实时的预测性维护系统如何“待泵如人

在一种创新的，略显黑科技的实时预测性维护方法中，我们处理泵发生的故障问题就像处理可导致死亡的疾病一样。 我们采用流行病学方法来预测泵故障或任何设备故障，研发了创新的新型故障算法。 FORESTALL算法实时更新，自动通知维护计划人员即将发生的故障。 这些算法可以使用现有的过程控制系统在数周内部署完毕。

旋流器、泵和料斗示意图

Newcreast公司 MDX 550-渣浆泵

旋流器入料泵几乎是任何选矿厂都必需的关键部件。而根据以往数据，旋流器入料泵停机费用约为每小时25,000至50,000美元。 在12个月的时间内，旋流器渣浆泵有34小时的意外停机时间，每年耗资85万美元 - 170万美元。 目前，预测性维护还并不是采矿业的标准配置，甚至也没有使用实时数据监测。 为Newcrest公司的泵做故障预测而研发的算法，给实时预测性维护提供了一个阶梯式的解决方案。

1、完美的平台部署

每个矿山都有一个工厂过程控制系统，包括分布式控制系统（DCS）和可编程逻辑控制（PLC）。 这些DCS和PLC系统为快速部署实时预测性维护提供了完美的平台。 MIPAC（过程控制专家和PI OSISoftPartners）表示，只需要7-28天来部署算法。并且泵在即将发生故障的分别28天，7天和24小时内，自动向管理员/主管发送信息。

几大优点：

（1）所有矿山都使用生产控制系统

（2）算法可轻松编码到任意数量的现有生产控制系统（霍尼韦尔，日本横河，施耐德，西门子，ABB等）；

（3）自动向维护计划人员和工厂经理/主管发送信息

2、创新的新方法

标准工程设备故障预测方法不适用于泵故障数据分析，（例如，威布尔（Weibull）分布适用于数据，只能进行完整的案例研究），而有限的数据组也同样增加了Newcrest 公司设备的故障判断难度。

通过修改和调整现有的流行病学统计方法，我们能够创建一个工作机器学习算法，该算法使用工厂过程控制数据来提供实时的故障预测。增加用于算法训练的故障案例数量，可以提高算法的可靠性。例如，下面所示的FORESTALLTM 28天算法是基于17个泵的故障情况案例研究。通过在PI数据库回顾几年来产生的数据并进行分析，的可靠性将得到提高。假设每个泵的重建就像在泵的维护时钟的重置——Newcrest的行业顾问告诉我们，这个假设是合理的。

图5-泵故障实时预测性维护算法

重要的是，我们还可以使用算法来预测自上次泵重建以来发生故障的概率。这意味着管理人员可以选择风险级别，并自定义设置电子邮件类别，例如：

(1) 当泵在28天内发生故障的可能性为70％时发出蓝色警 信息；

(2) 当泵在7天内发生故障的概率为80％时发出琥珀色警 ；

(3) 当24小时内出现故障概率为90％时发出红色警 ；

3、用FORESTALL算法预防故障

障预测算法使维护计划人员能够使用实时数据预防故障。 FORESTALL机器学习算法可用于预防所有类型的加工厂设备的故障：

(1) 及时订购零备件。

(2) 最优的停机计划。

(3) 最大程度地消除故障。

(4) 找出根本缘由而改进业务计划。

预测性维护在Cadia生产控制室