基于大数据的故障诊断和预测

明略数据针对故障诊断和预测这两个问题,分析拆解问题

将大数据技术落地解决业务问题,实施明略大数据制造业解决方案

项目总结

基于特征分析和机器学习的故障预测与全生命周期健康管理,用全套自主知识产权的数据接入、存储、挖掘平台助力中国制造企业,结合行业专家智慧的故障分析外,还采用GPU加速进行深度机器学习,实现海量设备数据的汇总和状态监视,对核心组件的进行模式识别和特征挖掘,预测故障。

项目背景

为快速提升产品竞争力,加强产品服务能力,企业对于产品的全生命周期服务愈加重视,同时迫切降低产品全生命周期的维护成本以提升经营效率。

以前对于产品设备的维护主要基于既有的保养制度、基于运营中发生的各种故障、基于操作和检测人员的行业经验,容易对需要维修的设备造成“过修”或“失修”,导致维护费用使用效率低,也无法杜绝故障的发生。

需要实现高效的“状态修”,即预测性维修,做到既不过修也不失修,避免维修保养中的盲目性,使设备始终处于可靠受控状态,大大降低维护保养费用,从而在保证安全的大前提下提高经营效益。

项目内容

为了达到预测性维修的目的,快速故障诊断和高效故障预测系统就成为主要的需求。利用设备传感器产生的不同粒度的状态数据,通过数据采集、数据治理,数据存储、数据挖掘和数据分析等过程就能洞察 整个产品生命周期中各个时刻的状态和性能,从而根据不同的业务特征即可制定相应的动态维修计划,在故障出现之前就能够做出故障诊断或预测故障的发生可能性,进而适时地采取维修措施,避免故障实际发生,最终能够保证设备的安全运行,全面提升产品竞争力。

项目成果

从设备运行海量状态数据中实时发现和排除故障隐患,避免引发安全生产事故。采用了分布式并行处理的大数据平台,能够快速处理海量的传感器数据,通过可视化界面能够实时直观地看到设备运行状态及 其关键组件工作情况,及时发现故障或故障隐患,快速定位,迅速采取措施排除故障或故障隐患。最大限度地减少设备停用或安全生产事故。

通过故障建模实现故障预测、变坏后修理为按状态维护,实现预测性维护,大大降低维修保养费用,提升企业运营效率。在数据建模过程中,由于对各个相关传感器数据做了全面考虑,以往一些不被注意但 会产生实际影响的传感器数据将在特征提取建模和神经网络建模过程中被囊括进来,结合历史数据对实时全量数据进行挖掘分析,得出故障发生的概率,从而实现故障预测,指导预测性维修,一方面将安全 隐患防范于未然,一方面通过“按状态维护”大大节省设备维护费用,降低事故风险,延长设备使用寿命,提升服务水平,提升企业社会效益。

易于扩展、成本可控、降低固定资产投入。随着数据量增加,大数据系统支持在线增加节点扩容,保持服务的连续性。支持在线增加存储,以提高计算性能,并采用了独立的功能模块和标准硬件,可根据需求灵活选配,项目成本容易控制,从而可以有效降低企业固定资产投入,提高投入产出比,扩大整体营收。

A. 北京市海淀区中关村东路1号院1号楼 清华科技园 创新大厦A座10层

T. 010-82151987 F. +8610-84678165

©2015 MININGLAMP. All rights reserved 京ICP备15016868号