工業領域傳統的故障預警

根據設備運行規律或數據變化趨勢,在設備真正發生故障之前,及時發現設備的異常狀況并進行相關的報警推送,我們把這一過程稱之為故障預警。故障預警的目的在于在發生故障的早期進行設備的及時保養和采取針對性維護策略,將設備的潛在隱患消除。以下幾種是當前主流的故障預警模型:

1、基于專家經驗的預警模型。主要以相關專家、操作人員的積累經驗知識為基礎,定性或定量描述故障過程各設備的故障現象及故障模式。在設備出現異常征兆后通過系統推理、演繹等方式模擬過程專家在監測上的推理能力,從而自動完成設備故障預警。說白了就是把電廠集控規程中“典型事故處理”配上專家的經驗權重,用計算機編程的方式做成系統罷了。

局限性:該類方法無需精確的數學模型,但依賴于經驗知識,主觀性比較大。

2、基于智能硬件分析的故障預警模型。這種預警思路需要在監控的設備上加裝高性能傳感器,通過信號的采集解調分析進行超前預警,常見于轉動機械的振動分析。比如艾默生的“CSI2104”。

局限性:成本較高—需要昂貴的進口傳感器;門檻較高—需要足夠資深的振動分析師。

3、基于報警跳閘限值的故障預警模型。

這種預警模式主要的監控標準是廠家閾值或者行業閾值,在待監控設備參數超限后進行及時的報警或跳閘,保護設備及人身安全。

局限性:故障預警時間處于故障的晚期,大多數無法早期發現,從而造成一定的經濟損失,同時也無法檢測到閾值以內的故障隱患。

基于大數據的故障預警新解

通過上面可以了解到,現在工業領域故障預警總會存在這樣或那樣的缺憾,無法真正意義上滿足企業對故障預警的要求,如何打破這一桎梏。基于大數據的故障預警應運而生,其預警原理是通過大量歷史數據的梳理和分析,將故障發生前的一段時間內所有故障相關影響參數進行趨勢量化處理,打標簽后形成帶有本地特色的故障模型。在工業領域日常生產活動中監測的參數實時對比本地化故障模型,達到觸發條件后進行預警

圖形案例說明:

這是某機組設備發生故障的歷史曲線曲線(圖形下半部)及算法擬合故障概率曲線(圖形上半部)。通過圖形不難看出,在設備故障發生的前4天就能向運行管理人員推送該設備故障預警信息,并隨著時間的延長,故障發生概率逐漸增加。

基于大數據的故障預警與傳統的故障預警相比的優勢:

1、投入成本低,使用門檻低

大多數電廠在轉機振動故障預警監測投入一般都比較大, 而且需要極其深厚的頻譜解調分析功底。但電力企業經濟預算有限,一般人員也沒有頻譜分析功底。大數據故障預警監測的數據源均來自企業現有的數據集成中心,例如sis、DCS等。只需要在軟件處理上做一些接口對接工作,無需購置昂貴的檢測分析儀器,而且分析過程均由機器自動完成,不用人為參與,分析結果實時自動推送。

2、模型通用性強,帶有強烈的企業特色。

目前,監測汽輪軸系狀態的有TDM、BCT101等;監測鍋爐受熱面的有四管泄露監測系統;監測轉機振動的有TSI…每個設備由于其原理及構造的不同都有不同的監測模型,而且都是標準產品。而大數據故障預警系統可用于電廠所有系統各種類型設備的故障模型搭建,而且模型訓練數據均來自企業本身,量身定做故障預警模型,更加貼近企業真實情況。

3、超前預警

在集控室中我們最不愿意聽到的就是事故喇叭的滴滴聲,也不愿意看到報警畫面頻繁報警閃爍。以上情況是因為事故已發生,或者趨勢形成已經達到危害機組的程度,從處理流程和及時性來說應該算事后處理,比較被動,同時對機器安全形成極大隱患。基于大數據的故障預警可及時發現故障/事故的潛伏期,并通過算法擬合成一條概率曲線,進行實時報警推送,超前預警。

大數據故障預警的意義

總的來說,基于大數據的故障預警應用覆蓋面非常廣泛,它的意義在于超前的故障預警提醒企業管理運維人員制定針對性的保養維護策略,將設備的缺陷隱患消除在萌芽狀態,延長設備的使用壽命,真正意義上實現了狀態驅動運維的模式。對于無法避免的故障可以進行及時針對性的事故演練,保證充足的備件調配準備時間,避免人為因素造成二次事故,同時也大大減少因備件因素造成的非計停時間延長情況的發生。

未來與挑戰

基于大數據的故障預警模式被廣泛應用后,你會發現:企業設備故障率明顯下降了;企業基層員工都成為設備故障診斷專家了;電廠鍋爐受熱面泄露故障前10天就預知了;想關注的設備都能進行故障預警了;非計停的緊張感再也沒有了,應對更加從容……在開創大數據故障預警的道路上

Comments are closed.