国家标准 GB/T40571一2021 智能服务预测性维护通用要求 IntelMigentserviee- 一Predietivemaintenance一Generalrequirements 2021-10-11发布 2022-05-01实施国家市场监督管理总局发布国家标涯花管理委员会国家标准
GB/40571一2021 目次前言范围 2 规范性引用文件 3 术语和定义缩略语总则 5.1分类 5.2工作流程 5.3系统架构设备与功能识别失效模式影响分析功能 7.1失效模式分析 .2设备影响分析可行性分析功能 8.1数据状况分析 .2风险分析状态监测功能 10故障诊断功能寿命预测功能 1 12 维护管理功能附录A(资料性离散制造预测性维护实施案例附录B(资料性典型设备预测性维护实施案例附录c(资料性)设备监测参数 15 参考文献 17
GB/40571一2021 前言本文件按照GB/T1.1一2020<标准化工作导则第1部分:标准化文件的结构和起草规则》的规定起草请注意本文件的某些内容可能涉及专利本文件的发布机构不承担识别专利的责任本文件由机械工业联合会提出本文件由全国过程测量控制和自动化标准化技术委员会(sAC/Tc124)归口本文件起草单位:机械工业仪器仪表综合技术经济研究所、石油大学(北京、工程物理研究院动力部、东风设计研究院有限公司、辽宁大学、科学院沈阳自动化研究所、清华大学,北京化工大学重庆邮电大学、北京天泽智云科技有限公司、上海大制科技有限公司、西门子()有限公司、三萎电机自动化()有限公司恩德斯豪斯()自动化有限公司、施耐德电气()有限公司、魏德米勒电联接(上海)有限公司台达智能科技(北京)有限公司、北京奔驰汽车有限公司沈阳中科博微科技股份有限公司、上海电气集团股份有限公司中央研究院、贝克休斯检测控制技术(上海)有限公司舍弗勒()有限公司、重庆盟讯电子科技有限公司、国网电力科学研究院武汉南瑞有限责任公司、无锡职业技术学院、安徽容知日新科技股份有限公司、.北京博华信智科技股份有线公司大连理工大学两安华云智联信息科技有限公司 j、中船第九设计研究院工程有限公司、船舶重工集团海装风电股份有限公司武汉船用机械有限责任公司、航空工业集团公司沈阳飞机设计研究所、中山大学、上海航数智能科技有限公司、埃森哲()有限公司、北京龙鼎源科技股份有限公司、震坤行工业超市(上海) 有限公司、易福门电子(上海)有限公司福建阿古电务数据科技司、工业和信息化部电子第五研究所、北京必创科技股份有限公司、山东省科学院计算中心利核系统工程有限公司核电工程有限公司、广东利元亨智能装备股份有限公司、清华大学山西清洁能源研究院、上海恩艾仪器有限公司(NI),中石油北方管道有限责任公司管道科技研究中心,科学院空间应用工程与技术中心,北京全路通信信号研究设计院集团有限公司、硕橙(厦门)科技有限公司、浙江浙能技术研究院有限公司罗克韦尔自动化控制集成(上海)有限公司、重庆华数机器人有限公司华北电力科学研究院有限责任公司、武汉中云康崇科技有限公司、苏州拓康自动化技术有限公司,重庆智能机器人研究院、希音科技(杭州)有限公司,北京仪综测业科技发展有限公司本文件主要起草人:王成城、王春喜、张来斌、王凯、宋岩、游和平、王金江、杨明、王忠锋、江志农、黄庆卿,黄毅、董智升,朱国良、高山青、傅振锋、刘文、周春荣、赵东方、郭东栋、杨祖业、许伟、张贵军李讳文、陈菁、罗传仙、钱晓忠、贾维银、赵大力、李宏坤、任志刚、熊冠楚、陶建权、曾力、王鹏辉、郝彦石桂连、李云、陈芳、郭云、谈宏志、王错、杨扬、郭琼,许晓路、李鹏、王敏、刘卓、魏坤仑、杨喜良、王远航李玉荣、陈志聪、林乐乾、黄胜达、郭翘、王明,朱积锋、马向阳、宁国云、张庆军、杨宝军、陈得民、常静斌杨振勇、瞿千上,邢优胜沈洋,王贤福、林娟
GB/T40571一2021 智能服务预测性维护通用要求范围本文件规定了智能服务预测性维护的总则设备与功能识别、失效模式影响分析功能、可行性分析功能、状态监测功能、故障诊断功能、寿命预测功能、维护管理功能等本文件适用于预测性维护系统的设计、开发、使用、维护等规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款其中,注日期的引用文件,仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件 GB/T2298机械振动、冲击与状态监测词汇 GB/T7826系统可靠性分析技术失效模式和影响分析(FMEA)程序 