双吸泵的叶轮实际上由两个背靠背的叶轮组合而成，从叶轮流出的水流汇入一个蜗壳中。双吸泵具有以下特点：一，它相当于两个相同直径的单吸叶轮同时工作，在同样的叶轮外径下流量可增大一倍；二，泵壳水平中开，检查和维修方便；三，双吸泵进出口在同一方向上且垂直于泵轴，利于泵和进出水管的布置与安装；四，双吸泵的叶轮结构对称，没有轴向力，运行较平稳。双吸泵作为离心泵的一种重要形式，因其具有扬程高、流量大等特点，在工程中得到广泛应用。在我国黄河沿线地区提灌泵站流量较大、扬程都较高，大多采用双吸离心泵。今天因大师给大家分享的是某工厂双吸泵轴承故障诊断案例。01 故障诊断因联iPHM智能监测系统于2021年2月2日在该工厂上线，用于对工厂机泵的在线状态监测与预测性维护。当天系统监测到该工厂的双吸泵情况异常，泵驱动端速度、加速度、包络值三个数值都超过了设备状态预警值，其中速度有效值处于高高报状态。图1  iPHM智能监测系统故障告警以下是详细分析呈现。该双吸泵设备参数：电机型号：STA300-4N\4，功率：400KW，转速：1486r/min泵类型：双吸泵；泵两端轴承：6316ZZ因联诊断工程师夏工查看了该设备的数据，发现泵驱动端速度有效值达到9.25mm/s，加速度值达到114.7mm/s2 ，包络值达到132mm/s2 ，均超过了ISO10816振动标准报警值。从图2泵驱动端水平速度频谱图可以看出，频率分量主要表现在低频段，除了转频及其倍频外，还有明显的内圈故障特征频率。图2  泵驱动端水平速度频谱图从图3泵驱动端加速度波形频谱图可以看出，波形上存在明显的转频冲击，频谱上也显示存在内圈故障特征频率。图3  泵驱动端加速度波形频谱图从图4、5泵驱动端水平包络频谱图可以看出，频率中除转频外还存在内圈、外圈故障特征频率。图4  泵驱动端水平包络频谱图图5  泵驱动端水平包络频谱图经分析夏工认为速度、加速度、包络谱上都显示存在轴承内圈故障特征频率，在包络谱上还有外圈故障特征频率；由于故障特征明显且幅值较大，于是夏工建议现场近期进行停机检修，更换泵端轴承 。02 拆机验证2021年2月3日工厂停机检修，对该双吸泵进行维修，拆机后发现泵端轴承损坏，与诊断结论一致。图6  现场验证图更换轴承后重新开机，该双吸泵驱动端水平方向速度有效值、加速度、包络都有明显的下降，在ISO10816标准阈值范围内，设备运行恢复正常。图7  检修后泵驱动端水平振动趋势图

排风机通过给室内或室外排风来达到通风的效果。排风机的工作原理是通过电机带动风机叶轮旋转达到对气体产生吸风或抽风效果。风机由进风口叶轮、外壳、电机等组成，电机将电功率转成机械功率，带动叶轮旋转，叶轮将旋转时的动能移转给气体。排风机一般运行工况为低速排风。但有些工程中其工况为手动低、高速排风。今天因大师给大家分享的是某水泥厂的煤磨排风机电机故障诊断案例。01  故障诊断2018年6月23日，该水泥厂与因联科技合作的iPHM智能监测系统安装部署完成，用来监测水泥厂的设备运行情况。8月30日，因联科技诊断工程师张工通过iPHM智能监测系统发现该水泥厂的1#煤磨排风机电机运行数据异常，电机驱动端加速度峰值达到123m/s2，包络峰值达到158m/s2，均超过报警值。以下是详细分析呈现。该煤磨排风机设备参数：设备位号：1#电机功率：560kW        电机转速：1480r/min  电机轴承：FAG NU330  6330图1 煤磨排风机现场图从电机非驱动端速度谱（图2）可以看出，非驱端水平速度以转频的倍频为主，1X倍频幅值较大，鉴于幅值上涨，建议检查电机风扇。