AI+設(shè)備（預(yù)測(cè)性維護(hù)）方案背景預(yù)測(cè)性維護(hù)是工業(yè)大數(shù)據(jù)和人工智能結(jié)合落地的重要應(yīng)用場(chǎng)景，為企業(yè)帶來多方面效益預(yù)測(cè)性維護(hù)與預(yù)防性維護(hù)雖然只有一字護(hù)不考慮系統(tǒng)設(shè)備當(dāng)前的運(yùn)行狀態(tài)和健預(yù)測(cè)性維護(hù)與預(yù)防性維護(hù)雖然只有一字護(hù)不考慮系統(tǒng)設(shè)備當(dāng)前的運(yùn)行狀態(tài)和健方式預(yù)防性維護(hù)預(yù)測(cè)性維護(hù)維護(hù)觸發(fā)點(diǎn)固定周期，不考慮設(shè)備實(shí)際狀態(tài)，可能帶來過度維護(hù)必要時(shí)，預(yù)留足夠應(yīng)對(duì)時(shí)間給一線人員在故障前做出應(yīng)對(duì)維護(hù)方式根據(jù)零部件的平均損壞率進(jìn)行維護(hù)，不考慮實(shí)際運(yùn)行狀態(tài)根據(jù)設(shè)備的實(shí)際運(yùn)行狀態(tài)決定維護(hù)方式及關(guān)注點(diǎn)維護(hù)成本停機(jī)停產(chǎn)時(shí)間較長停機(jī)停產(chǎn)時(shí)間較短使用場(chǎng)景無法準(zhǔn)確獲得單體設(shè)備運(yùn)行狀態(tài)時(shí)單體設(shè)備狀態(tài)可獲知時(shí)市場(chǎng)前景：復(fù)合年增長率將超過39%，2024年全球市場(chǎng)達(dá)到235億美元整個(gè)市場(chǎng)規(guī)模有望達(dá)到2000億美元。據(jù)GSMA預(yù)測(cè)性維護(hù)是工業(yè)大數(shù)據(jù)和人工智能結(jié)合落地的重要應(yīng)用場(chǎng)景。在《2019-2024年預(yù)測(cè)維護(hù)年全球預(yù)測(cè)維護(hù)市場(chǎng)規(guī)模達(dá)33億美元，預(yù)計(jì)到2024年，其復(fù)合年增長率將超過39%，達(dá)到維護(hù)模式迭代有計(jì)劃無目標(biāo)解決方案7AI模型庫的構(gòu)建AI應(yīng)用的價(jià)值如整合設(shè)備傳感器數(shù)據(jù)與知識(shí)庫中的故障案例，預(yù)測(cè)剩余使用壽命（如“軸承預(yù)計(jì)48小時(shí)內(nèi)需更換”）。前端智能傳感器+云端智能運(yùn)維算法+平臺(tái)（手機(jī)/網(wǎng)頁）展示界面AI+在工業(yè)的應(yīng)用——產(chǎn)品llll挖掘最優(yōu)的參數(shù)組合l挖掘最優(yōu)的參數(shù)組合l實(shí)時(shí)監(jiān)測(cè)；l精準(zhǔn)識(shí)別隱性異常和波動(dòng)預(yù)警。構(gòu)建包含傳感器數(shù)據(jù)、機(jī)理模型和專家知識(shí)的三維知識(shí)庫；避免經(jīng)驗(yàn)流失；加速新員工培養(yǎng)與標(biāo)準(zhǔn)化落地；構(gòu)建包含傳感器數(shù)據(jù)、機(jī)理模型和專家知識(shí)的三維知識(shí)庫；避免經(jīng)驗(yàn)流失；加速新員工培養(yǎng)與標(biāo)準(zhǔn)化落地；知識(shí)經(jīng)驗(yàn)庫動(dòng)態(tài)檢索，保證信息時(shí)效性。AI+設(shè)備對(duì)設(shè)備實(shí)現(xiàn)預(yù)測(cè)性維護(hù)智能體AI預(yù)測(cè)+行動(dòng)力：l感知環(huán)境；l采取行動(dòng)；l實(shí)現(xiàn)特定目標(biāo)。9AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）基于設(shè)備運(yùn)行狀態(tài)——實(shí)時(shí)監(jiān)測(cè)與數(shù)據(jù)分析的主持續(xù)采集設(shè)備運(yùn)行參數(shù)（如振動(dòng)、溫度、電流等）；利用機(jī)器學(xué)習(xí)或物理模型預(yù)測(cè)設(shè)備劣化趨勢(shì)；在故障發(fā)生前，精準(zhǔn)定位風(fēng)險(xiǎn)點(diǎn)并制定干預(yù)計(jì)劃。