GB/T20921机器状态监测与诊断词汇 GB/T27921风险管理风险评估技术术语和定义 GB/T2298,GB/T20921界定的以及下列术语和定义适用于本文件 3.1 caleulation 边缘计算edge 在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务,满足行业数字化在敏捷连接,实时业务、数据优化,应用智能、安全与隐私保护等方面的关键需求 3.2 故障fawlt 可能导致功能单元执行要求功能的能力降低或丧失的异常状况 [[来源;GB/T15969.6一2015,3.24] 3.3 智能服务inteligentserviee 能够自动辨识用户的显性和隐性需求,并且主动、高效、安全、绿色地满足其需求的服务注预测性维护是一种典型的智能服务模式 3.4 监测终端mmtorime" terminal 采集、处理物理量(如流量、压力、振动、温度、湿度等)信息,并能与集中或交互终端进行数据交互的装置 [来源:GB/T31960.1一2015,3.4,有修改] 3.5 redietivemaintenanee 预测性维护pre 根据观测到的状况而决定的连续或间断进行的维护,以监测诊断或预测构筑物、系统或部件的条件指标
GB/T40571一202 [来源;GB/T29308一2012,3.13,有修改] 3.6 预防性维护preventivemaintenanee 探测、排除或缓解使用中的构筑物、系统或部件降质的活动,以便通过把降质和故障控制在可接受的水平来维持或延长其使用寿命注:预防性维护可以是定期维护或计划维护 [来源.GB/T293082012,3.14,有修改] 3.7 人工智能artifieialintelligenee 计算机科学的分支,专门研究数据处理系统,该系统执行通常与人类智能相关的功能 [来源:GB/T5271.1一2000,01.06.12,有修改] 缩略语下列缩略语适用于本文件 ConditionBasedMaintenance CBM 基于状态的维护 DistributedControlSystem 分布式控制系统 EnterpriseResourcePlanning 企业资源规划 Fcs 现场总线控制系统 FieldbusControlSystem FMEA 失效模式与影响分析 FailureModeandEffectsAnalysis 制造执行系统 MEs ManufacturingExecutionSystem He 可编程逻辑控制器 ProgrammableIogicController Rn 剩余使用寿命 RemainingUsefulLife 总则 S 5.1分类预测性维护的实施,根据需求和目的的差异,可分为以下三类第一类:实现基于状态的维护(CBM),即通过设备运行状态关键数据的采集,完成状态识别和基本的故障诊断等功能,并提供基本的维修与维护策略,如报警、停机等该类预测性维护可基于MES或其他信息系统开展第二类;实现基于预测的维护,即通过设备运行状态相关数据的采集,完成状态识别,故障诊断,寿命预测等功能,并预先提供维修和维护方案,支持设备的维修维护管理该类预测性维护宜基于独立的系统开展,可与MES或其他信息系统互联互通第三类:实现基于全生命周期管理的维护,即通过设备运行状态数据的全面采集,完成状态识别故障诊断、寿命预测等功能,并能判断寿命预测结果的置信度,预先提供完整可信的维修和维护方案,指导设备的维修维护管理执行该任务的系统能够在数字李生、人工智能、系统集成等技术的辅助下,不断优化预测结果,提升预测的置信度与可行性注:由于本文件的对象是预测性维护系统,因此本文件中规定的技术条款主要针对第二类预测性维护的实施 5.2工作流程预测性维护的实施应着重于识别和避免根原因的失效模式,其工作流程如图1所示,预测性维护的功能与数据传输也应遵循该流程
GB/40571一2021 识别设备与功能识别失效模式、影响和危害度可预测吗？故障判别与定位是采用事后维否修、预防性可检测吗? 维护或重新是否需要预测设计标识被测的参数选择测量技术寿命预测选择测量位置低改善预测可行性分析预测置信度置信度以上需求是香可行确定维护策略数据采集数据传输维修维护管理与优化数据处理维修维护实施状态识别与记录否能否识别是否满足是评审需求确定需要的是否发生故障维修措有效性评审r 设备状态是否异常图1预测性维护系统工作流程图