图2  电机非驱动端速度频谱图电机驱动端包络谱（图3）显示，主要存在138.7Hz （与轴承外圈故障频率接近）及其倍频，低频主要为10Hz（与保持架故障频率接近）。图3 电机驱动端包络谱综上所述，分析电机驱动端轴承外圈故障。电机非驱动端频谱图以1X转频为主导，存在不平衡现象。风机两端振动幅值正常，运行趋势平稳，频谱图主要存在转频及倍频，无其它异常频率成分。张工和现场沟通后，双方决定由我司加强关注机组运行情况，若发现振动幅值变大，则通知现场停机检查电机驱动端轴承，重点检查轴承外圈，同时检查电机风扇清洁、完整程度。02  拆机验证2018年11月21日，该水泥厂停机检修，由第三方维修公司对该电机进行维修，现场经过拆机验证，电机散热叶片破损，电机驱动端轴承损伤，与诊断结论一致。图4 第三方出具的维修报告更换原规格叶片，更换前后端轴承（NU330/6330）后，开机振动值大幅下降，电机运行恢复正常。

10月27日，水泥厂对该水泥磨尾排风机进行停机检修。风机停机后，工厂对电机驱动端轴承及轴承压盖进行了详细的检查。 此次检修发现轴承压盖上次涂抹的结构胶已基本完全磨损，轴承外圈没有明显划痕。验证结果与诊断结果一致，于是再次在电机驱动端轴承压盖涂抹结构胶。作为西安因联信息科技有限公司的一名诊断工程师，我长年穿梭于全国各地的工厂，与设备和诊断仪器打交道。和往常一样，这天我和合作的齿轮公司的同事一起来到他们合作的一个水泥厂做设备例行体检，期间我们就在线状态监测系统做了一次交流。得知我是一名诊断工程师，水泥厂的工程师和我说起了近期困扰他们良久的一个问题。他们的一个水泥磨尾排风机在上半年的检修中发现电机驱动端跑外套，于是更换了轴承，并在轴承压盖处涂抹结构胶，之后的运行基本正常。但是近期点检发现该水泥磨尾排风机振动有增大的趋势，怀疑是电机驱动端轴承出现了问题，苦于工厂现场没有频谱分析仪，所以无法判断轴承故障程度。于是我和水泥厂的工程师们一起现场查看了这台水泥磨尾排风机，这台设备由电机和悬臂风机组成，电机参数是ABB AMA 500L6A BAFS 860RPM，转速860RPM，电机NDE的轴承型号是6324/C3，电机DE的轴承型号是6330M/C3。图1 水泥磨尾排风机的设备结构在现场，我使用优感无线智能传感器对该设备进行测量。优感现场测量得出的频谱图（图2和图3）显示，频谱中以转频的倍频为主，谐频丰富，电机驱动端水平方向的速度有效值达到2.84mm/s。速度有效值（mm/s）根据ISO10816标准（Group3_rigid）数值大于2.8，故障等级为高报；数值大于4.5，故障等级为高高报。图2 电机驱动端水平速度时域图图3 电机驱动端水平速度频谱图 于是，我也给出了诊断建议——结论：轴承存在松动，但未跑圈。故障等级：高报。建议：监测运行，关注振动、温度趋势变化；如果振动、温度幅值增大，需停机检修。后续验证：10月27日，水泥厂对该水泥磨尾排风机进行停机检修。风机停机后，工厂对电机驱动端轴承及轴承压盖进行了详细的检查。此次检修发现轴承压盖上次涂抹的结构胶已基本完全磨损，轴承外圈没有明显划痕。验证结果与诊断结果一致，于是再次在电机驱动端轴承压盖涂抹结构胶。图4 现场检修图检修之后，我又用优感无线智能传感器对该设备进行了一次现场测量，测量得出的频谱图（图5和图6）显示，该设备振动已趋于正常，机组可正常运行。