全面設(shè)備管理體系的三類方式比較模式特點(diǎn)"不壞不修，壞了才修"，缺乏事前準(zhǔn)備，易導(dǎo)致停工時(shí)間延長并擾亂生產(chǎn)計(jì)劃。按照計(jì)劃定期維護(hù)，如按時(shí)間或運(yùn)行小時(shí)數(shù)?？赡軐?dǎo)致設(shè)備在狀態(tài)良好時(shí)被過度維護(hù)，或在下次維護(hù)周期前意外損壞。在“恰當(dāng)?shù)臅r(shí)間”進(jìn)行維護(hù)：最大化設(shè)備正常運(yùn)行時(shí)間、降低維護(hù)成本、延長設(shè)備壽命、提高生產(chǎn)效率和產(chǎn)品質(zhì)量、提升能源效率。運(yùn)維人員云端算法實(shí)驗(yàn)設(shè)備現(xiàn)場(chǎng)設(shè)備實(shí)驗(yàn)設(shè)備現(xiàn)場(chǎng)設(shè)備AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——產(chǎn)品清單設(shè)備狀態(tài)檢測(cè)分析智能設(shè)備維修設(shè)備狀態(tài)檢測(cè)分析智能設(shè)備維修設(shè)備臺(tái)賬設(shè)備臺(tái)賬實(shí)時(shí)監(jiān)測(cè)和預(yù)警具體應(yīng)用智能異常診斷設(shè)備運(yùn)維智能點(diǎn)檢保養(yǎng)實(shí)時(shí)監(jiān)測(cè)和預(yù)警具體應(yīng)用智能異常診斷設(shè)備運(yùn)維智能點(diǎn)檢保養(yǎng)趨勢(shì)分析預(yù)警備品備件管理趨勢(shì)分析預(yù)警備品備件管理關(guān)鍵部件預(yù)測(cè)性維護(hù)開發(fā)平臺(tái)AI知識(shí)庫開發(fā)平臺(tái)AI知識(shí)庫基于DeepSeeK的知識(shí)問答與故障診斷AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——產(chǎn)品矩陣智能監(jiān)測(cè)系列工業(yè)設(shè)備云監(jiān)測(cè)平臺(tái)設(shè)備健康數(shù)據(jù)分析軟件教學(xué)實(shí)驗(yàn)平臺(tái)機(jī)械故障模擬實(shí)驗(yàn)平臺(tái)數(shù)據(jù)治理動(dòng)態(tài)監(jiān)測(cè)算法測(cè)試測(cè)量系列振動(dòng)測(cè)試和診斷分析軟件加速壽命預(yù)測(cè)實(shí)驗(yàn)平臺(tái)智能診斷算法移動(dòng)智能終端分析軟件其他定制實(shí)驗(yàn)平臺(tái)壽命預(yù)測(cè)算法庫存優(yōu)化算法硬件軟件實(shí)驗(yàn)平臺(tái)PHM算法AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——知識(shí)庫簡(jiǎn)介標(biāo)準(zhǔn)規(guī)范庫內(nèi)容解讀內(nèi)容解讀AI知識(shí)引擎專家經(jīng)驗(yàn)庫AI知識(shí)引擎專家經(jīng)驗(yàn)庫智能應(yīng)用LLM智能問答案例庫報(bào)告生產(chǎn)....SPCAI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——項(xiàng)目基本流程傳感器數(shù)據(jù)傳感器數(shù)據(jù)：振動(dòng)、溫度、電流/電壓、聲學(xué)、壓力/流量/液位、光學(xué)等傳感器數(shù)據(jù)實(shí)時(shí)采集；WMS、PLM、SCM等相關(guān)系統(tǒng)數(shù)據(jù)；其他數(shù)據(jù)：結(jié)合設(shè)備的歷史維護(hù)記錄、故障日志、生產(chǎn)運(yùn)行數(shù)據(jù)、環(huán)境數(shù)據(jù)、供應(yīng)商數(shù)據(jù)、外部專家?guī)斓葦?shù)據(jù)。3451 3451?產(chǎn)品研發(fā)設(shè)計(jì)知識(shí)經(jīng)驗(yàn)庫?產(chǎn)品研發(fā)設(shè)計(jì)知識(shí)經(jīng)驗(yàn)庫：將知識(shí)和經(jīng)驗(yàn)結(jié)構(gòu)化數(shù)字化；?