如今，预测性维护已被普遍接受为一种有效的维护方法，为提高资产可靠性提供数据洞察。机器学习(ML)是人工智能(AI)技术的一个子集，它在预测性维护方面表现出了优势，目前已被工业运营商采用。本文探讨了机器学习预测维护的含义，以及两家不同的运营商如何部署该技术，评估其资产健康监测和泵预测维护的能力。BETVICTOR体育官网
什么是基于机器学习的预测性维护?
基于机器学习的预测性维护使用设备传感器数据、高级分析和机器学习来检测异常并使用风险和/或临界性方法预测故障，以便维护团队能够做出明智的维护计划决策或早期干预以减轻故障。该方法持续学习和研究导致异常和故障的模式，当设备的运行范围偏离预期标准时主动提醒团队，目标是减少计划外停机时间，提高资产可用性和性能。
机器学习预测维护不同于基于规则的预测维护，后者使用设备传感器数据、状态监测和预定义的阈值限制来预测何时需要维护。基于规则的预测性维护的挑战在于，只有大约20%的异常符合预期的故障模式，限制了其有效性。预定义的阈值限制可能导致较高的警报率，其中一些是误报，占用了宝贵的资源。通常，对于准确的警报，通常只在故障发生之前超过阈值，从而限制了早期干预的能力。
煤电机组的ML预测维护
下面的案例研究是由一家人工智能公司及其客户进行的——一家位于澳大利亚的200兆瓦燃煤电厂。这项研究的目的是评估他们的机器学习能力，对包括锅炉泵在内的关键资产进行资产健康监测和预测性维护。BETVICTOR体育官网锅炉给水泵是一项至关重要的资产，因为它将水送入锅炉。
建立ML模型来监测泵的健康状况，其中包括与泵和电机轴承温度相对应的所有关键传感器标签的实时和历史数据，如从动端(DE)轴承温度、非从动端(NDE)轴承温度、电机DE轴承温度、电机NDE轴承温度和泵流量。模型在健康运行的一段时间内(没有跳闸或故障)进行训练，并使用实时输入数据投入生产，使模型能够预测资产的关键参数，并观察是否有可能识别资产性能和正常运行的健康退化。
模型检测到并提醒团队从4月3日开始濒死体验温度逐渐升高(DNA图中红色的增加意味着实际温度相对于人工智能预测的温度升高)。但是，泵吸入流量模型也表现出明显的偏离状态变化趋势，从4月2日的黄色变为4月3日的红色，即泵流量开始与模型预测相反下降，直至无损检验轴承失效。轴承故障可能是轴位移状态改变的结果，反之亦然。这可能会潜在地导致泵曲线的变化，从而导致流量下降，以及摩擦力的增加，以及轴与DE和NDE轴承座的可能接触，从而导致NDE轴承的温度升高，最终导致故障。
图1注意事项:
模型可视化，使用DNA图和详细的偏差图清楚地显示不良和异常操作趋势。与ML预测值相比，DNA图中的颜色代码显示红色表示流速下降，深蓝色表示流速增加超过5%。与ML预测值相比，所有温度升高超过5%，红色表示升高，深蓝色表示下降。通过从泵健康模型中获得的信息，客户能够及时做出反应，确保后续泵的可用性，从而减少停机时间。由于预测故障和部署备用泵，估计节省的费用为150 000美元。
石油和天然气FPSO生产水泵ML预测维护
下面的案例研究是由一家AI公司及其客户进行的，该客户是位于北海的石油和天然气浮式生产储卸(FPSO)。这项研究的目的是评估他们的机器学习能力，以解决影响生产的旋转设备的特定可靠性问题。
ML模型使用来自3万多个传感器标签的两年历史数据构建，并将模型与实时流数据一起投入生产，为主要旋转设备(包括生产水泵)生成预测性资产健康仪表板。BETVICTOR体育官网在无损检测轴承温度和压力(图2)方面，生产水泵的模型显示出与正常运行条件的显著偏差，从而通知操作团队无损检测机械密封泄漏。
ML模型提前5天成功地识别了该泵的第一个故障——机械密封故障。可靠性团队能够在机械密封失效之前安排更换泵，确保产出水系统能够继续运行，避免了整个工厂的关闭。经过调查，他们确认泵的DE轴承有润滑油泄漏的问题。仪表盘显示温度下降，伴随着压力下降，这意味着润滑油泄漏并进入外部表面
导致温度下降。
该客户证实，如果及早发现，每次事故可节省3万英镑(GBP)的维修费用。如果没有及时发现，最终用户可以主动计划对泵的维护，从而可以节省50万至100万英镑(按产量计算)。
这些例子表明，机器学习模型能够准确预测资产退化和资产故障。机器学习模型提供的预测不受预定义阈值或偏差的限制。提前预警对发电和油气可靠性团队都有好处，他们有时间优势来计划必要的干预措施，以确保生产的持续进行。