图5  检修后电机驱动端水平速度时域图图6 电机驱动端水平速度频谱图 【因联诊断小课堂】                            图7  评判标准  设备状态评价说明 运转正常——指设备的各振动参数符合振动标准ISO10816要求，或者由于结构因素等影响某些参数振动值较高，但故障潜在值不大，经综合分析可以继续运行；高值报警——指设备振动幅值超过高报门限值或存在某些潜在故障，应引起重点关注或进行必要的检查；高高报警——指设备振动幅值超过高高报门限值或已经存在严重故障，应及时安排检修。参数说明速 度——表征振动烈度，反映振动大小，单位：mm/s加速度——表征设备冲击，反映冲击对设备的破坏，单位：m/s²包 络——由加速度细化而来，专门表征轴承类、水力冲击类冲击大小，单位：m/s²

本案例中的磨浆机电机转速为1420RPM，功率1200KW，磨浆机额定转速为467RPM。磨浆机非驱动端的轴承型号为SKF/FAG 23044 CC/W33，磨浆机驱动端的轴承型号为SKF/FAG 6040。1. 设备概述磨浆机由电机、齿轮箱和磨盘组成（图1），其功能是将纸浆纤维切断及分丝帚化。磨浆机机组的功率较大，两磨片之间的啮合间隙直接影响浆料以及纸幅质量。本案例中的磨浆机电机转速为1420RPM，功率1200KW，磨浆机额定转速为467RPM。磨浆机非驱动端的轴承型号为SKF/FAG 23044 CC/W33，磨浆机驱动端的轴承型号为SKF/FAG 6040。图1 磨浆机的结构2. 故障分析根据因联的无线智能传感器INL3301监测到的数据，该磨浆机在停机检修前一个月的非驱动端水平速度有效值振动幅值逐渐增大（图2），速度有效值超过1.69 mm/s。磨浆机非驱动端速度时域波形图存在以2x转频为间隔的冲击（图3），速度有效值最大已经超过4.22 mm/s。根据ISO10816标准（Group3_rigid）速度有效值（mm/s）大于2.8为高报，大于4.1为高高报。因此可以判断，设备出现了故障。图2磨浆机非驱动端水平速度有效值趋势图图3磨浆机非驱动端速度时域波形图确定了设备出现故障，我们对磨盘的非驱动轴承监测数据进行进一步分析。数据显示，磨浆机非驱动端水平速度谱存在106.88HZ（14.25x）及其倍频（图4），存在7.5Hz的边频带（转频）（图5），与非驱动端轴承SKF/FAG 23044 CC/W33的内圈故障频率接近。图6磨浆机非驱动端水平包络趋势图呈上升趋势，振动幅值逐渐增大。图7磨浆机非驱动端包络谱存在106.88Hz及其倍频。分析得出结论是磨浆机非驱动端轴承存在内圈故障，等级为高高报。建议用户加强点检，密切关注振动变化趋势，如有停机，检查磨浆机非驱动端轴承。图4磨浆机非驱动端速度频谱图图5磨浆机非驱动端速度频谱局部放大图图6磨浆机非驱动端水平包络趋势图图7磨浆机非驱动端包络谱3. 故障验证现场对机组进行拆解，发现磨浆机刀盘侧轴承内圈多处呈现腐蚀凹陷和点蚀剥落的现象（图8），所以设备在运行时会产生不正常的冲击，验证了我们之前诊断分析结论。图8 磨浆机刀盘侧轴承内圈检修完成后，造纸厂更换了这台设备的非驱动轴承，机组回装完成后，磨浆机非驱动端速度波形图整体振动幅值很小（图9），磨浆机振动幅值回归正常水平（图10）。图9磨浆机非驱动端速度波形图(检修后)图10 磨浆机维修前后对比

1）安全：预测性维护的介入时间点是设备和系统参数在达到临界点之前，所以它能够有效防止实际故障的发生，安全性因此大幅度提升。2）提升保养有效性从而降低成本：整体而言，预测性维护能够增加两次有效维护/更换之间的时间间隔。周期的延长减少了保养次数，当然降低了成本还同时减少了设备和系统的停机维护时间，因为所有需要维修/更换的部件都可以提前准备好。3）提升生产效率和质量：由于关键节点的参数和趋势都可以被实时了解，就可以采取一些针对性的行动来调整设备或系统的运行状态与负荷，从而寻找到产能、质量与损耗三者的平衡点。