生產(chǎn)過程知識(shí)經(jīng)驗(yàn)庫：沉淀工藝參數(shù)、異常處理經(jīng)驗(yàn)、改進(jìn)措施等；過LLM整合研發(fā)設(shè)計(jì)和生產(chǎn)過程的知識(shí)庫，為工程師提供實(shí)時(shí)、精準(zhǔn)的智能問答支持，輔助快速?zèng)Q策。?數(shù)據(jù)質(zhì)量、規(guī)模不斷提高；?新的算法架構(gòu)不斷探索，以提高模型的性能和效率；?新的故障案例觸發(fā)模型再訓(xùn)練和優(yōu)化。?將數(shù)據(jù)處理能力部署在靠近數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣，實(shí)時(shí)感知生產(chǎn)異常；?把模型一鍵部將AI能力帶到邊緣處；?將本地安全策略帶到邊緣處。?異常檢測(cè)?故障模式識(shí)別?剩余使用壽命預(yù)測(cè)?機(jī)器深度學(xué)習(xí)?統(tǒng)計(jì)分析?預(yù)測(cè)與預(yù)警5AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——數(shù)據(jù)分析與建模的應(yīng)用內(nèi)容模塊實(shí)時(shí)識(shí)別設(shè)備運(yùn)行數(shù)據(jù)與正常模式的偏差。識(shí)別特定的數(shù)據(jù)模式，將其與已知的故障類型相關(guān)聯(lián)。預(yù)測(cè)設(shè)備或部件在何時(shí)可能失效。預(yù)測(cè)性維護(hù)的核心技術(shù)。通過對(duì)歷史數(shù)據(jù)（包括正常運(yùn)行數(shù)據(jù)和故障數(shù)據(jù)）進(jìn)行訓(xùn)練，構(gòu)建預(yù)測(cè)模型。當(dāng)模型預(yù)測(cè)到設(shè)備可能在未來某個(gè)時(shí)間點(diǎn)發(fā)生故障，或檢測(cè)到異常情況時(shí)，系統(tǒng)會(huì)立即發(fā)出預(yù)警。包含故障類型、可能的原因、建議的維護(hù)措施以及預(yù)計(jì)的故障時(shí)間。AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——設(shè)備+工藝數(shù)采的方式設(shè)備數(shù)據(jù)設(shè)備數(shù)據(jù){{協(xié)議數(shù)據(jù)協(xié)議數(shù)據(jù)傳感數(shù)據(jù)傳感數(shù)據(jù){{通常在設(shè)備控制器中一般只需低頻采集蘊(yùn)含大部分工藝數(shù)據(jù)（設(shè)計(jì)及實(shí)際數(shù)據(jù)通常與制造過程效率密切相關(guān)容易實(shí)施采集設(shè)備控制器中不含該類數(shù)據(jù)一般需要高頻采集蘊(yùn)含設(shè)備的性能表現(xiàn)，與制造過程的質(zhì)量密切相關(guān)不太容易實(shí)施采集AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——協(xié)議數(shù)據(jù)采集（舉例）例如：發(fā)那科、西門子、三菱、海德漢、發(fā)格、馬扎克u工業(yè)機(jī)器人控制器u專用控制器AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——三軸加速度溫振一體傳感器（鋰電子龍頭案例舉例）所有傳感器都可改成磁吸式傳感器：內(nèi)置強(qiáng)力磁鐵可輕松吸附在各種金屬表面，實(shí)現(xiàn)非接觸式信號(hào)監(jiān)測(cè)。?結(jié)合了傳統(tǒng)傳感器的精準(zhǔn)測(cè)量能力和磁吸安裝的便捷性（安裝和拆卸過程僅需幾秒鐘提高了工作效率并降低了安裝成本；?相比傳統(tǒng)需要鉆孔或粘貼安裝的傳感器，磁吸式設(shè)計(jì)無需破壞被測(cè)物體表面；AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——傳感器安裝位置簡(jiǎn)圖?一些算法從應(yīng)用處理器轉(zhuǎn)移到傳感器中運(yùn)行，從而持續(xù)降低功耗；?傳感器本身實(shí)現(xiàn)數(shù)據(jù)的部分處理，降低了數(shù)據(jù)外泄的可能性；?自帶數(shù)據(jù)清洗功能，對(duì)服務(wù)器要求低。?不帶數(shù)據(jù)清洗功能（在系統(tǒng)中完成數(shù)據(jù)清洗工作）；?