基于故障预测分析系统的TPM 管理实践.docx

基于故障预测分析系统的TPM 管理实践 1 研究背景 目前国内外许多多晶硅生产企业采用关联性较强的生产系统，但是设备设施的维修、维护和管理水平没有随之提升，大多还保留着较为落后的设备管理体系，给多晶硅生产企业的生产经营带来较大的成本压力。随着全球光伏行业的发展，市场对多晶硅生产企业的要求越来越高，提高多晶硅质量、降低多晶硅工艺制造成本势在必行，国内某多晶硅生产公司（下文简称为公司）也由此着力推行低成本战略。经成本测算，公司的维修成本在运营成本中占比较高，而维修成本高的主要原因在于设备故障率高，因此公司决定通过引进基于故障分析系统的TPM（Total Productive Maintenance，全员生产维护）管理来优化设备管理模式来降低设备故障率，从而实现公司的低成本战略。 2 研究现状 传统的维修模式为故障停机维修模式，在设备出现故障之前不对设备进行干预，待设备故障后进行设备的“事后故障维修”。该模式能够实现备品备件的最小化库存以及对备品备件的充分使用，但对于设备构造复杂、上下游生产环节关联性强的工艺系统，反而增加了工艺生产的时间成本和管理成本[1]。 随着生产工艺产线系统关联系越来越强，传统事后维修模式弊端愈发凸显。为规避这一弊端，美国学者提出预防性维修的理念，该理念主要是基于设备运行的盆浴曲线。盆浴曲线反映了机械设备故障率随着机器设备的工作时期的变动而改变的3 个阶段：早期调试与工作阶段、故障偶发阶段和故障率迅速增加的故障损耗阶段[2]。通过实践研究发现，随着设备制造水平和性能可靠性的提升，设备使用过程中故障情况趋向于左半边的曲线，因此在实际工作中主张取消定期大型维护和解体维修，用小修理组合取代定期的大修[3]。但是，由于预防性维修的检查周期较为固定，严格按预防性维修开展维修工作会导致设备频繁拆卸的过度检修状况，过度检修不仅会造成大量的人力资源和备品备件花费，还会因频繁拆解装配给设备的正常使用带来隐患。 随着大数据和人工智能技术的不断发展，在预防性维修的基础上不断衍生出基于大数据的可靠性分析维修模式。基于可靠性理论的设备维修是一种先进维修方式，该方式能根据设备的运行状态来制定维修计划、采购维修备件、实施维修作业，能根据设备运行数据提前预知设备的故障，可以减少不必要的维修工作，使维修工作更加准确、经济[4]。 与此同时，由日本管理团队率先提出了一种全员维护保全的维修管理模式（TPM）。该管理模式重点阐述设备管理是一个系统工程事件，要以系统的思维对设备的管理和维修进行全面的把控，并根据设备所处的生命周期进行不同侧重面的维护管理，且不同角色的设备相关人员均需进行设备的维护保全。 之后，国内学者冯磊在TPM 的基础上，引入基于LSTM 神经网络的故障预测系统，长短期神经网络是由Hochreiter 和Schmidhuber 提出的基于循环神经网络改进而来的一种神经网络模式（图1），该模式使用记忆模块代替了循环神经网络中的“隐单元”，从而实现故障模型的学习、记忆和高精度的设备状态诊断分析[5]。 图1 长短期神经网络构造 通过故障预测系统进行设备状态和人员开展设备维护维修活动的监控，提出“拉动式”TPM管理模式，使TPM 推行更加系统、科学、有力。 TPM 法是以提升设备综合效率为目标，设备相关方共同参与的设备维护、维修体制[6]。良好的TPM 管理模式的推行重点在于如何采用系统、科学的方法来敦促所有设备相关方合理且完备地开展设备的维护活动，在大数据、机器学习算法广泛应用的时代，基于大数据和机器学习算法的设备故障预测分析系统被逐步引入到TPM 管理当中，对规避人为风险、客观系统地实施好TPM 起到了非常重要的作用，实施效果良好。 3 基于故障预测系统的TPM 管理 故障预测分析系统是基于LSTM 神经网络的设备状态监测与信息分析系统，系统通过使用LSTM 神经网络对设备的履历和运行数据进行训练分析，将训练后的数据上传到MRO云数据系统，通过云系统对系统事实的状态监测信息进行分析，从而给出设备的维护保养、检修管理和点巡检信息指令，指导设备使用过程中的管理行为，该系统运行模式如图2所示。 图2 故障预测分析系统模型 为实现公司维修成本的有效控制，通过故障预测分析系统辅助进行硅烷生产区某离心压缩机的TPM 管理。基于故障预测分析系统TPM 管理的实施，在状态监测、维护保养、检修管理、点巡检4 个方面对该离心压缩机的TPM 管理进行优化。 3.1 状态监测 故障预测分析系统通过工业传感器收集设备的温度、压力、电流、振动等参数，生成如图3 所示的设备图形信息，并使用LSTM 神经网络学习并记忆的图形数据库进行信息匹对，最后分析出设备状态，并给出设备管理人员关于设备使用、维护、维修和备件准备的信息。 图3 故障预测分析系统展示界面 基于LST