Research and application of intelligent manufacturing predictive maintenance standard system
-
摘要: 预测性维护是通过设备运行状态的实时监测预测其未来工作状况，实现故障诊断、寿命预测、设备维护与管理的重要技术，是人工智能技术在智能制造领域的最典型应用之一。但目前预测性维护相关术语和定义的混淆、系统间通信和集成接口的缺失、监测诊断方案和预测算法的差异，严重阻碍了预测性维护技术的应用落地。因此，文章从预测性维护技术应用、标准体系和标准内容三个方面分析和探讨了预测性维护标准的需求，构建了覆盖基础共性标准、关键技术标准和行业应用标准的预测性维护标准体系，分析了现行标准以及未来标准化的工作方向。能够促进数据、测评、剩余寿命预测和维修维护管理相关标准的研制，有效推动预测性维护技术发展以及设备数字化转型。Abstract: Predictive maintenance is an important technology to predict the future working conditions of equipment through real-time monitoring of its operating status, and to realize fault diagnosis, life prediction, equipment maintenance and management. It is one of the typical applications of artificial intelligence in intelligent manufacturing. However, the confusion of terms and definitions related to predictive maintenance, the lack of communication and integration interfaces between systems, and the difference between monitoring diagnosis scheme and prediction algorithm have seriously hindered the application of predictive maintenance. Therefore, this paper analyzes and discusses the requirements of predictive maintenance standards from three aspects: predictive maintenance technology application, standard system, and standard content, constructs a predictive maintenance standard system covering basic common standards, key technical standards, and industrial application standards, and analyzes the current standards and the future direction of standardization. Based on the research in this paper, it is hoped that standards researchers can further develop standards related to data, evaluation, remaining life prediction, and maintenance management, and effectively promote the development of predictive maintenance technology and the digital transformation of equipment.
-
Key words:
- predictive maintenance /
- digital twins /
- standard system /
- industry application
-
表 1 预测性维护相关组织及标准和规范
标准组织 技术委员会 典型标准 技术内容 国际标准化组织（ISO） TC108 CM&D系列标准 基于状态的维护（CBM） 机器信息管理开放系统联盟（MIMOSA） / OSA-CBM, OSA-EAI 美国汽车工程师学会（SAE） G-11r CBM推荐案例 HM-1 IVHM系列标准 结构健康监测（IVHM） E-32 EHM系列标准 故障预测与健康管理（PHM） 电气和电子工程师协会（IEEE） SCC20 IEEE Std-1232系列标准 PHM IEEE Std-1636系列标准 PHM IEEE Std-1856标准 美国汽车工程师学会（SAE） HM-1 HUMS系列标准 健康和使用监控系统（HUMS） 美国联邦航空局（FAA） / AC-29C MG-15 美国陆军（U.S. Army） / ADS-79-HDBK NAMUR（User Association of Automation
Technology in Process Industries）/ NE107 状态监测 国际自动化协会（ISA） ISA108 ISA-TR63082-1 智能设备管理（IDM） 国际电工技术委员会（IEC） TC 65 IEC 63270（制定中） 预测性维护（PdM） 
