产品远程运维技巧与方法

在线状态监测系统越来越多地应用于制造行业，对产品的维护起到了重要作用。通过加装传感器，产品生产厂商可以实时收集监测数据用于后续的分析工作，尤其在汽车领域，大量在役产品在整个生命周期中持续回转各种类型的数据，使得数据的积累速度非常快，数据容量呈现出爆炸性的增长趋势，如何通过这些数据分析重大故障或事故与相关的客户行为，以及时发现异常征兆提供主动服务，是制造企业向服务转型的重要需求。

大型装备、汽车的生产制造过程和产品运行过程中采集的数据越来越多，但利用效果差，尤其是异常征兆难以通过大数据的实时检测分析来及时发现。

以工业用天然气压缩机的全生命周期数据管理为例，压缩机机械本体是压缩机执行部分，包括框架、主机、辅机等。传感器是采集压缩机各种信息的系统，主要包括状态传感器组、压缩机保护/报警传感器组、远程监测传感器组。基于这些传感器，可以远程监测压缩机运行工况、状态、衰老、故障等。现场分布式控制器包括各种输入/输出模块、模数转换模块、可编程逻辑控制器、扩展模块等。以汽轮机为例，其使用寿命长达20～30年，汽轮机设备上遍布温度、速度、压力、位移、振动等多个工况数据采集装置。产品交付给用户后，由于地域、时间和任务的不同，用户会以不同的方式操作产品，这种操作行为的差异将通过监测数据反映出来，而用户的行为差异则为异常征兆等的发现提供了依据。异常征兆检测发现模型与算法是通过对大规模同类产品的监测数据进行群体统计分析和个体对比分析，得到不同工况在度量指标体系下的典型值，并利用关联模型和可视化工具，展现产品运行和状态异常特征，支持专业技术人员从海量监测数据中寻找最值得关注的异常征兆，降低数据分析门槛，提高分析效率。在异常发现完成后，通过对全体产品进行群体分析，得到产品群体状态监测数据的基线。然后通过度量个体产品的数据与群体产品的基线之间的差异，从而发现异常数据，便于产品生产厂商了解设备的运行情况和质量问题，同时也便于产品的业主了解其所拥有的产品的正常情况。异常检测构件通过对每件产品的每次开机切片的监测数据进行特征提取得到基础度量指标。所有产品的所有开机切片构成一个群体。通过统计分析得到每个工况的每个基础度量指标平均值基线和标准偏差基线。然后通过每个开机切片每个工况的基础度量指标和该工况的基线进行比较，获得该开机切片的该基础度量指标的离群度。然后基于该异常度，进行重点关注工况推荐和重点产品关注产品推荐。