GB/T40571一202 5.3系统架构预测性维护系统的功能模型如图2所示,其中仅包括了系统必备的功能,可根据实际情况增加其他功能模块故障诊断维修执行维修维护传感状态识别管理维护执行寿命预测注:图中的虚线和虚框表明该内容不在本文件的范围内图2预测性维护系统功能模型预测性维护的开展主要基于采集设备运行状态数据的监测终端和数据采集设备,设备控制系统,能够进行数据存储、分析、传输的上层系统或平台,具体如下监测终端和数据采集设备:该类设备可以集成在设备本体,也可外置,其功能是对设备的运行状态参数进行监测,为数据的分析计算提供数据但通常集成在设备本体的方案更适用于设备制造商,设备用户更推荐采用外置监测终端的方案设备控制系统:对于不具备边缘计算、仅提供数据采集功能的控制系统,可将其视为数据采集设备,对于具备边缘计算能力的控制系统,能够将设备运行状态参数在边缘端进行分析和预测,并通过人机界面或其他手段显示结果边缘计算技术的应用需综合考虑成本与预测的准确性上层系统或平台:将采集的数据上传至系统或平台中进行分析和预测,并能够不断修正预测结果,为了更好地实现设备维护,该系统或平台应与MES或ERP提供信息交互但该系统或平台对于通信协议与接口的一致性具有较高的需求,且需考虑信息安全面向生产单元和设备开展预测性维护的案例见附录A和附录B 设备与功能识别 6 设备结构与功能是开展预测性维护的关键输人在预测性维护过程中,需识别的特征包括设备性能,电学效应如电流,物理效应如密度,温度效应如温度,动力学效应如振动,颗粒效应如油液成分等; 润滑方式,如油类、脂类、粉类等; 控制系统,如CS,PLC、FCS等; 执行机构,如机械式、电气、气动式、液压式; 设备输人,如水、电、气等; 设备输出,如功率,牵引力、压力等; 保护系统如过速、过流、过压等; -功能,如机器或设备的功能等;
GB/40571一2021 人员,如操作人员、维修人员,维护人员等; -监测技术,如信号监测,视觉检测,热成像等; -结构/基础,如位置、材料、刚度、柔性、疲劳、热膨胀等 -合,如不同设备之间的相互影响等; -设备运行条件,如建筑物、安装条件、共振等 -管网与辅助系统,如进口,出口,冷凝器,阀门等; 设备和系统的工况与工况的变化范围环境,如温度、湿度、海拔等; 失效模式影响分析功能 7.1失效模式分析依据失效模式分析能够容易、低成本地对产品或过程进行修改,从而减轻事后修改的危机,并且找到能够避免或减少这些潜在失效发生的措施该方法有助于选择监测灵敏度最高的监测技术,并有助于评估指定症状的变化率当某种技术灵敏度的置信度和形成的诊断结论与预报的准确性受到质疑时,建议使用更多相关的附加技术失效模式分析可采用FMEA等方法,并符合GB/T7826的规定 7.2设备影响分析对所有的设备进行影响分析,以创建一个设备的优先排序表,可包含(或不包含)在状态监测方案它可以是依据以下因素的简单的评价体系,如中设备停机的成本或生产损失的成本; 失效率和平均维修时间冗余架构; -间接的或二次损坏 -更换设备的费用; 维修或备件的费用; 全生命周期的费用监测系统的费用安全性和环境影响上述一个或多个因素可以在公式中加权计算,以生成优先排序表可行性分析功能 8.1数据状况分析在选定监测分析对象及失效模式后,应考虑当前的已有数据或可行监测方案是否可以获取用于分析建模的数据从数据分析及建模层面考虑,数据状况分析包括数据从产生到最终使用的全过程,包括背景信息、数据量,变量类别、数据质量、数据获取可行性等几个方面背景信息是历史数据或需要采集数据时被采集对象本身以及相关周边环境信息的统称背景信息也是数据全面性考虑的一个体现数据量指可提供的历史数据总量,应考量在不同工作状态,不同失效模式下的总体数据量
GB/T40571一202 变量类别指已有或者可采集的数据所反映的物理量,例如温度、电流等针对不同的失效模式预测性维护建模要求采集具体而准确的变量数据质量是对数据的整体评估,包括数据的准确性和可分析性,例如趋势性、可分性等数据获取的可行性包括在工业场景当中数据是否可以在特定场景下测量、转换、传输并存储可行性的评估包括传感器技术是否成熟,测量的可达性,数据传输的可行性,数据存储的容量以及经济性对数据状况的整体评估将决定预测性维护的具体实施步骤以及方案 