工业4.0制造设备解决方案/工业自动化控制系统

 本系统包括工业4.0的两大内容CPS(Cyber- Physical System,虚拟网络-实体物理系统)和预测制造。

制造信息系统的基本定义可以用6大功能来进一步强化说明，它包含连接(Connection，感器和网络)、云( Cloud，任何时间及需求的数据)、虚拟网络(Cyber,模式与记忆)、内容(Content，相关性和含义)、社群(Community，分享和交际)与客制化(customization，个性化服务与价值)。现有的制造系统需要对制造设备本身的以及制造过程中产生的数据进行更深入的分析。

预测性制造系统

在预测性制造系统中，收集数据和分析数据是关键。设备采用ICT在线测试对设备的各个参数进行实时的读取，并对各种采集数据进行组合分析，从而得到设备的健康评估，并且上到企业的ERP系统。

用适当的感器组合提取出数据，如振动、温度、压力、信号等。进一步用数据挖掘或者历吏数据之间的相关性，来对数据进行增强处理。通过一些工业级的通信协议，例如MTConneet和OPC,可以使用户将控制器中的设备状态信号储存下来。当与来自感器数据一同记录的时候，这些来自控制器的数据可以提供背景信息，在来源不同的数据和多种零部件级单元进行融合时，这时候需要解决由大数据带来的困难。

这一问题带来的挑战是如何有效管理并且提取出有用的信息。如何有效管理并提取有用的信息他是一系列预测性工具和算法的集合，可以分为四部分信号处理及特征提取、设备健康评估、设备性能预测和故障预测，通过精心选择并使用可视化工具，设备健康的一些标准，如当前状态、剩余使用寿命等，可以以图表、衰减曲线、风险表和健康图等方式有效展现出来。

通过制造透明化，管理者可以得到正确的信息，进而对所有设备进行全局性的有效评估。设备也就可以通过适时维护得到经济有效管理，还可以提供给设备设计者整体性的健康信息，以进行闭环的全生命周期重新设计，进而使下一代生产系统得到改进。

基于振动大数据分析的预知维修

振动分析作为旋转机械故障诊断的有效分析方法之一已经被广泛应用，结合大数据分析技术，其在预知维修领域具有极大的应用前景。

基于振动大数据分析的预知维修的基本思路如下

设备安装阶段   

1/定义振动数据采样点，在设备正常运转时采集，作为正常状态参考值。

2/为每个振动数据采样点定义在设备运行阶段的振幅阀值。

3/将振动分析纳入到设备健康管理的标准流程中去。

设备运行阶段

1/频繁采集振动数据，将测得的振幅与正常状态参考值做对比。

2/定期将采集到的振动数据做振动分析来监控设备的监控状态。

3/对超出振幅阀值和有异常频谱的设备做根本原因分析（RCA）。

振动大数据分析

1/根据设备的结构使用有限元方法和系统动力学计算理论的频谱。

2/采用高精度的加速度感器和采集模块获取振动信号做频谱分析。

3/将理论频谱与设备正常运转时实测的频谱结合作为设备参考频谱。

4/持续采集设备振动信号，离线情况下至少一天一次。

5/通过系统自学习（Machine Learning）来修正和完善设备参考频谱。

6/对于出现故障的设备，由专家做根本原因分析（Root Cause Analysis）进一步修正和完善设备参考频谱。将实测频谱和设备参考频谱进行相似性分析等数据挖掘（Data Mining）以识别异常可能性。

行业应用化工设备机械密封健康管理

数据调研

1、了解机械密封结构和冲洗方案                       

2、分析机械密封失效历史记录

3、机械密封失效和原因分析

4、设备的启停机管理

建立智能巡检平台

1、实现到位管理

2、趋势分析

3、报警分析

4、异常报告

5、客户化统计分析管理

制定设备的启停机流程

机械密封的损坏与不当的启停机流程有关，针对机械密封结构原理和现场应用，制定合适的启停机操作流程。

制定机械密封巡检方案

1、根据机械密封的类型和冲洗方案，制定优化巡检模块，提供智能点检仪器和智能感器，及时收集关键影响参数

2、收集压力流量数据

3、机械密封振动和温度趋势管理

4、节流孔温度趋势管理

5、冷媒温度趋势管理

6、点检路径管理

7、异常报警管理