下载: 导出CSV
表 2 预测性维护国际标准项目分析
相关组织 标准项目 目的与范围 IEC/SC65E WG10 IEC 63082《智能设备管理》系列标准 已发布的IEC TR63082-1规范了智能设备管理的
定义和流程IEC/TC65E WG12 IEC 63270《工业自动化装备和系统 预测性维护》 针对工业自动化设备和系统开展预测性维护的通用标准，规定了预测性维护的定义、流程和方法 IEC/TC56 IEC 60706《设备的可维护性》系列标准 包括设计阶段的维修性分析；数据的验证和收集、
分析与报告；诊断试验等ISO/TC108 SC5 ISO 13372:2012《机器的状态监测和诊断.词汇》 定义了用于机器状态监测和诊断的术语 ISO/TC108 SC5 ISO 13374《机器的状态监测和诊断 数据处理、
通信和表示》系列标准包括通用指南、数据处理、通信、表征等 ISO/TC108 SC5 ISO 13379《机器的状态监控和诊断 数据说明和诊断技术通用指南》系列标准 包括总则、数据驱动应用 ISO/TC108 SC5 ISO 13381-1:2015《机器的状态监测和诊断 预测 第1
部分：通用指南》针对预测的通用要求进行规范，后续标准包括性能变化（趋势）方法、循环驱动寿命使用技术和
使用寿命剩余模型等ISO/TC108 SC5 ISO 14830:2019《机器的状态监控和诊断 基于摩擦学的监测和诊断 第1部分:一般要求和指南》 规定了润滑油、液压油、合成液和润滑脂分析的要求和指南。 ISO/TC108 SC5 ISO 16079《风力发电机组状态监测与诊断》系列标准 包括总则和监测动力传动系统 ISO/TC108 SC5 ISO 17359:2018 《机器的状态监测和诊断 总导则》 规范了建立机器状态监测程序时需要考虑的
一般程序的指导方针ISO/TC108 SC5 ISO 18095:2018《电力变压器状态监测与诊断》 提供了在制定电力变压器状态监测方案时
应考虑的监测技术指南ISO/TC108 SC5 ISO 18129:2015《机器状态监测和诊断 性能诊断方法》 规定如何应用性能监控和诊断的机器，机器组，直至完成工业安装(设备)，通常涵盖整个机器的生命周期。 ISO/TC108 SC5 ISO 18434《机器状态监测和诊断 热成像》系列标准 包括通用流程、图像表征和诊断 ISO/TC108 SC5 ISO 18436《机器状态监测和诊断 人员资格和
考核要求》系列标准包括行业对认证机构和认证过程的具体要求、振动状态监测和诊断、培训机构和培训过程的要求、现场润滑分析、润滑实验室分析、声发射、热成像、超声等 ISO/TC108 SC5 ISO 19283:2020《机器状态监测和诊断 水力发电机组》 规范了用于检测和诊断与水力发电机组最常见的潜在故障模式相关的机器故障的状态监测技术 ISO/TC108 SC5 ISO 20958:2013《机器的状态监测和诊断 三相感应
电动机的电特征分析》为基于电气特征分析的机器状态监测和诊断所推荐的在线技术提供指南 ISO/TC108 SC5 ISO 22096:2007《机器的状态监测和诊断 声发射》 规定了不同条件和环境下运行的机械的状态监测和诊断中应用声发射所需的一般原则 ISO/TC108 SC5 ISO 29821:2018《机器的状态监测和诊断 超声
一般指南、程序和验证》规定对机器进行超声波检查的方法和要求，包括安全建议和误差来源、评估准则及报告有关的资料。
下载: 导出CSV
表 3 预测性维护国内标准项目分析
标准类别 标准项目 状态 国家标准 GB/T 40571-2021《智能服务 预测性
维护 通用要求》已发布 GB/T 37942-2019《生产过程质量控制
设备状态监测》已发布 GB/T 41251-2022《生产过程质量控制
生产装备全生命周期管理》已发布 GB/T 41397-2022《生产过程质量控制
故障诊断》已发布 GB/T 39129-2020《机床数控系统 故障
诊断与维修规范》已发布 GB/T 36668《游乐设施状态监测与故障
诊断》系列标准已发布 GB/T 35721-2017《输电线路分布式故障
诊断系统》已发布 GB/Z 29626-2013《汽轮发电机状态在线
监测系统应用导则》已发布 20203870-T-604 《数控机床远程运维
第1部分：通用要求》在研 20210705-T-604《智能服务 预测性维护 预测算法与模型》 在研 20213056-T-604《智能服务 预测性维护 虚拟维修系统技术要求》 在研 20203797-T-604《工业机器人 运行维护 第2部分：故障诊断》 在研 20203710-T-604《工业机器人 运行维护 第4部分：预测性维护》 在研 团体标准 CAMS《智能服务 预测性维护
系统功能要求》在研 CAMS《智能服务 预测性维护 运维
效率评价方法》在研 CAMS《智能服务 预测性维护
运维风险决策》在研
下载: 导出CSV
表 4 面向设备的预测性维护标准
标准类别 标准项目 国际标准 ISO 16079《风力发电机组状态监测与
诊断》系列标准ISO 18095:2018《电力变压器状态监测与诊断》 ISO 20958:2013《机器的状态监测和诊断 三相感应电动机的电特征分析》 国家标准
（包括在研）GB/T 39129-2020《机床数控系统 故障
诊断与维修规范》GB/T 36668《游乐设施状态监测与
故障诊断》系列标准GB/T 35721-2017《输电线路分布式
故障诊断系统》GB/Z 29626-2013《汽轮发电机状态在线监测