8.2风险分析风险分析为量化风险事件对预测性维护项目的影响风险事件发生的概率是风险评估的主要指标,应根据历史样本计算出累计概率分布、期望值、方差、标准差等,从而估计风险事件将来会发生的可能性当可以参考的历史数据缺失,风险事件发生的概率的绝对值很难获取时,在实践中经常采用可能性评分对“事件发生的可能性”进行估计该评分是根据行业和企业经验对事件发生的可能性给出相对估计,使用同一标准的“风险评估值”可以进行横向比较风险分析的相关方法应符合GB/T27921的规定状态监测功能状态监测主要包括数据采集、数据预处理、特征提取、特征分析和状态识别,在该阶段应实现数据质量和故障/异常的判断设备的状态监测可以在设备层进行,也可以上传至系统层进行设备状态监测的过程如图3所示,具体包括原始测量值为通过传感器信号采集后未经处理的数据中间数据为通过传感器、设备在运行中获取的动态数据,经计算或调理后,去除外部干扰或无效信号的数据; 状态表征数据为经数据处理(特征提取)后能表征设备状态特征的数据; 结果表征数据为经数据处理(特征分析)后能表征设备状态结果的数据设备状态数据为通过监测方法经对设备各状态特征量进行信息聚合、值判断后得到的数据其反映了设备当前状态状结设原中备特征分析状态识别数据采集数据预处理特征提取被间表表状测测态数量量数据数数据据据图3状态监测过程示意图当设备被测量为开关量时,信号调理与特征分析过程无须执行,无中间数据与状态表征数据当设备被测量为静态数据时,信号调理与特征分析不是必须的通用设备状态监测的推荐参数见附录C
GB/40571一2021 0故障诊断功能设备的预测性维护应针对设备异常参数的分析判断,虽并未出现故障,但仍需要故障诊断技术的支持,如故障类型的判断故障定位等通常可采用基于数据驱动的方法、基于机理模型的方法和基于定性经验知识的方法等,实现上述功能,并为寿命预测提供决策依据部分严重程度较高的异常可由故障诊断直接提供维护或维修策略寿命预测功能寿命预测应基于故障诊断提供的类型判断,故障定位等数据,对设备的RUL进行评估可采用的分析方法包括多参数分析、趋势分析和对比分析等,建模方法包括数据驱动、机理模型和混合模型等在执行寿命预测过程时,还应对预测的置信度进行评估,置信度评估可以从数据质量、历史经验数据、模型准确性和过程控制等角度开展 12维护管理功能维护管理,应依据寿命预测结果,结合生产实际情况建立应急响应机制,同时在充分考虑安全和成本的基础上,将故障诊断和寿命预测的输出结果,与企业设备管理相结合,制定相应的维护维修策略,也可借助企业的管理信息系统,如MEs,ERP等,实现维修维护管理的优化包括维护维修的可行性优化,如虚拟维修等;备品备件、维修人员的资源调度优化;基于智能排产的生产优化等当维修任务完成后,宜记录维修过程和机器的变化,包括使用的备件、工艺和维修期间发现的其他故障上述信息应反馈到历史记录表格中,将有助于后续的诊断与预测,以及有效性评审重复的失效能降低系统的可靠性,增加运行费用可通过对维修维护开展有效性评审,分析失效的根原因,并开展针对性的改进措施,以避免或降低重复失效的影响必要时,还应向设备生产商反馈信息,形成设计阶段优化的建议
GB/T40571一2021 附录 A 资料性) 离散制造预测性维护实施案例 A.1概述本附录以离散制造生产线为基础,介绍了生产单元预测性维护的功能模型,生产单元中机器人和机床的预测性维护实例,从而对在整个工厂内制定最佳的预测性维护计划、降低工厂的停机损失提供指导 A.2功能模型预测性维护功能的模型如图2所示,其中传感可将设备端自带的数据处理功能与外部传感数据相结合,以实现高效率高精度的预测性维护 A.3机器人的预测性维护 A.3.1对象机器人的预测性维护主要通过设备端自带的数据采集和获取功能,实现设备内部运转状态下的异常监测可开展预测性维护的机器人部件包括驱动系统,包括电机、皮带、齿轮等; -机械系统,包括内置减速器、轴承、滚珠丝杆、滚珠花键、减速器润滑油补给等; 控制系统 A.3.2寿命预测机器人驱动系统的寿命预测实例如图A.1所示主要通过建立动力学模型和控制模型,与实际响应进行对比的方法开展预测,其主要技术点包括动力学模型的建立:针对机器人的动作不限定每次相同,可能导致寿命预测结果不稳定的问 a 题,通过在机器人控制器内实时计算机器人的运行情况,构建动力学模型和控制模型,利用模型响应与实际响应的差进行比较,可以实现不依存于动作稳定的寿命预测建立动力学模型还可以通过自动补偿消除磨损的影响及个体间误差,提高预测精度过滤器处理;实施基于模型的预测方法时,在实际动作中也会嵌人不稳定等非常规的状态(如 b 紊乱),如果紊乱较大,会导致故障判断困难采取预设的过滤手段进行稳定化处理可提高数据稳定性,过滤手段包括强制排除不用于寿命预测判断的数据或者通过加权易产生误差的动作
