《智能制造业新模式新业态》 课件 第6 章　服务型制造及智能运维服务

服务型制造及智能运维服务模式NewFormsandModels

ofIntelligentManufacturing目录服务型制造的定义和特征01智能运维02智能运维关键技术03运维平台04案例&实践项目0501服务型制造的定义与特征01服务型制造的定义与特征（1）以客户对产品功能和体验需求为出发点（2）从产品主导思维向客户主导思维的转变（3）高附加值的“产品服务组合”的核心产出（4）以制造业为基础，相互融合提升服务能力，强化制造技术核心特征服务型制造是制造业与服务业融合发展的新兴产业形态，也是制造业转型升级的关键方向。制造企业通过创新、优化生产组织形式、运营管理方式以及商业发展模式，逐步提升服务在投入和产出中的比重。服务型制造的定义加工组装产品销售制造产品服务01服务型制造的定义与特征服务型制造的范畴分为两个方面，一是核心要素，二是业务类型。核心要素包括产品服务组合、资源池、组织与流程三个关键部分。服务型制造的范畴01服务型制造的业务类型包括工业设计服务、定制化服务、供应链管理、共享制造、检验检测认证服务、全生命周期管理、总集成总承包、节能环保服务和其他创新模式等。服务型制造的范畴服务型制造的定义与特征02智能运维6.2智能运维事后维修是在设备故障后进行修理的最早形式。该方式存在一定的时间延误，因为它不是防止设备出现问题，而是在问题出现后才采取措施。事后维修状态维修旨在利用技术和管理手段对设备状态进行全面把握，以达到最佳维修效果。该维修方式没有固定的维修间隔期，而是根据监测数据的变化趋势由维修技术人员判断，管理部门再确定设备的维修计划。状态维修预防维修在工业技术不断进步的情况下，仅仅依赖简单的事后维修模式难以确保设备的持续正常使用。此外，故障维修无法精确估计缺陷设备的修理时间长度。预防维修预测性维修起源于状态监测，该监测通过设备传感器收集动态特征，监测机器的运行状态，并进行判断和预测可能的故障和磨损。故障诊断技术是预测性维修的重要组成部分，包括专家系统诊断、神经网络诊断和人工智能等信息化方法，以及基于统计数学模型的故障诊断方法。创新发展01020304设备运维的历史发展6.2智能运维远程智能运维包括“智能采集-智能分析-智能诊断-智能排产-自动委托-推送方案-远程支持-智能检验”等步骤。其独特之处在于以“数据”为核心，通过技术赋能、管理赋能和价值赋能，提高人员效率、管理效率，减少停机时间和突发故障，降低备件库存和维修负担。远程运维的内涵在于基于设备状态变化趋势的智能决策。设备状态分为当前状态和未来状态，前者用于运行数据监控、异常数据报警、故障准确定位，后者用于设备健康评价、劣化趋势预知、使用寿命预测等。智能决策实现设备状态数据化，所有决策源于数据，主要包括“4W1H”：是否维修、维修对象、维修人员、维修时间以及维修策略。远程智能运维系统是一个整体，包含数据处理的全部流程。在数据层面，包括状态监测的六大功能：数据采集、数据操作、状态检测、健康评估、预测评估和建议生成。在物理层面，系统包括从传感器、数据采集、边缘服务器到中心服务器的整体分布计算系统。系统的设计不仅注重数据的获取和处理，还强调维护规程和远程指导等辅助功能，以全面支持远程智能运维的各个方面。设备运维的范畴03智能运维关键技术03智能运维关键技术——智能诊断●

智能运维关键技术是智能诊断技术。●

数据分析之后，需要利用已有的数据分析结果和融合后的数据类型进行智能诊断，智能诊断的方法有：基于规则的智能诊断、基于传统机器学习的智能诊断、基于深度学习模型的智能诊断以及基于迁移学习的智能诊断。智能诊断方法基于规则的智能诊断基于传统机器学习的智能诊断基于深度学习模型的智能诊断基于迁移学习的智能诊断03基于规则的智能诊断●

基于规则的诊断是根据故障征兆信息确定系统故障原因的过程。基于规则的故障识别模块利用离线学习得到的规则对发生故障时的设备进行自动诊断，以给出故障类型和诊断依据。故障识别是由征兆触发。故障诊断规则征兆推理过程先决条件先决条件设备运行频谱的变化即该模型主要包括频谱校正、故障特征频率搜索、离线规则学习与故障识别和概率神经网络故障识别等子模块。03基于传统机器学习的智能诊断●