系统应用导则》20203870-T-604 《数控机床远程运维 第1部分：通用要求》 20203797-T-604《工业机器人 运行维护 第2
部分：故障诊断》20203710-T-604《工业机器人 运行维护 第4
部分：预测性维护》
下载: 导出CSV
-
[1] Wang C, Martin W. The standardization roadmap of predictive maintenance for Sino-German Industrie 4.0/Intelligent manufacturing[J]. Sub-Working Group Industrie 4. 0/Intelligent Manufacturing of the Sino-German Standardisation Cooperation Commission, 2019, 35(1): 2. [2] 王春喜, 王成城, 王凯. 智能制造装备预测性维护技术研究和标准进展[J]. 中国标准化, 2021(2): 15-16. doi: 10.3969/j.issn.1002-5944.2021.02.003 [3] 李杰其, 胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19. doi: 10.3778/j.issn.1002-8331.2006-0016 [4] 高士根, 周敏, 郑伟等. 基于数字孪生的高端装备智能研究现状与展望[J]. 计算机集成制造系统, 2022, 28(7): 1954-1955. [5] 任磊, 贾子翟, 赖李媛君, 等. 数据驱动的工业智能: 现状与展望[J]. 计算机集成制造系统, 2022, 28(7): 1914-1915. [6] Sun B, Zeng S, Kang R, et al. Benefits analysis of prognostics in systems[C].2010 Prognostics and System Health Management Conference, IEEE, 2010: 1-8. [7] Engel S, Gilmartin B, Bongort K, et al. Prognostics, the real issues involved with predicting life remaining[C]. In 2000 IEEE Aerospace Conference, 2000, 6: 457-469. [8] Roemer M, Nwadiogbu E, Bloor G. Development of diagnostic and prognostic technologies for aerospace health management applications[C].2001 IEEE Aerospace Conference Proceedings (Cat. No. 01TH8542). IEEE, 2001, 6: 3139-3147. [9] National Institute of Standards and Technology(NITST). Measurement science roadmap for prognostics and health management for smart manufacturing systems[R]. US: Department of Commerce, 2015. [10] 周东华, 魏慕恒, 司小胜. 工业过程异常检测、寿命预测与维修决策的研究进展[J]. 自动化学报, 2013, 39(6): 711-722. [11] 张来斌, 王金江. 工业互联网赋能的油气储运设备智能运维技术[J]. 油气储运, 2022, 41(6): 625-631. [12] 袁烨, 张永, 丁汉. 工业人工智能的关键技术及其在预测性维护中的应用现状[J]. 自动化学报, 2020, 46(10): 2013-2030. [13] 彭宇, 刘大同, 彭喜元. 故障预测与健康管理技术综述[J]. 电子测量与仪器学报, 2010(1): 1-9. [14] 董建民. 电子仪表测量技术和故障检测维护研究[J]. 数字通信世界, 2019(8): 114. doi: 10.3969/J.ISSN.1672-7274.2019.08.053 [15] 潘东辉. 基于退化数据的产品可靠性建模与剩余寿命预测方法研究[D]. 武汉: 华中科技大学, 2014. [16] Saxena A, Celaya J, Saha B, et al. Metrics for offline evaluation of prognostic performance[J]. International Journal of Prognostics and health management, 2010, 1(1): 2153-2648. [17] 张彬. 数据驱动的机械设备性能退化建模与剩余寿命预测研究[D]. 北京: 北京科技大学, 2016. [18] Hashemian H. State-of-the-art predictive maintenance techniques[J]. IEEE Transactions on Instrumentation and measurement, 2010, 60(1): 226-236. -
下载:
点击查看大图
图(8) / 表(4)
计量
- 文章访问数: 247
- HTML全文浏览量: 206
- PDF下载量: 95
- 被引次数: 0
