在这个新的数字化时代，业务和运营系统更加一体化。有了可访问的数据和信息，使用设备生产产品的工厂就更容易提升业务价值。当设备性能和可用性得到提高时，产量也会随之增加，这可从根本上提升工厂的价值。
泵在化工、石油和天然气、采矿、水处理和发电等流程工业中发挥着至关重要的作用。当泵的可用性或性能由于发展中的缺陷而下降时，生产就会因停机、性能下降和质量下降而受到损失。
在这个数字化时代，泵和系统通过各种传感器进行监控，以检测可能存在的泵缺陷、自动进行分析并提出缓解措施。传感器数据收集和分析的自动化可提高工人的工作效率，使其专注于需要人类洞察力和决策的任务。通过自动化传感器系统，可以带来诸多好处，例如降低维护成本、延长设备使用寿命、降低资本成本、提高生产产量、改善可持续性、减少安全事故以及提高泵健康和性能的可见性。
本文将重点介绍数字预测、规范维护计划和应用的组成部分。本文还将介绍实施过程并分享一个案例研究。
预测性和规范性数字维护及应用的组成部分
数字化预测性和规范性维护及应用有五个（关键要素）类别的组成部分，见图 1。
1）资产包括预期性能，如电气、机械和流体动力学；规格，包括电动机、联轴器、泵类型和可更换零部件；操作手册和建议的维护。
2）传感器测量设备性能和健康状况，将数字系统与泵的电气、机械和化学世界连接起来。预测性维护检查包括振动、电动机电流、超声波、热、润滑、电磁和视频传感器。过程传感器包括温度、压力、流量和化学特性传感器。维护传感器和过程传感器协同工作，可提供泵的运行状态、性能和健康状况的整体视图。
3）数据采集将模拟传感器的电信号数字化，将数字传感器信息转换为数值，并与数据历史记录进行通信，以收集数字化控制系统传感器数据。数据采集系统添加上下文信息，如传感器位置、时间戳、测量单位、采样参数、数据质量、运行状态等。
4）分析从传感器数据中提取特征。特征包括统计分析（如变化率）、运行平均值和与相关泵传感器的相关性。傅立叶变换等信号处理功能可识别振动、超声波或电气传感器数据中的频率或音调。传感器数据具以map-to-pump退化模式为特征，并为设置警报和诊断提供基础。
5）决策支持以特征分析为基础，向工厂人员通报问题诊断，并建议需要采取的缓解措施。当将故障后果放入上下文中时，变化率和警报级别会提供严重性和紧迫感。了解工厂的运行计划有助于工作人员在最短的中断时间内执行缓解措施。在这一级别，主题专家（SME）审查建议的措施并深入分析，分析原始传感器数据和资产信息。来自SME的反馈会影响分析、数据采集、传感器和资产环境。
将所有要素组合在一起
实施预测性维护计划从资产（泵）开始。工程文档对于了解故障物理、性能预期、故障后果和相应的缓解措施至关重要。
泵预测性维护计划的核心是资产目录、资产对业务的关键性或重要性、可能的故障模式和缓解措施。这些详细信息保存在可访问、可维护的数字位置。详细信息可按工厂设备层次结构和设备类型导航。关键性和资产故障模式最为重要（见图 2）。
了解故障模式和典型维护计划后，传感器调查可以确定现有传感器的不足及任何缺口。增加传感器是为了提高可能的泵故障模式的覆盖范围。
数据采集系统（DAQ）连接到传感器源，安装人员根据位置和上下文配置传感器，包括时间、计量单位、数据质量等。在所选择的网络上配置DAQ，通常是可以访问工厂数据历史记录的虚拟局域网（VLAN）。
DAQ将数据传输到分析系统。分析系统根据统计数据、相关性和傅里叶变换计算特征或泵状态指标，将这些特征结合在一起，提供了泵健康和性能下降的症状。这些症状汇总后，形成泵问题的可能诊断结果（见图3）。决策支持将诊断中的当前概率与泵的历史故障和纠正性维护计划相结合。有了诊断结果和成功的措施，决策支持系统就会建议采取缓解措施来消除缺陷，从而解决泵的问题。