基于传统机器学习的故障诊断方法适用于处理变量维度低、线性强的数据。传统机器学习作为故障模式分类器，其诊断精度极大程度上取决于特征向量的合理性及准确性。因此，对故障信号进行合理分析并提取故障特征、构建特征向量，以实现对原始数据的有效降维，以满足传统机器学习的输入需求。典型的传统机器学习方法解释特点K近邻（K-NeighborNearest,KNN）简单无参数模型，没有显式的训练过程，是“懒惰学习”的代表。通过度量测试数据到训练数据的距离实现对数据的分类。其在数据维度高时计算量大，同时KNN对数据容错性差，容易受异常数据点影响，因此KNN通常适用于少量低维度数据预测。人工神经网络（ArtificailNeuralNetworks，ANN）基于经验风险最小化理论（Empi-ricalRiskMinimization，ERM），需要利用有标签数据训练及优化网络。通常在训练样本容量大时能保证较好的学习效果。而在样本容量小时，ANN会产生过拟合，影响ANN的性能表现。支持向量机（SupportVectorMachine，SVM）基于VC维和结构风险最小化理论（StructuralRiskMinimization,SRM），优化了训练样本容量小时网络过拟合问题。通过有监督训练实现网络的优化，对异常数据点容忍度较高，保证了预测的准确性和稳定性，因此SVM当前仍被广泛研究及应用。03基于深度学习模型的智能诊断●基于深度学习的诊断模型适用于处理变量维度高、非线性强的大量复杂数据，能建立从数据空间到类别空间端到端的映射，避免了显式的特征向量构建过程，极大地减少了对经验知识的依赖，其代替手工分析数据并提取故障特征，并完成故障模式识别。卷积神经网络大数据特性：体量大、类型多、价值密度低、处理速度快复杂系统故障基本特性：众多单元之间的相关性难以界定，机械装备或系统的状态具有较强的非线性性智能制造时代的机械状态数据传统基于数据驱动的故障诊断方法采用多种维度的输入利用梯度下降方法实现有监督的网络训练，具有良好的可解释性。独特的权值共享机制使其具有更少的网络参数。结构更具灵活性：可以通过在网络深度、宽度以及卷积核尺寸各维度，在保证网络拟合数据的能力的同时，进行网络的轻量化改进。基于深度学习的故障诊断方法难以适应03基于迁移学习的智能诊断●迁移学习通过引入与目标域（TargetDomain）数据具有相似分布的数据作为源域数据（SourceDomain），并利用源域数据辅助训练，以获取一个在目标域数据上有优秀泛化能力的深度学习模型。迁移学习异构迁移学习同构迁移学习微调（Fine-tuning）领域适配（DomainAdaptation）基于深度学习的故障诊断算法：训练数据（源数据）与测试数据（目标数据）必须具有相同的概率分布。在实际工业应用中，往往需要面对不同的工况。不同工况的故障数据特征分布不同。然而04运维平台04远程运维平台主要分为端层、边层和云层，与工业互联网平台中的IaaS、边缘层、PaaS层以及SaaS相关。其核心组成包括设备远程运维数据中心、远程运维平台服务中心、示范区域的在线监测诊断及边缘计算系统、支撑设备互联的高性能动态数据采集装置及其应用软件。1.运维平台体系架构运维平台04运维平台2.远程智能运维平台功能设计主要功能：数据处理、数据传输、数据存储，数据管理点检管理、精密监测诊断、在线监测诊断，智能诊断，状态监控，检修管理，备修管理，标准维护，统计分析、知识库、可视化监控、移动APP和系统维护等。04运维平台设备状态数据分析处理中心包括了数据采集和分发服务器、网络、服务器集群、大数据融合存储设备以及基于这些硬件设备的软件系统。数据层工具层用于实现数据管理、运算与分析功能，包含机器学习计算工具、智能分析工具等。工具层应用层的主要任务是实时监测所监测设备的运行状态数据和生产过程数据，并执行各功能。应用层接入层的主要职能是实现对工业现场设备状态数据、工况数据、工艺参数、环境等数据的在线与离线采集。