、外部专家库 等数据。 • 异常检测 • 故障模式识别 • 剩余使用寿命预 测 • 机器深度学习 • 统计分析 • 预测与预警 • 数据质量、规模不断提 高； • 新的算法架构不断探索， 以提高模型的性能和效 率； • 新的故障案例触发模型 再训练和优化。 试用的推广模式： AI+ 设备 / 质量和 DEEPSEEK 标准版系统，先在工厂的单工序和单设备进 行试用，初步探索应用效果。 • 将数据处理能 力部署在靠近 数据源头的网 络边缘，实时 感知生产异常； • 把模型一键部 署至网络节点， 将 AI 能力带到 边缘处； • 将本地安全策 略带到边缘处。 AI+ 设备管理（预测性维护）——数据分析与建模的应用内容 模块 内容 异常检测 实时识别设备运行数据与正常模式的偏差。 故障模式识别 识别特定的数据模式，将其与已知的故障类型相关联。 剩余使用寿命预测 预测设备或部件在何时可能失效。 机器 / 深度学习 预测性维护的核心技术。通过对历史数据（包括正常运行数据和故障数 据）进行训练，构建预测模型。 预测与预警 当模型预测到设备可能在未来某个时间点发生故障，或检测到异常情况 时，系统会立即发出预警。 预警信息 包含故障类型、可能的原因、建议的维护措施以及预计的故障时间。 AI+ 设备管理（预测性维护）——设备 + 工艺数采的方式 协议数据 传感数据  通常在设备控制器中  一般只需低频采集  蕴含大部分工艺数据（设计及实际 数据），通常与制造 过程效率密切 相关  容易实施采集  设备控制器中不含该类数据  一般需要高频采集  蕴含设备的性能表现，与制造过 程的质量密切相关  不太容易实施采集 设备数据 说明 ① 震动、温度等信号，一 般从设备的控制程序采 集（设备基本都具备）； ② 如果无法直采，采用安 装传感器方式：如磁性 传感器，吸住设备的某 个部位即可采集，无需 改动设备本体。 AI+ 设备管理（预测性维护）——协议数据采集（举例） 通过通讯协议从设备控制系统获取相应的数据值。 数控系统（ CNC ） 例如：发那科、西门子、三菱、海德汉、发格、马扎克、牧野、华 中数 控、广州数控、北京金雕、…… 可编程逻辑控制器（ PLC ） 例如：西门子、倍福、三菱、欧姆龙、松下、安川、永宏、…… 工业机器人控制器 例如：发那科、 ABB 、 COMAU （柯马）、安川、…… 专用控制器 例如：贴片、注塑等行业使用的设备，通常是使用专用运动控制卡 AI+ 设备管理（预测性维护）——三轴加速度温振一体传感器（锂电子龙头案例举例） 案例简介 在 1200L 搅拌机、 650L 搅拌机、 高速制浆机等 12 台设备的主轴上，安 装了磁吸式传感器（根据客户需求，个 性化定制），每台四个，共计 48 个传 感器。 所有传感器 都可改成磁吸式传感器： 内置强力磁铁可轻松吸附在各种金属表面， 实现非接触式信号监测。 • 结合了传统传感器的精准测量能力和磁吸 安装的便捷性（安装和拆卸过程仅需几秒 钟），提高了工作效率并降低了安装成本； • 相比传统需要钻孔或粘贴安装的传感器， 磁吸式设计无需破坏被测物体表面； 安装位置简图（普通 1200L 搅拌 机） 安装位置简图（高速制浆 机） AI+ 设备管理（预测性维护）——传感器安装位置简图 模式 1 （定制化的 AI 传感器） • 一些算法从应用处理器转移到传感器 中运行，从而持续降低功耗； • 传感器本身实现数据的部分处理，降 低了数据外泄的可能性； • 自带数据清洗功能，对服务器要求低。 模式 2 （常规传感器） • 不带数据清洗功能（在系统中完成 数据清洗工作）； • 对服务器要求高，可能需要专业的 算力服务器。 项目 数据类型 设备 运行状态 工作时间 维修记录 保养记录 电流 电压 易损件记录 关键参数 设备运行机理 质量 检测数据 质量体系标准 缺陷数据 质量标准数据 关键参数 生产数据 物料数据 批次 半成品数据 成品数据 生产周期 环境数据 温度 湿度 气压 AI+ 设备管理（预测性维护）——基础数据 云计算 工业物联网 (IIoT) 大数据技术 边缘计算 • 为物理设备创建虚拟模型， • 通过实时数据映射，模拟设备运行状态， • 进行更精准的预测和仿真。 数字孪生 AI+ 设备管理（预测性维护）——基础 技术 • 数据采集的基础设施 ; • 实现设备、传感器、控制系统之间的互联互通。 • 存储和处理海量的设备运行数据。 • 在靠近设备端进行初步数据处理和分析 ; • 减少网络延迟，提高响应速度。 • 提供强大的存储和计算能力 ; • 支持复杂的模型训练和部署。 人工智能 (AI) / 机器学习 (ML) • 核心算法， • 用于数据模式识别、故障预测和 RUL 评估。 AI+ 设备管理（预测性维护）——综合价值 综合价值 大幅减少因故障导致的停机时间和维修 费用； 减少不必要的维护活动； 有助于企业合理安排生产计划，提高 生产线的稳定性和连续性； 及时发现潜在问题并采取预防性措施。 预警和故障定位 减少维护成本 提供实时机床健康状态信息 持续监测和分析设备状态 通过 AI ，打造预测性维护的“预测”能力： 基于数据科学决策，提前掌握风险，实现“智能预测 + 主动维护”。 