隨著研究和開發的不斷進步，特別是隨著數據收集機製的能力不斷增長，已經發展出新的智能決策解決方案。這種進步使各個行業能夠適應新的決策技術，例如時間分割、維護管理和性能增強。隨著雲集成解決方案和硬件解決方案的快速發展，機器學習(ML)算法對決策技術產生了切實的影響。此外，采用穩健的管理係統進行維護工作可以減少設備故障和停機期間的不可預測成本。本文探討了預測維護中ML解決方案的發展過程，並強調了在工業部門采用ML解決方案的主要優勢和挑戰。
維護管理方法
在工業部門，管理維修工作主要有三種方法。它們包括:
- Run-to-failure (R2F):這是最傳統的方法，維修工作發生在加工設備或儀器設備的故障檢測。在管理維護工作時，R2F被認為是最簡單的方法。這種方法也是效率最低的，因為與計劃維護工作相比，成本影響和停機時間可能會增加。
- 預防性維修(PvM):該方法根據計劃的進度表管理維護工作，而不是在故障發生時采取行動。盡管PvM可以消除未預料到的故障，但通常應用了不必要的糾正措施，這可能導致資源的無效利用和成本的增加。
- 預見性維護(PdM):如果維護工作是根據使用加工設備或儀器的健康檢查進行的連續監視進行的，則這是最充分的方法。PdM使維護團隊能夠提前預測故障，並允許團隊提前采取糾正措施。
機器學習和預測性維護
PdM中的ML適應可以減輕與維護活動相關的一些挑戰，特別是對於不可預測的故障。因此，值得探索這種集成來優化維護工作，並避免計劃外停機期間的嚴重後果。ML和PdM之間的集成分為兩類:有監督的和無監督的。
Supervised類意味著在係統數據庫中存在可用的故障預測信息，而Unsupervised類則沒有關於維護需求的可用信息。係統數據庫包含處理設備的高級信息，係統利用分組和相關技術來識別處理數據中的特征分組，然後預測理解它的方法。兩個類之間的選擇取決於維護策略的性質。例如，Supervised類可以適用於在兩個維護周期之間預測故障事件的特定應用程序，否則可以采用另一種方法，比如Unsupervised類。
ML中PdM背後的驅動因素是什麼?
許多工業部門正在走向工業革命(IR) 4.0，而物聯網(IoT)被認為是IR 4.0最重要的驅動因素。物聯網使不同機器之間的數據交換能力成為可能，而這些技術在過去並沒有得到很好的探索。物聯網實現了智能傳感器的適應性，可以更有效地查看和分析處理數據。
數據采集為設備運行健康度和儀器設備的未來預測提供了智能網關，是PdM的基本功能之一。ML算法基於曆史信息建立訓練模型，然後對機器進行健康度預測，例如機器故障的可能性。
如何實現ML ?
PdM利用來自機器儀表設備(壓力、溫度等)的數據流機製來確定機器行為中的異常狀態，然後預測在特定時間段內缺陷的可能性。ML建模可以按照以下階段進行:
數據收集
第一階段首先使用智能傳感器從運行機器中可能出現故障的部件(如軸承、轉子等)收集數據。在數據集的幫助下，整個過程可以獲得更好的結果，該數據集演示了機器生命周期中的狀態和行為，並捕獲了潛在的故障。這種方法可以幫助數據科學家開發PdM模型。
數據分析
為了實現更高的精度和更好的數據預測表示，數據流處理與機器處理設置相結合，如設定點、配置和曆史數據。這些細節可以從不同的來源收集，例如，企業管理係統。
數據建模
數據流將進行徹底的分析，以確定依賴關係，並執行與可能的故障跡象相關的技術命題，並為預期的故障創建特定的行為。
數據預測
數據建模提供了一個主要的概念，用於檢測故障，以及構建ML算法作為預測模型的基礎。數據預測包含在最終批準預測模型之前評估故障檢測精度的各種步驟。
在PdM中采用ML的主要優勢是什麼?
在PdM中采用ML解決方案可以為工業部門，特別是石油和天然氣公司帶來顯著的好處，包括:
提高作業設備的可靠性，降低成本費用
ML解決方案為油氣公司提供了智能工具，可用於在故障發生前預估潛在的故障。該特性允許公司為維護工作準備有效的計劃，並根據故障的高可能性優先考慮關鍵設備。因此，公司可以通過基於故障預測的計劃維護優先級來減少不必要的工作，從而減少維護費用。
提高操作設備效率
ML解決方案通過確保更可靠和靈活的操作，最大限度地利用操作設備，提高操作單元的生產率。數據建模可以對作業設備的多個部件進行深度指示，幫助企業維持生產性能，建立提高作業設備壽命的機製。
減少環境影響
ML解決方案可以減少與泄漏檢測相關的環境影響，包括石油和天然氣。采用這種解決方案可以幫助公司在石油化工管道發生泄漏之前就發現潛在的泄漏。
主要的挑戰是什麼?
盡管許多工業部門，如石油和天然氣公司，被認為是最有能力和最成功的在PdM中應用ML解決方案的參與者，但仍有一些挑戰和限製可能會阻止其實施:
將ML解決方案應用於遺留操作設備
工業部門使用控製係統，如分布式控製係統(DCS)和監視控製和數據采集(SCADA)，已經很多年了。大多數傳統操作設備大多連接到內部網絡基礎設施，而不連接到TCP/IP網絡。盡管有一些技術可以用來建立新舊通信協議之間的連接，但完全集成成為工業部門的主要挑戰。
收集足夠數量的數據流
為了保證準確可靠的估計，需要安裝智能傳感器來收集觸發運行設備所需的信息，以建模故障檢測特征。收集足夠數量的信息可能需要很長時間，並且在植入生命周期中有延遲的可能性。
預期網絡覆蓋較弱的中斷
工業部門需要保持強大的網絡覆蓋，特別是對位於網絡覆蓋可能被中斷的偏遠地區的操作設備或單位，這影響了數據流處理的可靠性和準確性。網絡中斷可能會惡化ML算法的整體性能，並可能導致與故障預測相關的誤導性假設。
關於作者:Anwar R. Al-Odail是沙特阿美石油公司控製係統和自動化專家，擁有係統與控製工程學士學位和工學學士學位。Fahad A Al-Amer是沙特阿美石油公司控製係統和自動化集團負責人。