GB/T40571一2021 驱动系统故障预测实例机誉人模型推测转矩实际转矩与推测转矩的差动力学模型控制模型过器处理动作指令实际响应实际转矩异常过滤不用于判断存在不能嵌入的动作，数据不稳定图A.1机器人驱动系统寿命预测实施案例 A.4数控机床的预测性维护 A.4.1对象可开展预测性维护的数控机床部件包括主轴和丝杠,如主轴等价负载率,主轴电机绝缘劣化状态、累计移动距离(用于滚珠丝杆的寿命诊断); 刀具,如加工精度和刀具磨损; 其他;电机绝缘劣化状态、驱动装置电池电压 A.4.2滚珠丝杠滚珠丝杆的寿命可通过伺服系统中电机转矩、摩擦(齿隙等)及加速度传感器数据进行异常监测滚珠丝杠异常诊断系统结构示意如图A.2所示本案例中在滚珠丝杠上安装加速度传感器,通过控制系统收集传感器数据,同时使用伺服放大器对电机速度、转矩、温度、振动、摩擦等实施高速采样,实现数据共享,通过在边缘端进行数据分析,检测滚珠丝杠的异常征兆
GB/T40571一2021 边缘计算机实时分析仪显示屏模型生成、数据分析 G趋势显示工业以太网/现场网络通信协议控制系统视觉传感器驱动器记录器各种传感器振动、声音等加速度传感器机械部件轴承、滚珠丝杆等图A.2滚珠丝杠异常诊断系统结构示例 A.4.3加工精度和刀具磨损加工精度和刀具磨损的预测性维护,目的是通过事先规避因加工精度恶化而导致的生产不良品直接流人后工序,从而发生生产线大范围停止以及成品率大幅下降的情况例如,规避换刀周期较短的多余换刀,规避刀具在缺损状态下继续加工产品的风险等针对已有数控系统的数控机床,可在外部添加机床诊断模块,收集数控系统加工数据,将加工数据传送至边缘端,通过边缘端的实时分析功能,生成实时模型并进行数据分析具体的实现手段与效果如表A.1所示表A.1加工精度和刀具磨损的预测性维护功能目的功能实现手段效果根据过去的良品加工数据自动生成诊断模型防止不良批次流人后工序加工精度的趋势预测应用于当前的加工数据,计算和预测加工值加提高成品率工后诊断加工精度,实时判断加工情况通过捕捉轴负荷变动,预测刀具剩余寿命优化换刀时期削减刀具使用量根据在刀具状态的预测性维护,确定更换时期通过对主轴运转时达到数控机床加工转速的时事前检测主轴润滑不良及轴承异基于统计的预测性维护" 间进行统计,监视轴阻抗增加等异常征兆常的征兆 10
GB/40571一2021 附录 B (资料性) 典型设备预测性维护实施案例 B.1变压器的预测性维护 B.1.1对象变压器开展预测性维护的项目为变压器油中气体组分的在线监测与预测性维护 B.1.2变压器油中气体组分在线监测充油变压器内部故障主要因过热故障和放电故障引起,运行中的变压器油中溶解气体的组分和含量可反映充油变压器绝缘故障的特征量;通过对变压器油中溶解气体组分和含量进行分析和诊断,可以得到充油变压器的运行状态和绝缘劣化趋势,有利于发现变压器内部的早期缺陷本案例中变压器油中气体组分在线监测装置由油样采集系统、油气分离系统、气体检测系统、数据采集系统、控制处理系统、分析诊断系统等几部分组成,通过检测co,cO,CH,CH,C,H,C,H、 H 气体的含量并将数据送至分析诊断系统进行趋势分析和状态诊断,准确地预测变压器内部绕组绝缘故障发展趋势色谱分析在线监测目的: 变压器油气体组分在线监测装置可以形成溶解气体组分和含量的变化趋势,通过捕捉数据跃 a 变的拐点和产气速率变化监测,对其异常现象进行追踪 b 通过变压器油中气体组分含量的监测,分析处理系统采用特征气体法和三比值法可对变压器低温过热、高温过热、局部放电、电弧放电等具体故障类型进行诊断 B.1.3基于特征气体法的预测性维护不同类型的变压器故障产生不同的特征气体,变压器故障类型的判断方式如表B.1所示变压器发热和放电的程度不同,所产生的特征气体、气体含量、产气速率、各特征气体的比值关系也不相同表B.1变压器故障类型的判断油中出现溶解气体的特点变压器故障类型 -般性过热固体绝缘材料过热会生成大量的CO,CO,过热部位在300"C以内时,以CH、CH，为主要成分严重过热 CH和CH为主要成分,H含量较高,总泾高但CH的含量不高油纸绝缘局部放电主要产生H,CH,当涉及固体绝缘时产生CO,以没有或极少产生CH为主要特征油中火花放电一般是间歇性的,以CH含量的增长相较其他组分较快,而总胫不高为主要特征电狐放电产生大量H和C,H,总姬高,以及相当数量的G 1cH，和c,H,涉及固体绝缘时,co显著增加 B.1.4基于三比值法的预测性维护一般在特征气体含量超过注意值后使用三比值法进行分析，三比值法利用五种气体(CH,C,H、 CH.,CH、H)的三对比值(CH/CH、CH/H、CH,/CH)的编码组合来进行故障类型判断的方法,具体规则和方法如表B.2和表B.3所示 1