4）改善设计和制造：大量针对关键部件的参数运行趋势采集可以很方便的找到设备或系统中的短板部件，从而为研发制造部门提供了采取行动进行改善的关键信息和依据。5）提高客户满意度：安全性的提高、停机保养次数降低、等待时间减少以及更具竞争力的价格，毫无疑问这些客户最关心的问题得到了实现，其满意度当然大大提升。6）提升员工满意度：使更高效和方便的保养计划编制成为可能，减轻了保养经理或规划人员的工作负担和压力。同时，一线员工每一次前往现场的工作目的明确并确实解决问题，使其工作更有成就感。转载说明：以上内容来自上海产业研究院2018年发布的预测性维护白皮书。 

提升泵适用于化工、石油、制药、采矿、造纸工业、水泥厂、炼钢厂、电厂、煤加工工业，以及城市污水处理厂排水系统、市政工程、建筑工地等行业输送带颗粒的污水、污物，也可用于抽送清水及带腐蚀性介质。今天因大师给大家分享的是来自于国内某石化集团旗下一个水厂车间提升泵轴承故障的诊断案例。01 设备告警2021年11月2日，因联设备健康智能运维iPHM系统在该水厂上线，开始对工厂关键生产设备进行实时在线监测、智能预警、智能诊断与预测性维护。iPHM系统显示，该水厂车间某提升泵运行数据出现异常，从11月4日起，该提升泵非驱动端轴承包络值开始出现波动，11月6日幅值出现明显上升，此后多天系统智能预警也同步推送报警信息。图1 智能预警系统推送报警信息02 故障诊断以下是详细分析呈现。该提升泵基础信息：电机额定功率：75KW 额定转速：990 RPM 轴承型号：SKF 6319/NU319泵类型：立式泵 轴承型号：7320/NJ319经诊断工程师夏工分析认为，该提升泵非驱动端存在轴承故障，速度有效值、加速度值、包络值幅值都有上升趋势，其中包络值幅值较高且上升明显，达到338mm/s²。（图2）图2 泵非驱动端趋势图从泵非驱动端包络频谱图（图3）可以看出，当幅值升高时加速度包络峰值波形上存在明显转频间隔冲击，频谱上出现转频及其倍频。图3 泵非驱动端包络频谱图于是夏工得出结论：泵非驱动端轴承存在松动，“跑圈”情况明显。11月10日，夏工联系现场设备管理人员，告知诊断结论并给出建议——由于幅值不断上升，建议工厂尽快停机检查轴承配合间隙及损伤情况。03 拆机验证11月11日上午，夏工为工厂设备管理人员使用iPHM系统进行培训，期间夏工再次对此台设备进行分析并建议尽早停机。下午，工厂现场进行停机检修。工作人员拆机检查后发现转轴上出现明显损伤。图4 该提升泵轴出现明显损伤通过现场维修后，11月15日，该提升泵再次启机运行，从图5泵非驱动端趋势图可以看出，泵非驱动端各幅值明显下降，数据恢复正常运行。图5 检修后泵非驱动端趋势图

二、概念预测性维护是指在机器运行的时候，对机器主要或需要重点监测的部分进行定期或者连续的状态监测和故障诊断，根据其结果，判断机器设备处于什么状态并预测其未来的发展趋势，再通过预测的发展趋势和可能会出现的故障模式，提前制定维护计划，确定它应该被修理的时间、方式、技术手段和物资要求。预测性维护的概念可划分为狭义和广义。狭义的预测性维护是指以不定期或连续的状态监测结果为基础进行故障诊断，再适时地安排机器维护计划，是集监测、诊断、维修三位一体的一种过程。广义的预测性维护是指一个以状态监测和故障诊断为基础进行状态预测，最终由此决策是否进行维修的系统过程。参考文献：《预测性维护白皮书》—上海产业技术研究院

