一種面向健康狀態(tài)預測的設備維護方法

王旭，段喆，鐘煒

（1.天津理工大學管理學院；2.天津生態(tài)城國有資產(chǎn)經(jīng)營管理有限公司）

1 引言

天津市某國有資產(chǎn)經(jīng)營管理有限公司主要負責國有資產(chǎn)的經(jīng)營與管理、房屋租賃、景觀綠化工程建設與管理、公建項目建設與管理等，負責的公建項目管理包括醫(yī)院、學校、消防站等，以上單位均包含眾多的通用設備和專業(yè)設備。以醫(yī)院為例，醫(yī)院設備總價值占到醫(yī)院固定資產(chǎn)總額的50%以上，保證設備的良好工況，提高設備運行的可靠性，不僅能夠確保醫(yī)療診斷的準確性，還能使國有資產(chǎn)保值增值[1]。目前，大多數(shù)公建項目在設備管理方面還未形成較好的管理模式，存在維護預案響應不及時、維護人員勞動強度大，日常維護不到位等導致設備劣化程度加重等問題，因此，用較少的資金投入，組織合理的設備維護方式是公建項目運維管理面臨的難題[2]。

面向健康狀態(tài)預測的設備維護方法利用算法預測與數(shù)據(jù)分析技術，對設備歷史維護中的履歷數(shù)據(jù)進行統(tǒng)計，通過SVM算法構建設備健康狀態(tài)預測模型，完成設備健康狀態(tài)預測，根據(jù)預測設備狀態(tài)結(jié)果提前采取維護措施，以達到對設備“狀態(tài)修”的預判，探索設備維護管理的新模式。

2 設備維護方式

由于設備維護成本占建筑年度運維管理成本的65%以上[3]，因此設備維護是運維管理的重要組成部分，有效的維護策略可以降低設備維護成本，甚至可以延長設備的使用壽命。目前，設備維護方法主要有反應性維護、預防性維護和預測性維護。

2.1 反應性維護

反應性維護是指設備發(fā)生故障后維護人員才執(zhí)行的維護操作，是基于故障驅(qū)動的事后維修，維護措施需要維護人員到現(xiàn)場查明原因后才能制定，設備維護時間也會受到維護人員的經(jīng)驗、故障的復雜程度等現(xiàn)場情況的影響，而設備維護的效果往往不能達到最初的設備健康狀態(tài)。

2.2 預防性維護

預防性維護是指維護人員以一定的時間間隔檢查設備運行狀況，是基于時間驅(qū)動的事前維護方式，主要以“預防”為主。定期預防性檢查會耗費大量人力、物力及時間。

2.3 預測性維護

預測性維護即通過預測設備，預測未來的健康狀態(tài)指數(shù)，是基于數(shù)據(jù)驅(qū)動的事前維護方式。預測性維護策略需要綜合考慮維護記錄、工單、原因等各類信息，利用支持向量機、人工神經(jīng)網(wǎng)絡、灰色系統(tǒng)理論、線性回歸模型等機器學習方法對設備進行健康狀態(tài)預測[4-6]。與反應性維護和預防性維護相比，預測性維護不僅可以預測未來狀況，而且可以在故障發(fā)生之前進行故障排查和處理，節(jié)省調(diào)度時間，防止因故障產(chǎn)生造成的損失。

3 基于健康狀態(tài)預測的國有資產(chǎn)設備維護方法

3.1 基本原理

基于健康狀態(tài)預測的設備維護方法主要由數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)訓練、狀態(tài)預測模型以及設備維護計劃構成，基本流程如圖1所示。

圖1 基于健康狀態(tài)預測的設備維護方法基本流程圖

3.2 輸入數(shù)據(jù)集分析

數(shù)據(jù)采集主要收集兩大類數(shù)據(jù)：①設備的屬性數(shù)據(jù)，如安裝時間、設備容量、總服務年數(shù)；②設備維護工單中的數(shù)據(jù)，如小型維護次數(shù)、大型維護次數(shù)、異常事件次數(shù)、小型故障次數(shù)、大型故障次數(shù)以及維護人員當月對設備狀態(tài)的綜合評價。