业界正在努力估算剩余使用寿命（RUL）。缺陷严重程度和异常变化率提供了线索。未来，缓解措施和RUL相结合，可以简化纠正工作的时间安排，同时最大程度地减少对工厂运营的干扰。
借助泵工程数据、传感器选择、数据采集和分析特征提取与诊断，数字预测维护系统可以指导工厂人员规划和安排缓解措施。SMEs深入研究工程文档、传感器特征、诊断逻辑和原始传感器值，以验证和批准决策支持建议。
案例研究：Duke能源
2010年，Duke能源启动了一项全公司范围的项目，使用数字技术来满足可靠性需求并优化员工工作。Duke能源用DAQ技术取代了基于路径的数据收集，以识别问题并通知SMEs。SMEs现在可以远程将时间花在处理价值更高的任务。这个多年期项目包括新的传感器和新的信息技术架构。Duke能源将工业物联网（IIoT）和大数据分析相结合，以实现其可靠性目标。基于对工厂资产的维护和工程知识，Duke能源与电力研究所（EPRI）、传感器供应商、DAQ供应商、数据历史记录和异常检测软件合作。Duke能源的愿景是实现全公司智能监控和诊断（Smart M&D）。
EPRI推出了一个类似的框架，以支持发电公司向物联网相关技术和解决方案过渡。Duke能源和 EPRI合作，对在线传感器、网络基础设施、系统架构和诊断应用进行投资。
Duke能源在其设施中确定了10,000多项资产，并在其设备中增加了30,000多个传感器，包括加速度计、温度传感器、油分析传感器、热成像仪和趋近式探头。这些传感器增加了在线振动检查、轴承温度和油压、溶解气体和电动机电磁信号等。
振动检查需要每秒采集多达100,000个样本，持续几秒钟，以获得良好的机器状况测量值。DAQ可管理采集、验证数据质量、为数据添加时间戳并提取特征。为了管理大量数据，Duke能源使用了边缘计算。每个工厂都有自己的数据历史记录，用于收集、存储和组织特征数据。SMEs利用警报仪表板显示意外的设备行为，并调查所显示的问题，以确定异常情况是否需要进一步调查。
将异常数据传输到资产健康管理系统，通过与故障特征数据库中的已知故障进行比较来进行诊断。诊断提供了一个窗口，以便在成本较低的时候计划和安排缓解措施。四年来，Duke能源通过避免不可预见的故障，避免了超过其资本预算130%的成本。自动数据收集也降低了他们的劳动力成本。
转向数字预测性维护策略可提高设备的可靠性并降低运营成本，满足企业可靠性目标，同时通过自动化和分析优化了员工的工作。
还必须考虑人员和流程。使用手持式分析仪进行机械检查的传统做法是中小企业面临的一个障碍。远程可视化的持续改进有助于中小企业向智能M&D转型。当10,000项资产报告异常时，警报管理是一项挑战。将重要性、严重性和风险纳入警报管理可以缓解这一难题。
这个数字时代提供了各种工具和技术，可将工程数据、传感器、数据采集、传感器特征分析、统计和机器学习集成到一个整体决策支持预测性维护系统中。实施团队以设备物理、工厂生产流程、利益相关者需求和业务流程为基础。这需要一个团队在管理组织变革的同时，成功地实施包含所有五个关键要素的系统。
参考文献
1）“Setting Up for a Successful Digital Transformation With Online Monitoring Technology,” National Instruments Webinar, 2022.
2）“Duke Energy Leverages IIoT for Predictive Maintenance Applications,” IHS Market, Case Study, Alex West, January 2018.
BB3、BB4、BB5双壳体多级泵
