設備監(jiān)測發(fā)現(xiàn)振動超標，只能說明“設備出現(xiàn)了異常信號”，卻不能直接回答故障到底發(fā)生在哪里、可能是什么原因、接下來應該采取什么措施。對于軸承、齒輪、葉片等關鍵部件，僅靠人工查看一條報警信息，很難支撐復雜設備的快速判斷。用友BIP資產(chǎn)云在PHM預測性維護體系中，將在線狀態(tài)監(jiān)測、閾值與趨勢預警、機理診斷和AI故障診斷連接起來，通過設備測點數(shù)據(jù)、機理模型和歷史樣本進一步分析設備健康狀態(tài)，讓企業(yè)從“發(fā)現(xiàn)異常”繼續(xù)走向“理解異常”。
很多企業(yè)已經(jīng)能夠采集設備振動、溫度等狀態(tài)數(shù)據(jù)，也建立了各種報警閾值，但實際運行中仍然會遇到一個問題：報警越來越多，真正能夠快速判斷的故障卻沒有同步增加。某個測點超過閾值以后，系統(tǒng)可以告訴管理人員“這里不正常”，但維修人員仍需要結合設備結構、歷史運行情況和專業(yè)經(jīng)驗進一步判斷。對于復雜旋轉設備來說，同一種振動變化可能對應不同故障原因，而相似的故障也可能在不同測點上呈現(xiàn)不同特征。因此，狀態(tài)監(jiān)測解決的是異常發(fā)現(xiàn)問題，故障診斷則需要繼續(xù)回答異常意味著什么。
用友BIP資產(chǎn)云PHM整體架構從設備接入和在線采集開始，通過智能傳感、無線通信、設備互聯(lián)等方式形成設備數(shù)據(jù)基礎，再結合大數(shù)據(jù)計算、特征提取和智能模型開展狀態(tài)監(jiān)測、健康評估、壽命預測、故障預測和故障診斷。體系中同時包含機理模型、規(guī)則模型和大數(shù)據(jù)模型，并與運行管理、備件管理、維修管理和維護管理等設備業(yè)務連接。 也就是說，預測性維護并不是單獨部署一個報警頁面，而是需要先獲得連續(xù)、可信的設備狀態(tài)數(shù)據(jù)，再逐步形成分析和診斷能力。
最基礎的一層仍然是預警?，F(xiàn)有方案支持基于標準設定或數(shù)據(jù)自適應計算形成閾值預警，同時關注相較于基準的增長幅度，并設置趨勢增幅預警和趨勢增速預警。 這種設計比單純判斷“有沒有超過固定值”多了一層觀察視角。某個測點即使暫時沒有達到最高報警值，如果相較于設備自身基準已經(jīng)持續(xù)增長，或者變化速度突然加快，也可能值得提前關注。企業(yè)因此可以同時觀察絕對閾值和變化趨勢，而不是等數(shù)據(jù)真正越過某一條固定紅線后才開始處理。
例如，一臺風機的振動值今天并沒有出現(xiàn)極端峰值，但過去一段時間持續(xù)上升。這時，僅憑一次數(shù)據(jù)很難判斷設備已經(jīng)發(fā)生明確故障，卻可以通過趨勢變化發(fā)現(xiàn)潛在異常。用友BIP資產(chǎn)云的狀態(tài)監(jiān)測支持對傳感器采集數(shù)據(jù)進行實時展示，并提供多種譜圖類型的對比分析以及歷史數(shù)據(jù)可視化回放；相關設備場景還支持觀察不同方向的振動超標現(xiàn)象，并按照不同時間頻率進行展示。 對維修人員而言，這種連續(xù)變化通常比孤立的單點數(shù)據(jù)更有分析價值。
但預警依然只是第一步。設備出現(xiàn)異常以后，更關鍵的問題是進一步定位可能的故障部位和故障類型。用友BIP資產(chǎn)云支持維護軸承、齒輪和葉片等基礎組件數(shù)據(jù)，按照設備類別創(chuàng)建機理診斷模型，并為診斷模型綁定軸系、組件信息，同時關聯(lián)具體設備和測量點。系統(tǒng)可以結合已建立的機理診斷模型和在線狀態(tài)監(jiān)測數(shù)據(jù)，對設備健康狀態(tài)開展故障診斷。
