科技新进展：基于工业互联网平台的重点行业生产设备智能运维系统

一、研究的背景与问题

随着工业物联网的发展，钢铁企业在系统运维中出现诸多问题。设备连接维度存在设备感知手段薄弱、高频数据处理困难、多源多维数据难融合、信息孤岛众多等问题；预警诊断和决策上存在状态识别效率低、诊断准确性差、劣化趋势无法把握、维检决策可靠性低、经验转化知识困难等问题；同类设备、同类产线设备运维对标中存在设备术语不统一、故障描述不一、设备颗粒度不一、设备表征数据无序、数据处理差异大等问题。基于复杂系统可靠性、安全性和经济性的考虑，以预测技术为核心的故障预测和健康管理直接影响着工业生产，已发展为自主式后勤保障系统的重要基础。

工信部、国家发改委等8部门发布的《“十四五”智能制造发展规划》中明确提及“实施大型制造设备健康监测和远程运维，保证流程安全运行；打造全生命周期数据共享平台，实现全产业链优化”，并在工业软件突破提升行动专栏提及“故障预测与健康管理软件（PHM）、运维综合保障管理（MRO）”。智能运维作为一门新兴的、多学科交叉的综合性技术，正在引领全球范围内新一轮制造装备维修保障体制的变革。本项目的开展，具有如下重要意义：（1）落实国家战略部署，打造自主可控产业；（2）强化平台资源利用，构筑运维生态新体系；（3）突破运维关键技术，锻造业务变革新优势；（4）拓展运维应用场景，释放跨行业协同新潜能；（5）促进高端产业发展，培育服务型制造新业态；（6）践行“双碳”绿色转型，开创高效用能新局面。

智能运维能够帮助钢铁企业实现设备的智能化管理和维护。通过传感器、监控设备和物联网技术，可以实时监测和收集设备运行状态数据，进行远程监控和故障预警，及时解决设备故障和维护需求，避免生产线停机和损失。智能运维能够通过数据分析和预测来提高生产计划和调度的准确性。钢铁行业的生产过程复杂且多变，需要进行大量的生产计划和调度工作。通过对历史数据的分析和机器学习算法的应用，可以预测生产需求、优化生产计划，并根据实时数据调整计划，提高资源利用率和生产效率。智能运维能够提供实时的数据监测和分析，帮助企业进行质量控制和风险预防。通过对生产过程中的关键参数和指标进行实时监测和分析，可以及时发现潜在的质量问题和生产风险，采取相应的措施进行调整和改善，确保产品质量和生产安全。

二、解决问题的思路与技术方案

1、总体技术思路

本项目以工业互联网平台为基础，通过边缘侧的物联计算网关和视频计算网关对生产设备运行状态、性能指标、设计制造数据进行全面采集和处理，利用工业物联网平台形成边缘端与云端应用的数据交换通道，对边缘智能端采集的数据进行存储、分发和管理，使用时序数据库进行海量毫秒级数据存储，针对高可用的功能模块和数据内容，提供标准API数据接口，可通过数据服务进行数据发布至算法引擎和人工智能训练推理平台进行数据沉淀和统一管理，并通过算法引擎里面的算子库、算法库、应用库和业务库面对行业的不同需求，通过训练推理平台进行模型的训练和部署，形成设备数据资产中心、数据价值赋能中心、生产设备管理知识库和工业模型管理引擎，通过API接口、预置模型等对外输出算法成果，实现对生产设备故障诊断、寿命预测、健康评估、预警报警、检修维修管理、状态管理、工单管理、统计分析等功能，系统总体架构图如下：

图1钢铁行业智能运维系统总体架构图

2、关键技术

开展面向钢铁行业的智能运维技术攻关，突破多源异构数据感知与处理技术、基于云边协同的机理与AI融合的设备故障诊断模型、基于数据驱动和机理模型的工业多维综合预测性维护技术、基于知识图谱的设备预测性维检技术等关键技术。

（1）面向多行业的多源异构数据感知与处理技术

本项目创造性地提出了一种面向多行业的多源异构数据感知与处理技术，该技术引入了集成了处理非结构化数据的Advanced U-net模型和处理结构化数据的Encoder-decoder架构技术，基于深度学习方法，该框架技术能够有效感知各种类型数据（如分布式多传感器实时采集的测量数据、生产设备数据和图像数据）的空间和时间特征并进行处理融合，对工业企业关键生产设备、生产环境中海量、异构监测数据汇聚，进行数据标准化、归一化。有效提高了边缘侧数据处理速度和精度，进一步提升了故障诊断和预测精度。

（2）基于云边协同的机理与AI融合的设备故障诊断模型

该模型创新性地将云计算、边缘计算、机理模型与数据驱动的AI模型结合在一起，构建了一套协作框架，能够实现设备故障的快速准确诊断和预测。在云边协同方面，云计算作为数据处理和分析的中心节点，承担着大规模数据存储和计算的任务。云平台收集来自各个设备的传感器数据、运行状态信息以及历史故障数据，通过海量数据的训练，打造强大的算法和模型，进行数据挖掘、特征提取和模式识别，可以得出设备故障的概率和趋势，并可将算法调整下发到边缘设备。边缘计算为智能终端提供实时数据采集和处理的能力。边缘设备通过下发的设备故障诊断模型以及执行本地计算和预处理数据，能够进行初步的故障检测和故障分类。同时，边缘设备可以将采集到的数据和诊断结果传输到云平台，用于进一步分析和验证。