對(duì)服務(wù)器要求高可能需要專業(yè)的AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——基礎(chǔ)數(shù)據(jù)項(xiàng)目數(shù)據(jù)類型運(yùn)行狀態(tài)工作時(shí)間維修記錄保養(yǎng)記錄易損件記錄關(guān)鍵參數(shù)設(shè)備運(yùn)行機(jī)理檢測(cè)數(shù)據(jù)質(zhì)量體系標(biāo)準(zhǔn)缺陷數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)數(shù)據(jù)關(guān)鍵參數(shù)物料數(shù)據(jù)批次半成品數(shù)據(jù)成品數(shù)據(jù)生產(chǎn)周期溫度濕度氣壓21AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——基礎(chǔ)技術(shù)22?數(shù)據(jù)采集的基礎(chǔ)設(shè)施?實(shí)現(xiàn)設(shè)備、傳感器、控制系統(tǒng)之間的互聯(lián)互通。?存儲(chǔ)和處理海量的設(shè)備運(yùn)行數(shù)據(jù)。?在靠近設(shè)備端進(jìn)行初步數(shù)據(jù)處理和分析;?減少網(wǎng)絡(luò)延遲，提高響應(yīng)速度。?提供強(qiáng)大的存儲(chǔ)和計(jì)算能力;?支持復(fù)雜的模型訓(xùn)練和部署。??核心算法，?用于數(shù)據(jù)模式識(shí)別、故障預(yù)測(cè)和RUL評(píng)估。?為物理設(shè)備創(chuàng)建虛擬模型，?通過實(shí)時(shí)數(shù)據(jù)映射，模擬設(shè)備運(yùn)行狀態(tài)，?進(jìn)行更精準(zhǔn)的預(yù)測(cè)和仿真。AI+設(shè)備管理（預(yù)測(cè)性維護(hù)）——綜合價(jià)值23通過AI，打造預(yù)測(cè)性維護(hù)的“預(yù)測(cè)”能力：基于數(shù)據(jù)科學(xué)決策，提前掌握風(fēng)險(xiǎn)，實(shí)現(xiàn)“智能預(yù)測(cè)+主動(dòng)維護(hù)”。預(yù)警和故障定位預(yù)警和故障定位減少維護(hù)成本大幅減少因故障導(dǎo)致的停機(jī)時(shí)間和維修減少不必要的維護(hù)活動(dòng)；費(fèi)用；綜合價(jià)值有助于企業(yè)合理安排生產(chǎn)計(jì)劃，提高及時(shí)發(fā)現(xiàn)潛在問題并采取預(yù)防性措施。生產(chǎn)線的穩(wěn)定性和連續(xù)性；提供實(shí)時(shí)機(jī)床健康狀態(tài)信息持續(xù)監(jiān)測(cè)和分析設(shè)備狀態(tài)提供實(shí)時(shí)機(jī)床健康狀態(tài)信息持續(xù)監(jiān)測(cè)和分析設(shè)備狀態(tài)案例項(xiàng)目概要項(xiàng)目范圍項(xiàng)目價(jià)值浙江申輪——減速機(jī)基于振動(dòng)的軸承故障預(yù)測(cè)項(xiàng)目概要項(xiàng)目范圍項(xiàng)目價(jià)值浙江申輪2022年浙江金華?單臺(tái)設(shè)備遠(yuǎn)程監(jiān)控；?構(gòu)建設(shè)備全生命周期知識(shí)庫（行業(yè)標(biāo)準(zhǔn)、操作手冊(cè)、歷史故障案例、智能點(diǎn)檢保養(yǎng)等?AI模型構(gòu)建和自動(dòng)更新;?實(shí)現(xiàn)設(shè)備異常的實(shí)時(shí)監(jiān)控、精準(zhǔn)的預(yù)警和故障定位、知識(shí)經(jīng)驗(yàn)復(fù)用，達(dá)成“智能預(yù)測(cè)+主動(dòng)維護(hù)”。