這種機理診斷的核心，是讓設備異常不再脫離機械結構單獨判斷。一個測點為什么安裝在這里，它對應哪個軸系、哪個組件，這個組件在某種故障狀態(tài)下通常會出現(xiàn)什么特征，都可以成為診斷的重要背景。對于設備管理人員來說，這比簡單看到“測點A報警”更加接近真實維修場景，因為最終需要處理的對象不是一個數(shù)據(jù)點，而是設備中的軸承、齒輪、轉子或其他具體部件。
現(xiàn)有方案還給出了多類機械故障指標，包括松動、齒輪故障、轉子磨損，以及保持架、滾動體、外圈和內(nèi)圈等軸承相關故障指標。在示例中，系統(tǒng)能夠進一步形成故障部位、故障類型、故障危害和診斷分析信息。 這說明故障診斷的目標不是增加更多技術參數(shù)，而是把監(jiān)測數(shù)據(jù)進一步轉化為設備人員可以理解和處理的故障信息，縮短從“數(shù)據(jù)異常”到“檢查什么”的距離。
除了機理模型，用友BIP資產(chǎn)云方案中還提供AI故障診斷路徑。系統(tǒng)支持配置AI算法并導入樣本，綁定AI智能診斷算法和診斷樣本庫，通過樣本數(shù)據(jù)進行模型訓練，再利用訓練后的模型和設備在線監(jiān)測數(shù)據(jù)開展故障診斷，并形成診斷結論和維修措施。 相比機理診斷更加依賴設備結構和專業(yè)知識，AI診斷則進一步利用歷史樣本和數(shù)據(jù)模式，為復雜故障分析增加另一種手段。
現(xiàn)有資料明確列出了貝葉斯分類、K近鄰分類、非線性支持向量機分類、決策樹、隨機森林、梯度提升樹和Logistic回歸等算法類型。 但這些算法名稱本身并不是故障診斷效果的保證。真正決定模型能否發(fā)揮作用的，仍然包括樣本是否具有代表性、設備類型是否匹配以及監(jiān)測數(shù)據(jù)質(zhì)量是否可靠。因此，對于企業(yè)而言，AI故障診斷不應理解成“接入設備以后系統(tǒng)天然什么故障都能識別”，而是需要經(jīng)過算法選擇、樣本導入和模型訓練等過程。
這也是機理診斷和AI診斷可以形成互補的原因。機理模型能夠利用機械結構、故障機理和專家知識解釋異常，AI模型則可以通過歷史樣本識別數(shù)據(jù)中的復雜模式。前者強調(diào)“為什么可能發(fā)生這種故障”，后者更擅長從大量數(shù)據(jù)中尋找相似特征。在實際設備管理中，兩種方法并不需要相互排斥。用友BIP資產(chǎn)云PHM架構本身同時包含機理模型、規(guī)則模型和大數(shù)據(jù)模型，體現(xiàn)的正是多種模型共同參與設備健康分析的思路。
對于企業(yè)來說，這種組合還有一個現(xiàn)實價值：不同設備并不適合使用完全相同的診斷方式。結構明確、故障機理相對成熟的機械設備，可以更多利用機理模型；積累了大量有效歷史樣本的場景，則可以進一步發(fā)揮機器學習分析價值。如果某類設備數(shù)據(jù)量不足，直接訓練復雜模型未必就能得到可靠結果。因此，預測性維護建設通常不能從“先上一個AI模型”開始，而應先確認關鍵設備、測點、數(shù)據(jù)來源和已有故障知識，再逐步選擇適合的診斷能力。
設備診斷最終也不能停留在“模型說出了一個故障名稱”。維修人員更關心的是下一步如何處理。用友BIP資產(chǎn)云AI故障診斷明確支持形成診斷結論和維修措施；維修助理則可以結合故障歷史和運行參數(shù)變化輔助診斷故障原因、推薦作業(yè)方案，并支持調(diào)閱設備圖紙和相關文檔。 這使診斷結果可以進一步為現(xiàn)場維修提供信息支持，而不是讓維修人員在收到報警后仍然需要從大量資料中重新尋找設備背景。
不過，診斷建議不等于完全替代維修人員判斷。機械設備的真實工況可能受到負荷、安裝、環(huán)境和運行方式等多種因素影響，同一種異常也可能存在多個潛在原因?，F(xiàn)有方案提供的是故障診斷、診斷結論和維修措施等能力，并沒有說明所有診斷結果都可以在無人確認的情況下直接執(zhí)行。因此，更合理的使用方式是將系統(tǒng)分析作為維修人員的診斷依據(jù)之一，再結合現(xiàn)場檢查和專業(yè)判斷確認實際故障。