GB/T40571一202 表B.2三比值法编码规则比值范围编码气体比值范围(a CH/H CH/CH" CH/CH 0.lGB/40571一2021 基于特征值的分析方法优点为: -可轻松、快速地实施操作不需要掌握很多状态监控方面的专业知识基于特征值的分析方法缺点: 无法识别出即将出现哪些损伤; 需要查找故障监控信号作原理特征值 vRMs 报特征值监控符合ISo10816-3 vRMs: 趋势曲线件告机器报动 vRMs 倍号灯图示 OK 可自由组态 aRMs 可自由组态 aRMs，DKw: 轴承振动 DKw 符合vD3832 图B.1特征值分析 B,2.3基于频率选择性的分析频率选择性分析过程如图B.2所示,其优点为每一种机器损伤都具有其特有的频谱只需要观察频谱就基本可以确定损伤的原因 -最大程度上减少对实际损伤原因的查找工作; -振幅体现了损伤的程度,可用以预估剩余的使用寿命,此时操作者的经验将起到决定性的作用监机动可检洲剑的电气故障的示例信号工作原理循环监控转子杆断裂蜂值趋势曲线定子磁场故障 M 频率选择性分析优点可松、速地实燥作从频谱中同样可识别出电气故除可检测损伤类型一战少故障查找作图B.2频率选择性分析 13
GB/T40571一202 典型的频谱分析示例如图B.3 机器转速=148m 旋转频率=24.8H wmm/s 1× 2×h 3× 第一和第二/第三转换明显高找正错的方向旋转增取决于测方向如果是刚性联输器高第一和第二旋转频中 a来见有他家的 24.8 49.6 74.4 f(Hz) 高第和第三旋转频串图B.3典型的频谱分析 B.2.4基于专家经验的分析通过诊断软件进行自由组态分析例如轨迹、直方图、矢量图/瀑布图,然后基于专家经验分析,具体过程如图B.4所示可检测到的机械损伤监挖变速箱的磨报信号工作原理受事件控制的记录原始数据消息“检测到齿咄合故障” 十保存传感去遗道旅始记录十齿喷合故障数据 a)导出原始数据: 以手动方式完成以受事件控制的方式完成通过分析钦件进行工栏组志专家分析 b)在线原如数据流例如CMS-Tool 优点专家分析可使用变速箱精确匹阳的分析模型的原始数拥历守出始数据的离线分机如果是有关分析软件的始数据流，则进行在线分析图B.4基于专家经验的分析 14
GB/40571一2021 录附 C 资料性设备监测参数通用设备监测的参数(示例)如表c.1所示表c.1设备监测参数示例表设备类型参数航空燃工业燃往复式电动机汽轮机压缩机发电机机器人阅风机内燃机气涡轮气涡轮温度 X X X 压力压头(差 x 压力比压力真空度 X x 气体流量 X X X 燃料流量液体流量 X X X x 电流 x 电压 X 电阻 X 电相位 X X 输人功率输出功率 X X X X x x x 噪声振动声发射 x x x X X X 超声油压 X X X X X X X X x x x X X 油损耗油(摩擦学参数 x X X x x x X X x x x x x 图像 X 扭矩 X X X 转速长度 X X 角位置效率(导出量 x x x X 光照度感光度时间 X 15
GB/T40571一202 表c.1设备监测参数示例表(续设备类型参数喷涂媒按数控电动紧激光传送传送视觉机运液压电力气缸设备设备机台固装置设备皮带链条设备设备系统变压器温度 X 压力压头差压力比压力(真空度气体流量燃料流量液体流量 X x 电流 X X X 电压十 x 电阻 x 电相位输人功率 x X x 输出功率 X X X X X 噪声 X X X X X X 振动声发射 x 超声 X 油压 x 油损耗 X 油(摩擦学参数 X 图像扭矩 X X X x 转速十长度 X x X 角位置 X x X x 效率(导出量光照度感光度 X X X 时间注;“x"表示监测量参数可应用,“"表示监测量参数不适用 16
GB/40571一2021 参考文献 [1]GB/T5271.1一2000信息技术词汇第1部分;基本术语 [[2]GB/T15969.6一2015可编程序控制器第6部分;功能安全 [3]G;B/T29308一2012核电厂安全重要仪表和控制系统老化管理要求 [4]GB/T31960.1一2015电力能效监测系统技术规范第1部分:总则

