服務型制造及智能運維服務模式NewFormsandModels

ofIntelligentManufacturing目錄服務型制造的定義和特征01智能運維02智能運維關鍵技術03運維平臺04案例&實踐項目0501服務型制造的定義與特征01服務型制造的定義與特征（1）以客戶對產品功能和體驗需求為出發點（2）從產品主導思維向客戶主導思維的轉變（3）高附加值的“產品服務組合”的核心產出（4）以制造業為基礎，相互融合提升服務能力，強化制造技術核心特征服務型制造是制造業與服務業融合發展的新興產業形態，也是制造業轉型升級的關鍵方向。制造企業通過創新、優化生產組織形式、運營管理方式以及商業發展模式，逐步提升服務在投入和產出中的比重。服務型制造的定義加工組裝產品銷售制造產品服務01服務型制造的定義與特征服務型制造的范疇分為兩個方面，一是核心要素，二是業務類型。核心要素包括產品服務組合、資源池、組織與流程三個關鍵部分。服務型制造的范疇01服務型制造的業務類型包括工業設計服務、定制化服務、供應鏈管理、共享制造、檢驗檢測認證服務、全生命周期管理、總集成總承包、節能環保服務和其他創新模式等。服務型制造的范疇服務型制造的定義與特征02智能運維6.2智能運維事后維修是在設備故障后進行修理的最早形式。該方式存在一定的時間延誤，因為它不是防止設備出現問題，而是在問題出現后才采取措施。事后維修狀態維修旨在利用技術和管理手段對設備狀態進行全面把握，以達到最佳維修效果。該維修方式沒有固定的維修間隔期，而是根據監測數據的變化趨勢由維修技術人員判斷，管理部門再確定設備的維修計劃。狀態維修預防維修在工業技術不斷進步的情況下，僅僅依賴簡單的事后維修模式難以確保設備的持續正常使用。此外，故障維修無法精確估計缺陷設備的修理時間長度。預防維修預測性維修起源于狀態監測，該監測通過設備傳感器收集動態特征，監測機器的運行狀態，并進行判斷和預測可能的故障和磨損。故障診斷技術是預測性維修的重要組成部分，包括專家系統診斷、神經網絡診斷和人工智能等信息化方法，以及基于統計數學模型的故障診斷方法。創新發展01020304設備運維的歷史發展6.2智能運維遠程智能運維包括“智能采集-智能分析-智能診斷-智能排產-自動委托-推送方案-遠程支持-智能檢驗”等步驟。其獨特之處在于以“數據”為核心，通過技術賦能、管理賦能和價值賦能，提高人員效率、管理效率，減少停機時間和突發故障，降低備件庫存和維修負擔。遠程運維的內涵在于基于設備狀態變化趨勢的智能決策。設備狀態分為當前狀態和未來狀態，前者用于運行數據監控、異常數據報警、故障準確定位，后者用于設備健康評價、劣化趨勢預知、使用壽命預測等。智能決策實現設備狀態數據化，所有決策源于數據，主要包括“4W1H”：是否維修、維修對象、維修人員、維修時間以及維修策略。遠程智能運維系統是一個整體，包含數據處理的全部流程。在數據層面，包括狀態監測的六大功能：數據采集、數據操作、狀態檢測、健康評估、預測評估和建議生成。在物理層面，系統包括從傳感器、數據采集、邊緣服務器到中心服務器的整體分布計算系統。系統的設計不僅注重數據的獲取和處理，還強調維護規程和遠程指導等輔助功能，以全面支持遠程智能運維的各個方面。設備運維的范疇03智能運維關鍵技術03智能運維關鍵技術——智能診斷●

智能運維關鍵技術是智能診斷技術。●

數據分析之后，需要利用已有的數據分析結果和融合后的數據類型進行智能診斷，智能診斷的方法有：基于規則的智能診斷、基于傳統機器學習的智能診斷、基于深度學習模型的智能診斷以及基于遷移學習的智能診斷。智能診斷方法基于規則的智能診斷基于傳統機器學習的智能診斷基于深度學習模型的智能診斷基于遷移學習的智能診斷03基于規則的智能診斷●

基于規則的診斷是根據故障征兆信息確定系統故障原因的過程。基于規則的故障識別模塊利用離線學習得到的規則對發生故障時的設備進行自動診斷，以給出故障類型和診斷依據。故障識別是由征兆觸發。故障診斷規則征兆推理過程先決條件先決條件設備運行頻譜的變化即該模型主要包括頻譜校正、故障特征頻率搜索、離線規則學習與故障識別和概率神經網絡故障識別等子模塊。03基于傳統機器學習的智能診斷●