故障診斷還需要和后續(xù)維修管理連接。用友BIP資產(chǎn)云PHM架構將故障預測、故障診斷與EAM中的運行管理、維修管理、維護管理和備件管理放在同一整體框架中。 當設備異常被識別和診斷后，企業(yè)真正的管理目標仍然是采取合理的維護或維修措施，并把最終處理結果繼續(xù)沉淀為新的設備履歷。這樣，今天發(fā)生的故障和維修結果才有機會成為未來診斷時可以利用的歷史信息。
長期來看，設備故障診斷的價值還體現(xiàn)在知識積累上。很多企業(yè)在設備運行多年以后，真正掌握故障經(jīng)驗的往往是少數(shù)資深工程師。當人員流動或退休以后，經(jīng)驗也容易隨之流失。用友BIP資產(chǎn)云PHM體系包含專家知識庫、知識庫以及機理模型等能力，并進一步結合運行數(shù)據(jù)、維保數(shù)據(jù)和模型分析開展設備健康管理。 當歷史故障、監(jiān)測特征和維修結果能夠持續(xù)積累，設備診斷就有機會從依賴少數(shù)人的經(jīng)驗，逐步轉向數(shù)據(jù)與知識共同支撐。
但企業(yè)也不能因為建立了預測性維護體系，就期待設備從此不再發(fā)生故障。PHM的價值更多在于提高異常發(fā)現(xiàn)和分析的提前量，讓部分風險有機會在嚴重故障發(fā)生前被識別，并為維修策略調(diào)整提供依據(jù)。用友BIP資產(chǎn)云對PHM的定位也是借助IoT技術實現(xiàn)資產(chǎn)運行狀態(tài)實時動態(tài)管控、識別潛在風險并驅(qū)動狀態(tài)化維修。 這與傳統(tǒng)“設備壞了以后再搶修”的模式相比，最大的變化是維修決策開始更多建立在設備真實狀態(tài)之上。
企業(yè)開展這類建設時，還需要避免陷入“傳感器越多越好”的誤區(qū)。狀態(tài)監(jiān)測的重點不是采集盡可能多的數(shù)據(jù)，而是明確哪些設備值得重點監(jiān)控、哪些關鍵部位需要設置測點、什么數(shù)據(jù)能夠反映真實健康狀態(tài)，以及報警之后由誰判斷和處理。如果測點設計與設備故障機理沒有關系，再豐富的數(shù)據(jù)也可能只會制造更多無效報警。用友BIP資產(chǎn)云強調(diào)設備、測量點、軸系、組件與機理診斷模型之間的關聯(lián)，本質(zhì)上也是讓數(shù)據(jù)采集服務于實際診斷。
從設備監(jiān)測到真正的預測性維護，中間其實隔著一條很長的分析鏈路：傳感器首先獲取設備狀態(tài)數(shù)據(jù)，系統(tǒng)通過過濾和特征提取觀察異常，再利用閾值和趨勢變化提前發(fā)現(xiàn)風險，隨后通過機理模型或AI模型進一步判斷故障類型，最終形成診斷結論和維修建議。用友BIP資產(chǎn)云通過PHM把這些環(huán)節(jié)連接起來，使設備管理不再滿足于“知道某個數(shù)值超標”，而是繼續(xù)追問異常為什么出現(xiàn)、可能發(fā)生在哪里，以及接下來應該重點檢查什么。
對于高價值、連續(xù)運行或故障影響較大的核心設備而言，這種變化尤為重要。一次振動超標本身并不是最終答案，真正有管理價值的是把這條異常信號與設備結構、歷史數(shù)據(jù)、趨勢變化和故障知識聯(lián)系起來。用友BIP資產(chǎn)云以在線狀態(tài)監(jiān)測為數(shù)據(jù)基礎，以閾值與趨勢預警提前發(fā)現(xiàn)異常，再通過機理診斷和AI故障診斷幫助企業(yè)理解設備狀態(tài)，讓預測性維護從“看見報警”進一步走向“分析故障”，為狀態(tài)化維修提供更充分的數(shù)據(jù)依據(jù)。