图形 1 案例 浙江申轮——减速机基于振动的轴承故障预测（一） 项 目 概 要 项 目 范 围 项 目 价 值 浙江金华 2022 年 浙江申轮 • 单台设备远程监控； • 构建设备全生命周期知识库（行业标准、操作 手册、历史故障案例、智能点检保养等）； • AI 模型构建和自动更新 ; • 实现设备异常的实时监控、精准的预警和故障定位、知 识经验复用，达成“智能预测 + 主动维护”。  知识经验库  数据采集 和预处理  预测性维护  AI 辅助决策 和知识推荐 设备 IOT 平台 生产监控及分析 知识经验库闭环 故障模式识别 剩余寿命预测 维护决策 量化收益 设备综合效率 (OEE) 非计划停机 产能提升 维修成本 业务价值 18% 8%+ 25%+ 健康评分 模型库及自动更新 40% 减少故障停机损失 减少人工巡检工作量 降低维护成本 降低安全风险 浙江申轮——减速机基于振动的轴承故障预测分析（二） 2 ）采购振动传感器与振动分析 软 件 3 ） 振动分析人员定期去现场采 集 5 分钟振动数据 4 ）振动分析人员基于振动数据 进 行简单频谱分析 ， 并由振动分析 人员基于经验对轴承状态进行判 定。 传统方式： 1 ）客户培训振动分析人 员 我们的方案： u 带入模型的数据 时域特征 ：均方根、 峰值、 信号峰度 频域特征： 峰值频率、 平均峰值频 率 直接将原始传感器数据带入模型 u 优化特征和模型： 对传感器数据进行滤波 修改数据切片长度 使用不同的模型 u 选择模型： 是否故障 / 故障类型： 分类模型 距离故障所剩时间： 回归模型 u 判断模型是否达标 分类模型： 认假率和拒真率 回归模型： 均方差 浙江申轮——减速机基于振动的轴承故障预测分析（三） u 采集数据 需要不同状态的传感器数据 ( 如 : 温度、电流、振动 ....) u 模型训练 定义预测的业务目标（剩余寿命 / 故障类型 / 是否故障） u 生产阶段 模型部署后，自动进行设备健康状态的判断 可以设置预警规则 ， 直接将预警结果发送到指定责任人 u 模型更新 可以使用新的测量数据对模型进行更新 ，保证识别的准确率 浙江申轮减速机基于振动的轴承故障预测分析（四） 亿纬锂能—— AI 项目（一） 项 目 概 要 项 目 范 围 项 目 价 值 湖北荆门 2024 年 亿纬锂能 • 生产过程透明化（ SPC 全流程监控）； • 知识经验可关联可沉淀可智能应用； • 生产过程可预测（ AI 驱动优化，实现预测性维护与分析） ; • 实现质量可控、设备预测性维护、工艺优化与知识经验复用， 并达到灯塔工厂标准。  知识经验库  AI+ 质量  AI+ 设备  AI+ 工艺 优化 设备集成 & 互联 生产全流程监控及分析 知识经验库闭环 关键工序 AI 预测 关键工序 AI 工艺调 优 模型库及自动更新 量化收益 设备综合效率 (OEE) AI 快速换型时间 违规操作拦截率 设备运行调优模型 预测准确率 跨工序质量模型 预测准确率 工艺优化 充电能耗节约 业务价值 1) 全链路闭环：研发设计 → SPC 监控→ AI 预测 → 知识沉 淀闭环 →研发改进。 2) 动态优化：过程监控与知识库 实时交互（如新故障案例自动纳 入模型的训练数据）。 3) 一体可视化：从原始数据 （ SPC 图表）到决策建议（ AI 输出）均在同一平台可视化呈现。 12% 4 小时 1 小时内 100% 98%+ 95%+ 30% 亿纬锂能—— AI 项目（二） 帮助企业实现流程更高效、质量更稳定、决策更智能、改进可持续。 指标 改善前 改善后 提升幅度 平均生产周期 10 天 6 天（减少过程中两个检验工序：改善前两个工序分别 需要静置 3 天和 1 天后做检验，改善后提前预测出产品 质量，不需要做检验） 缩短 40% 能源消耗成本 1200 万 900 万（提前预测出产品质量，减少其中一个充电检 验工序，节省不必要的充电能耗成本） 节省 25% 产品不良率 2.5% 0.8% 减少 68% 设备停机时间 每月 10 小时 每月 3 小时 减少 70% 客户投诉率 0.5% 0.12% 下降 76% 亿纬锂能—— AI 项目（三） 宁德时代——搅拌设备过程健康监控 价值： 将 ML 带到边缘处 ，实现生产过 程中的异常模式识别 ， 高效特 征 计算、 设备状态与加工过程 异常 的监控与报警等 挑战： 单台设备边缘端实现高达 10KHz 实时数据采集 ，实时设备状态的 感知判断。 将 ML （ Machine Learning ，机器学习）带到边缘处，实现搅拌设备：搅拌桨 异常监控、刮壁状态监控、轴承健康监控，保障设备生产过程的可靠性与稳定性 。 富士康——刀具健康与过程质量监控 . 对切割过程中造成质量不良、 破损、 断刀、 撞刀等的异常特征数据进行标注、 分类； . 匹配模式识别算法； . 优化模型 ，提高预测准确度； 振动 +AI 诊断、 预测刀具过程状态、 保障过程稳定可 靠 Thanks And Your Slogan Here. 加入星球获取更多更全的数智化解决方案