YonBIPV3.0(R6_2407_1)旗舰版资产云-资产数智服务-预测性维护用户手册版权©2024用友集团版权所有。未经用友集团的书面许可，本用户手册任何整体或部分的内容不得被复制、复印、翻译或缩减以用于任何目的。本用户手册的内容在未经通知的情形下可能会发生改变，敬请留意。请注意：本用户手册的内容并不代表用友网络所做的承诺。2/24用友网络科技股份有限公司2024年9月用户手册目录第一章总体概述.....................................................51.1产品概述......................................................51.2产品价值......................................................5第二章应用场景.....................................................52.1场景一：在线状态监测..........................................52.2场景二：机理故障诊断..........................................62.3场景三：AI故障诊断...........................................62.4场景四：剩余使用寿命预测......................................62.5场景五：预测性维护措施........................................6第三章操作指南.....................................................73.1谱图分析......................................................73.1.1总体概述..................................................73.1.2总体价值..................................................73.1.3谱图多维呈现..............................................73.1.4谱图类比分析..............................................93.1.5历史数据总览.............................................113.1.6谱图极速回放.............................................123/24用户手册3.1.7在线状态监测.............................................133.2智能诊断.....................................................143.2.1总体概述.................................................143.2.2总体价值.................................................143.2.3机理故障诊断.............................................143.2.4AI故障诊断...............................................163.3模型库.......................................................173.3.1总体概述.................................................173.3.2总体价值.................................................173.3.3机理诊断模型.............................................173.3.4AI故障诊断模型...........................................183.3.5AI寿命预测模型...........................................193.4基础设置.....................................................203.4.1总体概述.................................................203.4.2总体价值.................................................203.4.3组件库...................................................213.4.4AI故障诊断设置...........................................213.4.5AI寿命预测设置...........................................22第四章初始准备....................................................224.1生态系统数据维护.............................................224.2连接集成服务.................................................224.3基础数据同步.................................................224.4测量点绑定板卡通道...........................................224/24用户手册第一章总体概述1.1产品概述预测性维护主要利用设备机理模型或AI智能诊断模型进行故障预测的设备维护方式，致力于在设备发生故障之前进行预警，从而进行及时的维护和保养，避免设备在生产过程中发生非计划停机，减少生产损失。