數(shù)據(jù)采集和預(yù)處理知識(shí)經(jīng)驗(yàn)庫預(yù)測(cè)性維護(hù)AI數(shù)據(jù)采集和預(yù)處理知識(shí)經(jīng)驗(yàn)庫預(yù)測(cè)性維護(hù)量化收益25業(yè)務(wù)價(jià)值25減少故障停機(jī)損失減少人工巡檢工作量降低維護(hù)成本降低安全風(fēng)險(xiǎn)降低安全風(fēng)險(xiǎn) 設(shè)備綜合效率(OEE)8%+40%非計(jì)劃停機(jī)非計(jì)劃停機(jī)25%+維修成本維修成本產(chǎn)能提升產(chǎn)能提升傳統(tǒng)方式：1）客戶培訓(xùn)振動(dòng)分析人員2）采購振動(dòng)傳感器與振動(dòng)分析軟3）振動(dòng)分析人員定期去現(xiàn)場(chǎng)采集5分鐘振動(dòng)數(shù)據(jù)4）振動(dòng)分析人員基于振動(dòng)數(shù)據(jù)進(jìn)行簡(jiǎn)單頻譜分析，并由振動(dòng)分析人員基于經(jīng)驗(yàn)對(duì)軸承狀態(tài)進(jìn)行判2627我們的方案：u帶入模型的數(shù)據(jù)時(shí)域特征：均方根、峰值、信號(hào)峰度頻域特征：峰值頻率、平均峰值頻率直接將原始傳感器數(shù)據(jù)帶入模型u優(yōu)化特征和模型：對(duì)傳感器數(shù)據(jù)進(jìn)行濾波修改數(shù)據(jù)切片長度使用不同的模型u選擇模型：是否故障/故障類型：分類模型距離故障所剩時(shí)間：回歸模型u判斷模型是否達(dá)標(biāo)分類模型：認(rèn)假率和拒真率回歸模型：均方差u采集數(shù)據(jù)需要不同狀態(tài)的傳感器數(shù)據(jù)(如:溫度、電u模型訓(xùn)練定義預(yù)測(cè)的業(yè)務(wù)目標(biāo)（剩余壽命/故障類型/是否故障）u生產(chǎn)階段模型部署后，自動(dòng)進(jìn)行設(shè)備健康狀態(tài)的判斷可以設(shè)置預(yù)警規(guī)則，直接將預(yù)警結(jié)果發(fā)送到指定責(zé)任人u模型更新可以使用新的測(cè)量數(shù)據(jù)對(duì)模型進(jìn)行更新，保證識(shí)別的準(zhǔn)確率2929項(xiàng)目概要項(xiàng)目范圍項(xiàng)目價(jià)值項(xiàng)目概要項(xiàng)目范圍項(xiàng)目價(jià)值億緯鋰能?生產(chǎn)過程透明化（SPC全流程監(jiān)控）；?知識(shí)經(jīng)驗(yàn)可關(guān)聯(lián)可沉淀可智能應(yīng)用；2024年湖北荊門?生產(chǎn)過程可預(yù)測(cè)（AI驅(qū)動(dòng)優(yōu)化，實(shí)現(xiàn)預(yù)測(cè)性維護(hù)與分析）;?實(shí)現(xiàn)質(zhì)量可控、設(shè)備預(yù)測(cè)性維護(hù)、工藝優(yōu)化與知識(shí)經(jīng)驗(yàn)復(fù)用，并達(dá)到燈塔工廠標(biāo)準(zhǔn)。AI+工藝優(yōu)化知識(shí)經(jīng)驗(yàn)庫AI+質(zhì)量AI+設(shè)備AI+工藝優(yōu)化設(shè)備集成設(shè)備集成&互聯(lián)生產(chǎn)全流程監(jiān)控及分析生產(chǎn)全流程監(jiān)控及分析知識(shí)經(jīng)驗(yàn)庫閉環(huán)知識(shí)經(jīng)驗(yàn)庫閉環(huán)關(guān)鍵工序關(guān)鍵工序AI預(yù)測(cè)關(guān)鍵工序關(guān)鍵工序AI工藝調(diào)優(yōu)模型庫及自動(dòng)更新模型庫及自動(dòng)更新量化收益12%4小時(shí)1小時(shí)內(nèi)100% 設(shè)備綜合效率(OEE)AI快速換型時(shí)間違規(guī)操作攔截率98%+95%+30%業(yè)務(wù)價(jià)值入模型的訓(xùn)練數(shù)據(jù)）。設(shè)備運(yùn)行調(diào)優(yōu)模型預(yù)測(cè)準(zhǔn)確率設(shè)備運(yùn)行調(diào)優(yōu)模型預(yù)測(cè)準(zhǔn)確率跨工序質(zhì)量模型預(yù)測(cè)準(zhǔn)確率跨工序質(zhì)量模型預(yù)測(cè)準(zhǔn)確率工藝優(yōu)化充電能耗節(jié)約指標(biāo)改善前改善后提升幅度平均生產(chǎn)周期6天（減少過程中兩個(gè)檢驗(yàn)工序：改善前兩個(gè)工序分別縮短40%能源消耗成本節(jié)省25%產(chǎn)品不良率2.5%0.8%減少68%設(shè)備停機(jī)時(shí)間每月10小時(shí)每月3小時(shí)減少70%客戶投訴率0.5%0.12%下降76%將ML（MachineLearning，機(jī)器學(xué)習(xí)）帶到邊緣處，實(shí)現(xiàn)攪拌設(shè)備：攪拌槳異常監(jiān)控