在机理与AI融合方面，一方面基于机理模型与专业知识，在构建设备物模型、合成模型所需数据集、提取设备故障相关特征等方面，助力开发与训练AI模型；一方面通过机器学习、深度学习和模型优化等方法，AI能够从大量的数据中学习设备的正常运行模式和故障特征，它可以构建复杂的故障诊断和分类模型，帮助准确判断设备的状态和存在的问题，最终打造设备故障诊断模型，服务设备智能。

（3）基于数据驱动和机理模型的工业多维综合预测性维护技术

基于数据驱动和机理模型的工业多维综合预测性维护技术是一种创新性的解决方案，与传统的预防性维护相比，实现了更精准、更及时的维护，更好地平衡了过度维护和维护不及时的问题。基于数据驱动和机理模型的工业多维综合预测性维护技术采用了先进的机器学习算法和数据分析技术，通过充分利用工业设备的大量实时数据，学习并识别出潜在的设备故障模式和规律，从传感器数据、历史运行数据、操作记录等多维度分析，进行特征工程与选择，更全面地了解设备的状态和行为，从而提高故障预警的准确性。在机理模型建立的过程中，通过交叉验证和评估指标等技术，对模型进行优化和评估，不断改进模型的性能，以确保其在不同数据集上的泛化能力、稳定性和准确性。同时，该技术能够及时发现设备存在的故障或潜在问题，有效解决了传统故障预警方法中时效性和准确性的瓶颈问题，为工业设备的运行和维护提供了更可靠和高效的解决方案。

（4）基于知识图谱的设备预测性维检技术

本项目创新性的引入了知识图谱技术，并且与预测性维修检修相结合，通过构建标注语料库，构建设备维护领域词表，支持对非结构化数据进行知识抽取对结构化数据进行标注，形成基础实体库和关系库。然后对运维、检修工作特征点、缺陷特征点、控制特征点的分析，进行自上而下的知识图谱构建模型，实现知识图谱知识的管理维护和关系挖掘并以可视化的人机交互形式为现场工作人员提供知识支援。为行业关键生产设备等部位的运维计划决策提供支撑。

基于知识图谱、自然语言处理、智能搜索等AI核心技术，打造结合设备全寿命周期的设备知识库，为一线员工提供高效便捷的知识构建、组织和应用能力，满足设备管理各类业务场景知识服务智能化需求，提升公司设备管理水平。实现历史经验的传承复制并推广成功经验，在不断的知识复用过程中实现知识成果的优化与提炼，以最大化提高企业的知识资产的效率和回报。

三、主要创新性成果

1、系统功能创新：

（1）建立生产设备管理知识库，提出优化预测性维护和维修方案；

（2）建设生产设备效能监测、故障监测、腐蚀预测、寿命预测、故障诊断等模型；

（3）以工业互联网平台为基础，对生产设备运行状态、性能指标、设计制造数据进行全面采集和统一管理，实现对生产设备在线诊断、健康状态监视和分析评估。

2、系统研制技术创新：

（1）开发不少于20个边缘部署的工业模型和不少于10个工业APP；

（2）开发不少于15个生产设备管理组件；

（3）制定不少于5个预测性维护和维修方案。

3、边缘侧计算引擎建设创新

通过边缘侧系统功能的建设完成数据处理、规则运算、数据分类、特征提取、实时预警、机理模型等一系列智能运维的解决方案。

图2边缘侧系统架构图

四、应用情况与效果

1、边缘侧工业物联网平台应用

边缘侧工业物联网平台将数据处理和分析的能力推向边缘设备，利用边缘计算和边缘存储技术，实现对工业设备的实时响应和本地决策，减少对云端的依赖和数据传输的延迟。

图3边缘侧工业物联网平台功能架构图

2、云端侧算法引擎平台应用

图4云端侧算法引擎整体应用

云端侧算法引擎平台用于支撑智能模型训练、部署、管理及相关服务，整体的建设方案如上图所示。云端侧算法引擎平台包含算法平台、智能服务和运维管理等三大部分；其中算法平台又包含算法包建设、训练平台建设和推理平台建设；智能服务主要提供给用户全方位的服务并对外输出算法成果；运维管理为了规范和管理算法引擎平台的使用。

3、云端侧系统功能应用

提供全面的设备管理和维护解决方案，实现设备的智能化监控、故障预防和高效维护。旨在通过数据采集、分析和决策支持，实现对设备状态、性能和健康状况的实时监测和评估。通过功能构建，可实现在钢铁行业中对企业的生产设备进行资产管理、故障检测、预测性维护、状态监控、预警分析和基础性的管理。

图5应用系统功能架构图

来源：河钢数字技术股份有限公司