预测性维护主要适用于需要长时间稳定运行的设备或系统，如工业生产线、电力系统、交通运输系统等。在这些场景中，设备一旦发生故障，可能会导致生产线停产、电力供应中断、交通事故等严重后果，因此预测性维护的应用具有重大的经济和安全意义。1.2产品价值减少设备故障：通过对设备进行实时监测和数据分析，及时发现潜在故障并采取维护措施，从而避免设备故障的发生。提高生产效率：有助于避免计划外的故障，如生产线停机，确保生产过程的稳定性和连续性，从而提高整体的生产效率。延长设备寿命：预测性维护通过及时的维护和保养，可以延长设备的使用寿命。降低维护成本：传统的维护方式往往会导致维护不足或过度，而预测性维护能够精确地预测设备的维护需求，减少不必要的维护工作，从而降低维护成本。第二章应用场景2.1场景一：在线状态监测在线状态监测是对设备的实时运行状态进行监测和评估的过程。通过收集和分析来自设备的数据，可以实时了解其工作状况，分析可能出现的问题，并采取相应措施进行维护和修复，主要包含以下内容：5/24用户手册传感器监测：通过在设备或系统上安装传感器，实时收集运行数据，如温度、压力、振动等。这些数据可以反映设备的运行状态和性能，进而判断是否存在异常。数据分析：对收集到的数据进行处理和分析，提取出有用的信息。这包括数据预处理、特征提取、模式识别等步骤，以便更好地了解设备的运行状况。故障预警：通过分析设备数据，识别异常模式和趋势，提前发现潜在故障，并发出预警信号。2.2场景二：机理故障诊断通过采集设备或系统的运行信号，如振动、噪声、温度等，利用信号处理技术对这些信号进行处理，结合设备机理模型进行分析，从而识别出故障的特征，以确定其是否存在故障，并找出故障的原因和部位的过程。设备管理人员可以基于诊断结论进行维修维护干预，减少设备停机带来的影响。2.3场景三：AI故障诊断AI故障诊断是基于人工智能的故障诊断，利用机器学习、深度学习等人工智能技术，通过训练大量的故障数据，使系统能够自动识别故障模式并进行预测，进而识别设备发生故障的具体部位、故障原因、故障程度等信息，设备管理人员可以基于诊断结论进行维修维护干预，减少设备停机带来的影响。2.4场景四：剩余使用寿命预测剩余使用寿命预测是指利用历史数据、物理模型或统计方法等手段，对设备或系统在特定工作条件下的剩余使用时间进行估计的过程。这一预测有助于实现预测性维护，即在设备到达使用年限之前进行维修，以提高设备的运行效率和可靠性。2.5场景五：预测性维护措施根据预警信号和设备的实际情况，制定维护计划，维护计划可以包括定期检查、更换部件、调整参数等操作。6/24用户手册第三章操作指南3.1谱图分析3.1.1总体概述预测性维护依托于在线状态监测采集到的数据进行分析和挖掘，以便于实时了解其工作状况，分析可能出现的问题。谱图分析则提供多种数据分析挖掘的工具，对采集到的数据进行可视化分析和数据标注。3.1.2总体价值对传感器采集的实时、历史数据进行可视化呈现和图谱分析；通过时域、频域、趋势、轴心轨迹、轴心位置、伯德图、瀑布图等多种维度的图谱分析；通过对数据的分析和标注，为AI算法提供训练样本；依托已经训练的AI寿命预测模型和在线监测数据，预测设备的剩余使用寿命。3.1.3谱图多维呈现3.1.3.1功能描述以设备总貌图的方式，对设备的实时状态、历史数据、实时数据进行分析，同时支持对当前设备进行故障诊断和剩余寿命预测。3.1.3.2业务规则支持设备总貌图；支持对单个设备进行数据分析和故障诊断。3.1.3.3按钮说明<总貌图>：展示设备总貌图，包含各测量点实时数据及报警状态；<实时数据>：对该设备下各测量点实时数据进行分析；<历史数据>：对该设备下各测量点历史数据进行分析；7/24用户手册<故障诊断>：对设备进行一键故障诊断；<寿命预测>：对设备进行剩余寿命预测；3.1.3.4主要操作说明3.1.3.4.1总貌图分析1.进入资产云【资产数智服务】->【预测性维护】->【谱图多维呈现】节点2.展开左侧设备树，选择需要分析的设备，点击后展示该设备总貌图；3.点击页面右侧的【编辑】图标，可进行设备端点与测量点的连线、位置移动和背景图更换等操作；4.点击单个测点可弹窗展示该测点的趋势图进一步分析。3.1.3.4.2实时数据分析1.切换顶部选项卡到【实时数据】；2.点击需要分析的测点进行实时数据分析，支持切换图谱类型和调整页面布局；3.1.3.4.3历史数据分析1.切换顶部选项卡到【历史数据】；2.点击需要分析的测点进行历史数据分析，支持多个测量点数据同时对比分析；3.1.3.4.4故障诊断1.切换顶部选项卡到【故障诊断】；8/24用户手册2.选择数据采集时间范围，点击【一键诊断】按钮，依据机理模型或AI故障诊断算法对该设备进行故障诊断，并生成诊断结论；3.1.3.4.5寿命预测1.切换顶部选项卡到【寿命预测】；2.点击【一键诊断】按钮，依据AI寿命预测算法对该设备的剩余使用寿命进行预测。3.1.4谱图类比分析3.1.4.1功能描述对传感器采集的数据及进行实时展示，支持多种谱图类型对比分析。3.1.4.2业务规则支持对实时采集数据进行可视化分析呈现；支持多个设备的不同测量点同时进行分析；支持自定义页面布局；支持时域、频域、趋势、功率谱、功率谱密度、分频、轴心轨迹、轴心位置、伯德图、奈奎斯特图、瀑布图、级联图、单值棒图和多值棒图多种维度的图谱分析。