2021年12月7日，由华为云常州工业互联网创新中心、频率探索智能科技江苏有限公司主办，江苏博昊智能科技有限公司协办的预测性维护 重构工业互联网竞争力主题沙龙成功举办， 来自华为云的专家以及20余家常州工业企业高层、技术骨干共同参会。本次活动围绕预测性维护、工业互联网、企业数字化转型等热点话题展开探讨，通过新技术方案分享和思想碰撞，赋能企业新价值。华为政企常州总经理王存在致辞中表示，三年来创新中心依托华为强大的技术能力和丰富的解决方案，以及常州国家高新区管委会的大力支持。聚焦华为行业生态合作伙伴，为传统企业赋能，提升产业效率。未来将与如频率探索这样的优秀常州本地服务商一起，持续为客户创造价值。作为工业互联网IIoT和边缘计算的重要应用之一，预测性维护的发展和未来颇受关注， 频率探索智能科技江苏有限公司CEO孟力带来“小数据”机理+AI内核的预测性维护的技术分享。他表示预测性维护将为传统制造业提升智能制造水平，助力过程工业全面数字化转型，而频率探索的目标就是让每一台机器工作在最佳状态。随后孟力与华为公司预测性维护算法专家、博士翟卉馨、清华大学机械动力学与故障诊断课题组专家、博士后张飞斌、维尔利环保科技集团股份有限公司董事浦燕新、立达（中国）纺织仪器有限公司产品副总裁朱建青四位嘉宾一起展开关于“预测性维护”的圆桌讨论，共话预测性维护行业现状、技术发展和市场趋势等问题。经过两个多小时的分享交流、思想碰撞，此次沙龙活动在意犹未尽中圆满结束。随着先进制造技术、信息技术与智能化技术的高速发展，工业装备的结构日趋复杂，智能运维已成为当前企业实现信息化建设与数字化转型的重要一环。未来创新中心将继续利用自身优势，为企业发展提供新技术、新方案、新思路。本文转载自公众号：常州工业互联网创新中心。原文链接：预测性维护 重构工业互联网竞争力主题沙龙圆满举行

12月7日，由华为云常州工业互联网创新中心、频率探索智能科技江苏有限公司主办，江苏博昊智能科技有限公司协办的预测性维护 重构工业互联网竞争力主题沙龙成功举办， 来自华为云的专家以及20余家常州工业企业高层、技术骨干共同参会。本次活动围绕预测性维护、工业互联网、企业数字化转型等热点话题展开探讨，通过新技术方案分享和思想碰撞，赋能企业新价值。华为政企常州总经理王存在致辞中表示，三年来创新中心依托华为强大的技术能力和丰富的解决方案，以及常州国家高新区管委会的大力支持。聚焦华为行业生态合作伙伴，为传统企业赋能，提升产业效率。未来将与如频率探索这样的优秀常州本地服务商一起，持续为客户创造价值。作为工业互联网IIoT和边缘计算的重要应用之一，预测性维护的发展和未来颇受关注， 频率探索智能科技江苏有限公司CEO孟力带来“小数据”机理+AI内核的预测性维护的技术分享。他表示预测性维护将为传统制造业提升智能制造水平，助力过程工业全面数字化转型，而频率探索的目标就是让每一台机器工作在最佳状态。随后孟力与华为公司预测性维护算法专家、博士翟卉馨、清华大学机械动力学与故障诊断课题组专家、博士后张飞斌、维尔利环保科技集团股份有限公司董事浦燕新、立达（中国）纺织仪器有限公司产品副总裁朱建青四位嘉宾一起展开关于“预测性维护”的圆桌讨论，共话预测性维护行业现状、技术发展和市场趋势等问题。经过两个多小时的分享交流、思想碰撞，此次沙龙活动在意犹未尽中圆满结束。随着先进制造技术、信息技术与智能化技术的高速发展，工业装备的结构日趋复杂，智能运维已成为当前企业实现信息化建设与数字化转型的重要一环。未来创新中心将继续利用自身优势，为企业发展提供新技术、新方案、新思路。本文转载自公众号：常州工业互联网创新中心。原文链接：预测性维护 重构工业互联网竞争力主题沙龙圆满举行

