破局预测性维护的痛点！让旋转机械不再“带病运行”【智次方产业专访|工业互联网篇】

工业设备的重大故障并不是突然发生，而是一个逐步劣化的过程，在此过程中，设备仍可“带病运行”。智能制造时代，对于设备的可靠性要求会更高，对于设备维护管理的要求也会随之提高。

(资料图片仅供参考)

对工业企业而言，设备作为企业资产的一部分，是一切生产制造的基础。因此，设备运营与维护的重要性不言而喻。传统的设备运维模式存在故障不可预测、运维成本高、管理手段不足、安全生产事故多发等痛点。

日前，湃方科技(北京)有限公司CEO武通达、CnosDB时序数据库开源社区发起人/诺司时空创始人郑博接受了智次方·物联网智库的专访。武通达表示，事实上，工业设备的重大故障并不是突然发生，而是一个逐步劣化的过程，在此过程中，设备仍可“带病运行”。智能制造时代，对于设备的可靠性要求会更高，对于设备维护管理的要求也会随之提高。

数字化时代，旋转机械预测性维护面临新挑战

随着近年来以物联网、云计算和大数据等技术为特征的全数字化制造的迅猛发展，一种更加高效的维护模式——预测性维护逐渐成为未来企业的核心需要。设备的健康状态及运行情况将会得到随时随地的实时监测，使检修变得有据可依，有理可循。

成立于2018年的湃方科技是一家专注于提供工业设备智能化解决方案的企业，为装备制造企业及工厂打造了一套完整的设备智能化解决方案，包括基于边缘计算的智能物联终端、人工智能算法引擎、智能工业设备管理云平台，可以有效地解决用户设备数据采集、智能分析、高效管理以及精准决策的需求，为工业用户提供全栈式的设备智能化服务，目前已在装备制造、煤炭采矿、石油石化、钢铁冶金等诸多行业服务超过100家国内外知名企业。

武通达表示，在一些大型旋转机械设备的应用场景中，比如电动机、风机组、液压泵站等，已经成为现代大规模生产装置的关键设备，要求长周期连续运行，一旦故障停机可能造成重大经济损失，甚至导致重大安全事故的发生。

旋转机械的预测性维护主要依靠在设备上部署一个或多个测点，采集振动、温度等数据，通过对数据的实时分析和判断，预测设备异常情况并精准定位设备故障。武通达表示，传统的设备监控产生了基于有线传感器的本地部署解决方案，人员在中控室或者监控大厅监测设备的运行状态。这些系统不仅体积大、成本高，在部署复杂度、响应速度上都面临巨大挑战，不足以实现企业的真正需求。

湃方智能设备状态监测仪测点示意图

武通达认为，由于受到一些特殊条件的制约，旋转机械的预测性维护的解决方案需要满足以下要求：

第一，部署便捷，成本低。通过轻量化、小型化和无线化的硬件产品，可以在例如轴承等空间狭小的位置进行安装，相对于传统监测方案，无需复杂布线，实施周期短，综合成本低。

第二，功耗低，寿命长。工业设备往往具备很长的寿命，平均在二十年左右，而一个大型工厂甚至可达上万台旋转机械，如果传感器寿命只有1年，维护部署代价则会非常高。

第三，监测具有特殊性，需满足多级实时性要求。比如目前设备管理采用的主要方式——日常巡检，频率可能是一天、几天或者几个小时，但对于特定的异常处理，故障响应速度甚至要达到分钟级甚至更低。

第四，超前预警，实现主动运维。传统设备巡检存在故障发现滞后性，往往在设备故障后期，劣化表现明显时才进行检修干预，预测性维护则直击痛点，将故障发现时间提前至早期，实现故障超前预警，让检修变得有据可依，更大限度避免非计划性停机风险。

打通物联网四大层级，湃方科技实现精准预测性维护

湃方科技一直以来秉持的产品思路是进行技术的融合，武通达表示，智能物联网时代，数据和算法的联系是非常紧密的，这就代表硬件端、算法端和最终应用端之间的关联性非常强。要实现这一整套的智能运维思想体系，需要将底层的硬件层、中间的算法层以及顶层的应用层全部进行打通。