接入层04运维平台接入层1）现场设备状态数据采集数据采集模块通过全面采集设备全生命周期的各种要素相关数据和信息，如振动、温度、扭矩等传感器数据以及设备维修数据，打破设备独立感知监控的信息孤岛，建立一个统一的数据环境。数据分发模块采用高性能消息集群充当核心中间件，负责将数据采集模块采集到的各类设备数据传递到监控平台的数据存储模块、业务模块及展示模块等。主要功能为：实现对工业现场设备状态数据、工况数据、工艺参数、环境等数据的在线与离线采集。2）主流控制系统工艺数据采集开发面向产线自动控制系统如西门子、ABB等的数据采集技术，通过消化网络协议，确定数据采集的规范，确保获取设备状态数据分析所相关的工艺过程数据。04运维平台数据层设备状态数据分析处理中心包括了数据采集和分发服务器、网络、服务器集群、大数据融合存储设备以及基于这些硬件设备的软件系统。软件系统包括数据采集模块，大数据融合存储模块、数据分发模块，数据库模块，数据计算模块，智能分析模块、业务模块、展示管理模块以及集群运维监控模块。04运维平台数据层1）大数据基础平台大数据基础平台主要提供数据接入服务、数据存储服务、数据计算服务包含实时计算和离线计算、监控报警服务、平台管理服务和数据交换服务。该平台部署了工业大数据平台软件及其众多应用型组件，通过这些组件的协同搭配，能够解决许多工业数据方面的问题。数据中心的模块包括数据对象、数据转换和传输、大数据融合存储、数据库、数据计算、智能分析、集群运维监控以及数据分析用例等。软件系统通过数据接口与外部应用和业务进行交互，向外部系统如各区域内在线系统、诊断中心业务系统提供大数据分析支持。功能架构如左图红色线框内所示。2）工业数据处理工业数据处理的主要功能是针对设备全生命周期监测过程中，产生的高维、动态、开放和异构的多源监测数据流。由于获取和传输等环节中的干扰因素，数据可能存在缺失、错误和冲突等问题。研究数据服务模型，根据数据来源、类型和产生背景，形成可复用、可扩展的清洗模型。对采集的振动信号、温度等数据进行数据预处理，为故障模型诊断数据进行多种分类计算。04运维平台工具层平台工具集指标设计器组态设计器数据分析视图设计器组合视图设计器功能组件配置器业务流程设计器业务流程配置器报表设计器……数据分析视图图形组件类型04运维平台应用层测点状态统计原型图01可视化监控对异常报警以及各测点状态进行统计以及可视化处理04运维平台应用层点检流程02点检管理03精密监测诊断精密监测管理点检管理涉及对设备的点检任务进行系统化管理精密监测管理包含设备的精密检测计划处理和精密检测实施两个部分04运维平台应用层04智能诊断设备远程运维平台在原有的诊断分析工具基础上新增了电气专业分析工具，其中包括历史趋势分析、趋势对比、概率分析和趋势预测等功能。05状态管控状态管控包括异常处理、维护计划管理、维护结果评估、故障管理、异常事件漏报管理、重大事件（履历）维护、状态自诊断、周期报告七个部分。06检修管理系统根据检修标准设定自动生成检修计划，产线工程师可以对检修计划进行“发起委托”、“自行处理”、“暂不处理”等操作。07备修管理能够发起相应的备修流程，记录备件管控过程中产生的业务数据，包含卷筒备修、辊道备修、常规备修等功能模块。08标准维护产线工程师可以通过该模块对设备基础信息以及对应标准进行系统管理。该功能包含设备基础信息、点检标准、检修标准、精密检测标准以及工作日调整五个模块。09统计分析通过计算和统计业务数据和设备运行状态数据，形成可对比分析的趋势视图和详情列表，为绩效考核、整体状态概览以及设备运维优化提供了参照依据。05案例&实践项目根云（ROOTCLOUD）平台基于大数据平台的工业机器人预测性维护应用05案例&实践项目01树根互联构建以ABIoT（A即人工智能AI，B即区块链Blockchain，IoT即物联网能力）为核心能力的工业互联网平台。01北京奔驰以数据驱动的维护理念，基于工业物联网技术建立了工业机器人实时运维大数据平台，并自主开发了工业机器人预测性维护系统。02ROOTCLOUD根云平台能提供从工业设备连接，到数据管理分析，再到工业应用的端到端服务。以工业