与故障出现后进行修复相比，预测性维护更加有效，成本也更低。预测性维护可以带来以下优势。避免宕机并提高生产力延长资产的寿命并推迟新采购降低维修成本和复杂性减轻额外损失或相关损失满足法规标准和实现合规性管理备件、材料和库存最终提高盈利几乎在所有资产密集型行业（如石油和天然气、制造或运输），企业都面临着如何在整个资产生命周期中实现资产价值最大化的挑战。而预测性维护可以帮助企业实现资产价值最大化。IBM调研的报告显示：英国智能照明和智能建筑解决方案设计和制造公司 PhotonStar Technology，开发了系统来收集设施和设备度量指标，例如能源使用和建筑物占用，然后对信息进行加密和整合，以供开展云端分析。客户使用仪表板来跟踪效率，创建预测性维护计划并远程监控实时状态。一家日本汽车制造商使用 IoT 对焊接流程行为进行建模。该公司希望确定故障原因，并找到设备故障的主要预测指标。该系统提供了 90% 的故障成功预测率，且无误报；还提前 2 小时预测到了 50% 的故障。由于能够提前预测故障，该公司实现单个故障处理时间缩短 1.5 小时。一家大型飞机制造商正在使用 IoT 来维护精密组装工具的校准，力求提高制造质量。该制造商利用来自车间工具的数据以及设备故障数据，开展预测性质量分析，打造有效的模型来识别可能需要维护的工具。这样，便能够前瞻性地将故障工具从车间拆除，然后对工具进行维护和校准，从而显著改善了制造质量。该解决方案在一年内实现了 100% 的投资回报率 — 通过防止失调工具残留在飞机生产工作流程中，避免了数百万美元的返工和数月的生产延迟。   

一、预测性维护的背景和发展历程当前，新一轮科技革命和产业变革正在兴起，大数据的积累、理论算法的创新、算力的提升及网络设施的演进，推动人工智能发展进入新阶段。人工智能正加快与工业领域渗透融合，带动技术进步、推动产业升级。而预测性维护是工业大数据和人工智能方面的一个重要的应用场景。它针对设备、设施的故障和失效，由被动故障维护到定期检修（人工巡检）再到主动预防，最终到事先预测和综合规划管理的演进中，不断提升、发展。那什么是预测性维护？预测性维护又是怎么发展而来的呢？随着时代的进步，尤其是工业技术的快速发展，企业越来越关心如何才能实现设备价值的最大化。由此设备的维护理论和方法不断地完善、发展，目前被分为三个阶段。如下所示：维护理论发展历程图从图中可看出，最古老的是故障维护，它是指在设备发生故障后进行维修。到20世纪60-70年代，预防性维护被提出，它是通过了解系统或某一部件的平均使用寿命，从而预期该部件即将出现故障的行为。近年来，由于人们对维护工作的期望也变得越来越高，加上物联网、大数据、人工智能等技术的快速发展，预测性维护应运而生。预测性维护是一个对设备和系统持续诊断的过程，通过监测参数变化来了解设备和系统的健康程度，再依据诊断流程在该健康程度低于某临界点时进行干预，也就是介入维护行动，从而来避免出现故障。参考文献：《预测性维护白皮书》—上海产业技术研究院

欢迎体验AI预测预防-智慧天车系统，可通过PC端或手机端进行体验~产品详情：https://gde.huawei.com/#/group/ai_detection/ai_prediction_prevention资产下载：https://store.gde.huawei.com/    一、PC端体验（优化中，敬请期待）         1、访问体验环境，在登录框输入体验账号和密码                 2、点击主页左上角的菜单入口，选择“轴承大屏”                3、进入轴承大屏页面，可查看当前天车轴承状态、预测表现等信息               4、点击图中的一个绿色车轮，可以进入详情页面，查看设备实时运行数据。              