湃方智能设备状态监测系统示意图

基于这样的思考，湃方科技应用核心技术为客户打造了适用于各垂直行业预测性维护的工业设备智能化解决方案。该解决方案主要分为4层：底层的数据采集，网络层的数据传输，平台层的数据管理和算法以及顶层的数据应用。

首先，底层边缘端的硬件设备数据通过无线网络等传输给数据集成层，以此来实现相关数据的收集工作。上一层是数据中台层，这一层会提供PaSS服务，同时，也会进行元数据管理，并支持深度学习引擎。此层是数据存储的核心，数据库的性能和稳定性表现会直接影响整体架构的性能。武通达表示，此前，湃方科技一直采用传统关系型数据库进行数据存储，并未引入时序数据库。再上一层是数据访问和分析服务层，提供各种实时数据查询的API和访问服务，分析服务方面，也提供相关算法库。最上层支撑的湃方平台业务，提供面向用户直接需求的功能模块，例如设备管理、故障预测、备品备件管理等应用集成功能。此外，相关监控工具一直贯穿整个架构始终。

湃方科技平台架构图

武通达表示，这套解决方案的优势在于：在边缘层，湃方通过边缘计算技术，将算法和算力下沉到边缘端进行部署。传感器的数据采集之后，可以直接进行处理和分析，再进行上传。这样就实现了设备异常的高速响应，传感器的超低功耗和超长的工作寿命，在提高10倍以上响应速度的情况下，寿命能够能延长2-3倍。在中间层，湃方提供了一整套的数据库管理方式，特别是针对于典型旋转机械的算法库，能够精准监测设备运行状态、故障诊断等。而在最顶层的设备管理级的应用当中，由于精准掌握了数据源，目前算法的准确率在测试平台高达96%-98%。

传统数据库面临巨大挑战，CnosDB时序数据库强化数据管理和治理水平

随着工业智能化的快速发展，工业互联网的迅速普及，上云智能设备数量快速增加，传统的关系型数据库面临巨大挑战。首先，传统关系型数据库由于受到存储结构限制，写入吞吐能力达到瓶颈，海量数据无法高效的写入。武通达表示，随着湃方平台监控设备数量逐渐增多，需要进行大量的并发式的处理，导致云平台端的负载越来越重。尤其一些应用场景对通信和数据的传输与存储要求非常高，云平台很难通过关系型数据库接入大量的高频采集数据。其次，为了预测性维护更加精准，以及未来人工智能在行业内的大规模应用，大部分企业希望保存更长期的历史数据。传统关系型数据库存储成本高，无法更经济地保留更长期的历史数据。因此，湃方迫切需要一种专门针对时间序列数据来做优化的数据库系统，即时间序列数据库。

CnosDB时序数据库开源社区发起人/诺司时空创始人郑博表示，作为绿叶性的根技术，CnosDB是一个非常适合物联网场景的时间序列数据库，其拥有着强大的写入吞吐以及高效压缩比的特性。相对于传统的关系型数据库，它可以支持更大规模的测点，在普通服务器上就能支持百万QPS的写入需求。在新的架构设计上，CnosDB的数据压缩比达到了60x，这就减少了数据占用的存储空间，从而降低了存储成本，实现更长时间和更大量的数据保存。值得一提的是，CnosDB产品是开源的，大大降低了接入和开发成本。

武通达表示，湃方应用CnosDB新一代的时间序列数据库来提高存储吞吐率、降低存储成本，完美解决了平台测点增多和高端昂贵精密设备的数据写入问题，存储成本直降90%，实现了更长时间和更大量的数据保存，也让湃方更有可能探索更深层次的数据价值。

目前，数据已经成为工业互联网以及智能制造时代的重要资产。未来，数字孪生和人工智能技术将持续与工业互联网进行深度融合，赋能智能制造。在预测性维护场景中，通过数字孪生可以随时随地监控该设备的虚拟复制品，消除了不便或不必要的工厂车间行程。而使用人工智能分析也可能更快地发现异常，从而为客户提供更好的预测性维护服务。

郑博表示，CnosDB的应用让行业采集并留存更高精度、更长周期的数据成为了可能。数字孪生和人工智能的应用，大大提升了对工业互联网底层的基础设施，无论是硬件还是软件平台，数据库还是算法的性能要求，这也给以CnosDB为代表的新一代时间序列数据库更大的场景应用机会和市场想象空间。