基于傳統機器學習的故障診斷方法適用于處理變量維度低、線性強的數據。傳統機器學習作為故障模式分類器，其診斷精度極大程度上取決于特征向量的合理性及準確性。因此，對故障信號進行合理分析并提取故障特征、構建特征向量，以實現對原始數據的有效降維，以滿足傳統機器學習的輸入需求。典型的傳統機器學習方法解釋特點K近鄰（K-NeighborNearest,KNN）簡單無參數模型，沒有顯式的訓練過程，是“懶惰學習”的代表。通過度量測試數據到訓練數據的距離實現對數據的分類。其在數據維度高時計算量大，同時KNN對數據容錯性差，容易受異常數據點影響，因此KNN通常適用于少量低維度數據預測。人工神經網絡（ArtificailNeuralNetworks，ANN）基于經驗風險最小化理論（Empi-ricalRiskMinimization，ERM），需要利用有標簽數據訓練及優化網絡。通常在訓練樣本容量大時能保證較好的學習效果。而在樣本容量小時，ANN會產生過擬合，影響ANN的性能表現。支持向量機（SupportVectorMachine，SVM）基于VC維和結構風險最小化理論（StructuralRiskMinimization,SRM），優化了訓練樣本容量小時網絡過擬合問題。通過有監督訓練實現網絡的優化，對異常數據點容忍度較高，保證了預測的準確性和穩定性，因此SVM當前仍被廣泛研究及應用。03基于深度學習模型的智能診斷●基于深度學習的診斷模型適用于處理變量維度高、非線性強的大量復雜數據，能建立從數據空間到類別空間端到端的映射，避免了顯式的特征向量構建過程，極大地減少了對經驗知識的依賴，其代替手工分析數據并提取故障特征，并完成故障模式識別。卷積神經網絡大數據特性：體量大、類型多、價值密度低、處理速度快復雜系統故障基本特性：眾多單元之間的相關性難以界定，機械裝備或系統的狀態具有較強的非線性性智能制造時代的機械狀態數據傳統基于數據驅動的故障診斷方法采用多種維度的輸入利用梯度下降方法實現有監督的網絡訓練，具有良好的可解釋性。獨特的權值共享機制使其具有更少的網絡參數。結構更具靈活性：可以通過在網絡深度、寬度以及卷積核尺寸各維度，在保證網絡擬合數據的能力的同時，進行網絡的輕量化改進。基于深度學習的故障診斷方法難以適應03基于遷移學習的智能診斷●遷移學習通過引入與目標域（TargetDomain）數據具有相似分布的數據作為源域數據（SourceDomain），并利用源域數據輔助訓練，以獲取一個在目標域數據上有優秀泛化能力的深度學習模型。遷移學習異構遷移學習同構遷移學習微調（Fine-tuning）領域適配（DomainAdaptation）基于深度學習的故障診斷算法：訓練數據（源數據）與測試數據（目標數據）必須具有相同的概率分布。在實際工業應用中，往往需要面對不同的工況。不同工況的故障數據特征分布不同。然而04運維平臺04遠程運維平臺主要分為端層、邊層和云層，與工業互聯網平臺中的IaaS、邊緣層、PaaS層以及SaaS相關。其核心組成包括設備遠程運維數據中心、遠程運維平臺服務中心、示范區域的在線監測診斷及邊緣計算系統、支撐設備互聯的高性能動態數據采集裝置及其應用軟件。1.運維平臺體系架構運維平臺04運維平臺2.遠程智能運維平臺功能設計主要功能：數據處理、數據傳輸、數據存儲，數據管理點檢管理、精密監測診斷、在線監測診斷，智能診斷，狀態監控，檢修管理，備修管理，標準維護，統計分析、知識庫、可視化監控、移動APP和系統維護等。04運維平臺設備狀態數據分析處理中心包括了數據采集和分發服務器、網絡、服務器集群、大數據融合存儲設備以及基于這些硬件設備的軟件系統。數據層工具層用于實現數據管理、運算與分析功能，包含機器學習計算工具、智能分析工具等。工具層應用層的主要任務是實時監測所監測設備的運行狀態數據和生產過程數據，并執行各功能。應用層接入層的主要職能是實現對工業現場設備狀態數據、工況數據、工藝參數、環境等數據的在線與離線采集。