二、手机端体验        1、使用手机浏览器扫描下图二维码（不可使用微信扫描），下载并安装“铸造天车”客户端                         2、输入账户/密码:13000000002/wse1q23进行登录。（注：8个零）              3、登录后，可查看天车轴承预警列表、设备监测、报表等详情。（在手机中间往左滑可返回）       如对文档有疑问或建议，请向cmepluspro@huawei.com反馈

根据Aberdeen Group进行的一项调查显示，“同类最佳”公司越来越多地利用物联网（IoT）和大数据来实施预测性维护模型，以解决和改善其最大的运营挑战。 我们发现预测性维护可以： ▲将意外停机时间减少到3.5％▲将整体设备效率提高到89%▲将维护成本降低13％▲将资产回报率提高24％ 任何运行机械的行业——制造、运输、楼宇自动化等，都可以从启用预测性维护中受益。与任何其他维护模式相比，预测性维护的价值在于，它使维护和运营决策者能够在资产（设备）发生影响人员、运营或生产的故障之前预测何时需要干预。预测性维护通过收集和分析各种类型数据，提供最高的资产可见性，以提供以下好处： ▲确定关键预测因素并确定结果的可能性。▲通过应用可测量的实时和历史数据来优化决策。▲规划、预算和安排维护维修，合理、及时替换和备件库存。 我们建议遵循以下六个步骤来实现预测性维护： ▲建立预测性维护的业务案例：为成功实现预测性维护，重点应放在影响运营和生产以及管理风险的独特问题上，而且了解企业关注的指标以及需要改进的指标非常重要。考虑以下问题以确定预测性维护项目的关键目标并确保成功： 1、如何将数据驱动的决策集成到现有维护实践中？2、设备故障将如何影响人员、运营或生产成本？停机成本是多少？3、哪些关键设备可能会故障？何时故障？以及为什么会故障？ ▲识别数据源并确定其优先级：资产连网的增加和智能设备的使用可能会产生了大量数据。不需要也不建议处理所有这些数据，相反，开始预测单个设备的故障，重点关注与其具体相关的可用现有数据。 ▲收集选定的数据：选定的数据可能位于不同的位置，从网络边缘的设备到服务器机房，再到企业云，包括传感器、仪表、企业资产管理系统以及监控和数据采集系统。理想的预测性维护解决方案应该足够灵活，使您能够从所有这些数据源中收集信息，以学习并不断做出更好、更明智的商业决策。 ▲确定在哪里执行分析：根据您的具体操作建立高级分析基础。例如，可以平衡边缘(或本地)和云分析，以减轻云部署中易损预测性维护数据的传输负担。分布式方法使您能够在边缘监测和响应本地事件，并立即对流式数据采取行动，同时在云中集成其他数据源。 ▲组合并分析数据以获得精准洞察力：首先分析可用数据以定义机器正常运行的参数。这使得能够通过状态监视来创建规则，以分析直接来自机器传感器的实时数据。借助网关等边缘计算设备，分析可以尽可能靠近机器进行，使用本地I/O从工业设备收集数据，并能够在恶劣环境中运行。在分析实时数据后，添加历史和第三方数据（如可靠性模型和日志），以发现与实时数据规则生成的异常之间的相关性、模式和趋势，以指示潜在故障。这些模式可用于进一步优化您的规则并实时提供可操作的洞察力。 ▲采取行动：通过单个管理平台将所有资产（设备）的综合风险评估整合到您的运营中，将洞察力转化为行动。例如，当发现潜在问题时，边缘计算设备可以触发一个事件，允许您向相关方发出自动警报，例如位置、估计的替换零部件和建议的纠正措施，以避免灾难性事件。然后，通过从替换零件中获取磨损特征数据，您可以不断优化预测性模型并从性能洞察中学习。最后，探索预测性维护数据的其他用途，例如自动化监测报告和增强对零部件供应商的评估。转载https://www.iothome.com/tech/industrialtech/2019/0106/9788.html