3.3 健康狀態(tài)預測模型

由于支持向量機算法在解決小樣本、非線性數(shù)據(jù)時表現(xiàn)出的良好結(jié)果，本文將利用支持向量機算法建立設備健康狀態(tài)預測模型[7]，通過尋找滿足要求的最優(yōu)分類超平面得到最優(yōu)解，算法采用RBF核函數(shù)，具體公式如下：

式（1）中：t為訓練樣本的數(shù)量；i為1，……t的非負數(shù)；ai為拉格朗日乘數(shù)；向量和常數(shù)b定義超平面為垂直于超平面的向量；b為超平面偏移參數(shù)。預測性維護的目的是通過診斷缺陷和預測設備的健康狀態(tài)為維護調(diào)度提供決策支持，算法流程見圖2。

圖2 SVM算法預測設備健康狀態(tài)流程圖

4 案例分析

天津市某國有資產(chǎn)經(jīng)營管理有限公司的職責是對固定資產(chǎn)全生命周期內(nèi)的移交、驗收、使用、維護、處置等環(huán)節(jié)進行計劃管理、預算管理、價值管理、實物管理、安全管理，為了加強固定資產(chǎn)管理，維護資產(chǎn)安全，提高固定資產(chǎn)管理水平，提出一種面向健康狀態(tài)預測的設備維護方法。

4.1 研究對象

根據(jù)設備管理系統(tǒng)中的維護數(shù)據(jù)顯示，配電箱的維修次數(shù)比其他設備維修次數(shù)多，因此，本文以國有資產(chǎn)經(jīng)營管理公司中的配電箱為研究對象進行健康狀態(tài)預測的案例驗證，共收集100組數(shù)據(jù)。

4.2 SVM算法預測設備健康狀態(tài)

SVM算法是一種用于分類任務的監(jiān)督學習模型，根據(jù)類的最優(yōu)分離原理發(fā)展而來，該預測過程的輸入是8個變量，狀態(tài)值作為標簽，將整理好的100組數(shù)據(jù)隨機分為三組：①80組用于訓練機器學習模型；②10組用于驗證模型效果；③10組用于測試訓練好的模型，表1提供了SVM算法在驗證模型效果時5組數(shù)據(jù)的誤差和預測準確率。

表1 配電箱健康狀態(tài)預測的驗證結(jié)果

4.3 設備維護計劃

設備狀態(tài)預測旨在通過歷史維護數(shù)據(jù)預測設備性能，為了量化設備健康狀態(tài)，制定設備健康狀態(tài)量表，預測的狀態(tài)值會匹配到不同的設備狀態(tài)等級，維護人員根據(jù)設備預測結(jié)果提前采取維護操作，具體的設備健康狀態(tài)與維護操作如表2所示。

表2 設備健康狀態(tài)與維護操作量表

以訓練好的SVM模型為基礎，輸入設備的8項數(shù)據(jù)，可以預測設備未來的健康狀態(tài)值，根據(jù)不同的健康狀態(tài)值對應設備維護或更換設備構件的操作：當設備健康狀態(tài)值為0時～3時，表示設備需要詳細檢查設備或更換設備零件；當設備健康狀態(tài)值為3時～5時，表示設備存在需要大量維修的零件；當設備健康狀態(tài)值為5時～8時，表示設備只需要進行小型維護；當設備健康狀態(tài)值為8時～10時，表示設備只需要每月定期檢查，維持設備正常工作所需的溫度和濕度即可。

5 結(jié)語

本文建立了基于支持向量機算法的設備健康狀態(tài)預測模型，通過天津市某國有資產(chǎn)經(jīng)營管理公司的案例驗證表明：輸入設備的8類特征值，可以實現(xiàn)設備未來的健康狀態(tài)值以及評價等級的預測，并構建了設備健康狀態(tài)值與維護措施之間的關系，根據(jù)算法預測結(jié)果，維護人員可以提前采取維護措施進行防范，以減少設備故障產(chǎn)生、延長設備使用壽命，更好地保護國有資產(chǎn)。結(jié)果表明該設備維護方法可以較為準確地獲得設備健康狀態(tài)值，且該算法的特征值收集成本也比較低廉，均可在設備屬性以及維護記錄中找到，對國有資產(chǎn)經(jīng)營管理公司來說，節(jié)省了大量財力物力，有效減少了國有資產(chǎn)流失情況的發(fā)生，實現(xiàn)國有資產(chǎn)的保值增值。