智能服务预测性维护通用要求GB/T40571-2021解读

1. 简介

智能服务预测性维护是指利用人工智能、大数据等信息技术手段，通过对设备运行数据的分析和处理，实现对设备故障的预测和预警，并采取相应措施进行维修，以保障设备运行的稳定性和可靠性。《智能服务预测性维护通用要求GB/T40571-2021》标准是针对智能服务预测性维护领域的一项国家标准，旨在规范智能服务预测性维护的基本要求和推动其在我国的应用和发展。

2. 标准内容

该标准主要包括以下几个方面的内容：

2.1 术语和定义

该部分主要对与智能服务预测性维护相关的术语和定义进行了详细说明，以确保标准的准确理解和适用。

2.2 基本要求

该部分规定了智能服务预测性维护在数据采集、数据处理、模型建立、结果输出等方面的基本要求，包括数据采集的时效性、数据处理的准确性、模型建立的可靠性和结果输出的及时性等。

2.3 系统架构

该部分详细介绍了智能服务预测性维护系统的整体架构和各个组成部分之间的关系，以及各个组成部分的功能和作用。

2.4 技术指标

该部分对智能服务预测性维护技术的性能指标进行了详细说明，包括预测准确率、误报率、漏报率等。

2.5 应用流程

该部分详细介绍了智能服务预测性维护的应用流程，包括数据采集、数据处理、模型建立、结果输出和维修等环节。

3. 标准意义

《智能服务预测性维护通用要求GB/T40571-2021》标准的发布，对于推进智能服务预测性维护技术的发展，提高企业的设备运行效率和可靠性具有重要意义。该标准的实施将有助于规范智能服务预测性维护领域的市场秩序，促进技术的创新和升级，推动我国制造业向智能制造转型升级。

4. 总结

智能服务预测性维护是智能制造的重要组成部分，其在提高设备利用率和降低维护成本等方面具有重要作用。《智能服务预测性维护通用要求GB/T40571-2021》标准的发布，对于规范智能服务预测性维护领域的市场秩序，推动技术的升级和发展，具有重要意义。同时，企业也应该根据该标准的要求，对自身的智能服务预测性维护系统进行优化和升级，提高设备的稳定性和可靠性，实现更好的经济效益。