华为云机器学习服务（MLS）预测性维护解决方案介绍尊敬的华为云客户：       华为云机器学习服务（Machine Learning Service，简称MLS）的解决方案视频上线啦！更多视觉体验请您点击以下图片了解详情。感谢您对华为云的支持！

1 目的使用机器学习的一键式预测性维护模板，预测设备剩余使用寿命，提前采取维护措施，消除安全隐患。147292 场景描述轴承是飞机发动机动力的来源，其可靠性和长寿命对飞机发动机至关重要。轴承由于长时间运行或者某些异常因素会容易发生故障，会直接影响飞机发动机和飞机正常运行。如果维修不及时，有可能造成安全事故，带来更大的经济损失。现在您可以使用一键式预测性维护模板，预测轴承剩余的使用寿命，为提前制定维护计划提供依据。3 准备工作使用一键式“预测性维护”模板前，只需要完成以下两步准备工作：1）注册华为云账号，并通过实名认证。2）开通机器学习服务权限。4 使用模板4.1 数据理解数据来自于Ames实验室，其提供的轴承全寿命周期数据模拟飞机发动机轴承从正常运行至故障的过程。数据源的具体字段如下表所示：字段名   含义   类型   描述   attr_1   轴承振动加速度值   Real   当前时间点前两个时间点采集的轴承数据   attr_2   轴承振动加速度值   Real   当前时间点前一个时间点采集的轴承数据   attr_3   轴承振动加速度值   Real   当前时间点采集的轴承数据   attr_4   剩余使用寿命   Integer   剩余使用寿命   attr_5   故障标签   Flag   未来短期内是否会出现故障（1为会，0为不会） 4.2 建模首先需要使用历史轴承数据进行建模，建模算法采用回归算法当中的“随机决策森林回归”，然后再对轴承的未来使用寿命进行预测。1）登录MLS实例，单击“PredictiveMaintenance”的 “创建项目”，创建项目，命名为“PredictiveMaintenance”。2）单击“确定”后，打开“train”工作流。147053）单击 14746，运行工作流。4）当“运行日志”显示工作流运行完毕后，右键单击“回归模型评估”，选择““ 输出数据集”数据预览”，可以查看模型的评估结果。回归模型的评估值为MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）。上述3个误差值是指评分真实值与预测值之间的误差，在多次建模的过程中，每一次建模结果都会产生一组误差值，评判一个回归模型好坏的方法就是看这三个误差值是否变小或者变大，误差值越小表示回归模型越好。147074.3 预测1）建模后，单击“随机决策森林回归”节点，右键选择“查看模型”，即可看到树模型。147092）在建模过程中，已经使用模型对轴承进行剩余使用寿命的预测。单击“模型应用”节点，右键选择““输出数据集”数据预览”，出现下图，其中predictioncol列即为预测出来的对应时间点的轴承剩余使用寿命。 例如，第一行（红框）是指当某个时间点采集的3个滑动窗的轴承数据，预测其剩余使用寿命为25.85天。147145 应用得到预测性维护模型后，可用于设备维护检测工作。14716