接入層04運維平臺接入層1）現場設備狀態數據采集數據采集模塊通過全面采集設備全生命周期的各種要素相關數據和信息，如振動、溫度、扭矩等傳感器數據以及設備維修數據，打破設備獨立感知監控的信息孤島，建立一個統一的數據環境。數據分發模塊采用高性能消息集群充當核心中間件，負責將數據采集模塊采集到的各類設備數據傳遞到監控平臺的數據存儲模塊、業務模塊及展示模塊等。主要功能為：實現對工業現場設備狀態數據、工況數據、工藝參數、環境等數據的在線與離線采集。2）主流控制系統工藝數據采集開發面向產線自動控制系統如西門子、ABB等的數據采集技術，通過消化網絡協議，確定數據采集的規范，確保獲取設備狀態數據分析所相關的工藝過程數據。04運維平臺數據層設備狀態數據分析處理中心包括了數據采集和分發服務器、網絡、服務器集群、大數據融合存儲設備以及基于這些硬件設備的軟件系統。軟件系統包括數據采集模塊，大數據融合存儲模塊、數據分發模塊，數據庫模塊，數據計算模塊，智能分析模塊、業務模塊、展示管理模塊以及集群運維監控模塊。04運維平臺數據層1）大數據基礎平臺大數據基礎平臺主要提供數據接入服務、數據存儲服務、數據計算服務包含實時計算和離線計算、監控報警服務、平臺管理服務和數據交換服務。該平臺部署了工業大數據平臺軟件及其眾多應用型組件，通過這些組件的協同搭配，能夠解決許多工業數據方面的問題。數據中心的模塊包括數據對象、數據轉換和傳輸、大數據融合存儲、數據庫、數據計算、智能分析、集群運維監控以及數據分析用例等。軟件系統通過數據接口與外部應用和業務進行交互，向外部系統如各區域內在線系統、診斷中心業務系統提供大數據分析支持。功能架構如左圖紅色線框內所示。2）工業數據處理工業數據處理的主要功能是針對設備全生命周期監測過程中，產生的高維、動態、開放和異構的多源監測數據流。由于獲取和傳輸等環節中的干擾因素，數據可能存在缺失、錯誤和沖突等問題。研究數據服務模型，根據數據來源、類型和產生背景，形成可復用、可擴展的清洗模型。對采集的振動信號、溫度等數據進行數據預處理，為故障模型診斷數據進行多種分類計算。04運維平臺工具層平臺工具集指標設計器組態設計器數據分析視圖設計器組合視圖設計器功能組件配置器業務流程設計器業務流程配置器報表設計器……數據分析視圖圖形組件類型04運維平臺應用層測點狀態統計原型圖01可視化監控對異常報警以及各測點狀態進行統計以及可視化處理04運維平臺應用層點檢流程02點檢管理03精密監測診斷精密監測管理點檢管理涉及對設備的點檢任務進行系統化管理精密監測管理包含設備的精密檢測計劃處理和精密檢測實施兩個部分04運維平臺應用層04智能診斷設備遠程運維平臺在原有的診斷分析工具基礎上新增了電氣專業分析工具，其中包括歷史趨勢分析、趨勢對比、概率分析和趨勢預測等功能。05狀態管控狀態管控包括異常處理、維護計劃管理、維護結果評估、故障管理、異常事件漏報管理、重大事件（履歷）維護、狀態自診斷、周期報告七個部分。06檢修管理系統根據檢修標準設定自動生成檢修計劃，產線工程師可以對檢修計劃進行“發起委托”、“自行處理”、“暫不處理”等操作。07備修管理能夠發起相應的備修流程，記錄備件管控過程中產生的業務數據，包含卷筒備修、輥道備修、常規備修等功能模塊。08標準維護產線工程師可以通過該模塊對設備基礎信息以及對應標準進行系統管理。該功能包含設備基礎信息、點檢標準、檢修標準、精密檢測標準以及工作日調整五個模塊。09統計分析通過計算和統計業務數據和設備運行狀態數據，形成可對比分析的趨勢視圖和詳情列表，為績效考核、整體狀態概覽以及設備運維優化提供了參照依據。05案例&實踐項目根云（ROOTCLOUD）平臺基于大數據平臺的工業機器人預測性維護應用05案例&實踐項目01樹根互聯構建以ABIoT（A即人工智能AI，B即區塊鏈Blockchain，IoT即物聯網能力）為核心能力的工業互聯網平臺。01北京奔馳以數據驅動的維護理念，基于工業物聯網技術建立了工業機器人實時運維大數據平臺，并自主開發了工業機器人預測性維護系統。02ROOTCLOUD根云平臺能提供從工業設備連接，到數據管理分析，再到工業應用的端到端服務。以工業