标准规范下载简介：

内容预览由机器从pdf转换为word，准确率92%以上，供参考

GB／T 40571-2021 智能服务 预测性维护 通用要求.pdf

设备结构与功能是开展预测性维护的关键输入。 设备性能，电学效应如电流，物理效应如密度 如油液成分等； 润滑方式，如油类、脂类、粉类等； 控制系统，如DCS、PLC、FCS等； 执行机构，如机械式、电气、气动式、液压式； 设备输入，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；

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 耦合，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；

CNAS-EC-040：2014 CNAS-EC-040：2014 CNAS-CC18：2014等规范调整以及FSMS、HACCP、GMP认证机构相关认可转换的说明7失效模式影响分析功能

GB/T 405712021

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

对所有的设备进行影响分析，以创建 设备的优先排序表，可包含（或不包含）在状态监测方案 中。它可以是依据以下因素的简单的评价体系，如： 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； 穴余架构； 间接的或二次损坏； 更换设备的费用； 一维修或备件的费用； 全生命周期的费用； 一监测系统的费用； 一安全性和环境影响。 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。

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

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 生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

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、阅值判断后得到的数据， 其反映了设备当前状态

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/T 405712021

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

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 改障。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。

附录A （资料性） 离散制造预测性维护实施案例

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 末的预测性维护实例，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。

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

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

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： a）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 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， b 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 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/T 405712021

A.4数控机床的预测性维护

图A.1机器人驱动系统寿命预测实施案例

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。

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，同时使用伺同服放大器对 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/T 40571—2021

A.4.3加工精度和刀县磨损

图A.2滚珠丝杠异常诊断系统结构示例

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 专送至边缘端，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

B.1变压器的预测性维护

展预测性维护的项目为变压器油中气体组分的在

B.1.2变压器油中气体组分在线监测

GB/T 405712021

附录B （资料性） 典型设备预测性维护实施案例

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、CO2、CH4、C.H2、CzH、CzH。、 H2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： a）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 变的拐点和产气速率变化监测，对其异常现象进行道踪； 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

不同类型的受压器股降产生不同的特 类型的判断所方式表B.1所听示。受， 热和放电的程度不同，所产生的特征气体、 4单 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

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.、C2 H。、C2H2、H2)的三对比值（C2H2/C2H4、CH4/H2、C2H4/C2H)的编码组合来进行故障类型判图 法，具体规则和方法如表B.2和表B.3所示

GB/T 40571—2021

表B.2三比值法编码规则

表B.3三比值法故障类型判断方法

B.2电机的预测性维护

电机的预测性维护可以对机械损伤和电气故障进行预测。基于对智能设备运行数据，特别是设备 运行日志文件数据的分析，对设备的运行状态进行有效评估，进而动态、及时地发现设备运行的潜在异 常情况，并生成具有针对性的维护方案。 针对智能设备的关键零部件，能够结合其理论使用寿命和实际运行参数状态，对零部件的更换时间 故出及时提醒，对超期使用的零部件做报警

B.2.2基于特征值的分析

通过对特征值比如机器振动或轴承振动进行状态监控，对特征值趋势曲线进行分析，并根据对应 结果进行报警灯输出，如图B.1所示

GB/T 405712021

基于特征值的分析方法优点为： 可轻松、快速地实施操作； 一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： 一无法识别出即将出现哪些损伤； 需要查找故障

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

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。

图B.2频率选择性分析

典型的频谱分析示例如图B.3

DB11T 281-2005 屋顶绿化规范B.2.4基于专家经验的分析

图B.3典型的频谱分析

通过诊断软件进行自由组态分析：例如轨迹、直方图、失量图/瀑布图，然后基于专家经验分 过程如图B.4所示

图B.4基于专家经验的分析

GB/T 40571—2021

表C.1设备监测参数示例表（续）

注：“X”表示监测量参数可应用，“一”表示监测量参数不适用

GB/T40571202

MH/T 1020-2013 锂电池航空运输规范L1JGB/T5271.1—2000 信息技术词汇第1部分：基本术语 [2]GB/T15969.6—2015 可编程序控制器第6部分：功能安全 [3］GB/T29308—2012 核电厂安全重要仪表和控制系统老化管理要求 「41GB/T31960.1—2015 电力能效监测系统技术规范第1部分：总则