3.1.4.3按钮说明<图谱>：下拉按需选择所需要的图谱类型，支持多选；9/24用户手册<清屏>：清除页面中所有已经生成的图谱；<排列>：自定义图谱的布局方案；3.1.4.4主要操作说明3.1.4.4.1图谱分析1.进入【资产数智服务】->【预测性维护】->【谱图类比分析】节点；2.展开左侧设备数，选择需要进行分析的测量点；3.1.4.4.2图谱切换1.数据区左上角点击【图谱】按钮，选择需要分析的图谱类型，支持多种图谱类型同时对比分析；2.再次点击需要分析的测点，即可在数据区展开所选的图谱类型；10/24用户手册3.1.4.4.3布局排列1.数据区左上角点击【排列】按钮，选择需要排列的方式，进行多种维度的数据对比分析。2.如需将当前页面的分析图谱清除，重新进行分析，在数据区左上角点击【清屏】按钮即可实现数据清除，根据需要重新选择测点和图谱类型进行分析。3.1.5历史数据总览3.1.5.1功能描述以列表方式查看历史采集的数据，并支持进行波形分析和数据标注。11/24用户手册3.1.5.2业务规则支持对历史数据的筛选查看和频谱分析；支持AI故障诊断数据标注；支持AI剩余寿命预测数据标注。3.1.5.3按钮说明<导出波形>：将选中的采集波形数据导出；<故障诊断样本添加>：将选中的数据添加到AI故障诊断样本库；<寿命预测样本添加>：对选中的数据添加到AI寿命预测样本库；3.1.5.4主要操作说明3.1.5.4.1AI故障诊断样本添加1.进入【资产数智服务】->【预测性维护】->【历史数据总览】；2.展开左侧设备树，选择需要查询的设备或测量点，右侧数据区展示对应数据；3.选中需要标注的数据，点击【故障诊断样本添加】按钮，配置对应故障类型、测量点信息后将该数据加入样本库。3.1.5.4.2寿命预测样本添加选中需要标注的数据，点击【寿命预测样本添加】按钮，配置对应剩余寿命、测量点信息后将该数据加入样本库。12/24用户手册3.1.6谱图极速回放3.1.6.1功能描述对传感器采集的历史数据进行展示，支持多种图谱类型对比分析。3.1.6.2业务规则支持对历史数据进行可视化图谱分析；支持多个设备不同测点对比分析；3.1.6.3主要操作说明1.进入资【资产数智服务】->【预测性维护】->【谱图极速回放】节点；2.展开左侧设备数，选择需要进行分析的测量点，设定需要分析的历史数据状态和时间区间即可展示当前时间范围内历史数据的趋势、时域、频域图谱；3.如需对多个测点同时对比分析，只需再次在左侧设备数选择并双击测点名称，即可在同一图谱中对多个测点的测量数据进行对比分析；4.如需对历史数据的频率、轴心轨迹、轴心位置、瀑布图、级联图、伯德图等谱图进行分析，在数据区顶部切换图谱类型即可。13/24用户手册3.1.7在线状态监测3.1.7.1功能描述以数据看板的方式，对系统内的在线监测设备进行综合分析。3.1.7.2业务规则支持对配置在线监测的设备进行综合统计分析；支持背景图及组织、位置图标的自定义调整；支持看板标题自定义调整；支持组织级数据穿透。3.1.7.3主要操作说明1.进入【资产数智服务】->【预测性维护】->【在线状态监测】节点，展示当前系统中的统计数据；2.点击中心区域的组织图标，可穿透到子组织进行数据分析；14/24用户手册3.2智能诊断3.2.1总体概述通过对设备或系统的运行状态进行监测和分析，以确定其是否存在故障，并找出故障的原因和部位的过程。其目的在于预防设备故障的发生，保障设备的正常运行，提高设备的可靠性和安全性。3.2.2总体价值依托机理诊断模型，和在线监测数据，对设备健康状态进行诊断依托已经训练的AI诊断模型，和在线监测数据，对设备健康状态进行诊断；3.2.3机理故障诊断3.2.3.1功能描述依托建立好的机理诊断模型，和在线状态监测数据，对设备健康状态进行故障诊断。3.2.3.2业务规则支持对关联诊断模型的设备进行一键故障诊断；支持对关联寿命预测模型的设备进行剩余使用寿命预测；支持对诊断模型进行编辑维护；支持根据诊断结论生成故障记录；支持根据诊断结论生成工单；支持根据诊断结论生成维修计划。3.2.3.3按钮说明<一键故障诊断>：依托已经配置好的机理诊断模型和监测数据，进行故障诊断；<故障提报>：参照诊断结果生成故障记录；<生成工单>：参照诊断结果生成维修工单；15/24用户手册<制定维修计划>：根据故障危害程度，制定维修计划进行维修处理；3.2.3.4主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【机理故障诊断】节点；2.展开左侧设备树，选择诊断的设备，页面中可查看该设备的历史诊断记录，和特征频率信息；3.右侧数据区点击【一键故障诊断】按钮，系统将根据指定时间范围内，该设备采集测点的数据，和该设备机理模型进行故障诊断，并生成诊断结论。3.2.4AI故障诊断3.2.4.1功能描述利用已训练的AI故障诊断模型，和设备在线监测数据，进行一键故障诊断，形成诊断结论和维修措施等。3.2.4.2业务规则支持对绑定AI故障诊断模型的设备进行一键故障诊断；支持对关联寿命预测模型的设备进行剩余使用寿命预测；支持对AI故障诊断模型进行训练；支持根据诊断结论生成故障记录；16/24用户手册支持根据诊断结论生成工单；支持根据诊断结论生成维修计划。3.2.4.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【AI故障诊断】节点；2.展开左侧设备树，选择已经配置并训练AI模型的设备，页面中可查看该设备的历史诊断记录，和算法模型信息；3.右侧数据区点击【一键故障诊断】按钮，系统将根据指定时间范围内，该设备采集测点的数据，和该设备AI算法模型进行故障诊断，并生成诊断结论；3.3模型库3.3.1总体概述提供机理模型维护、AI算法模型维护和样本训练，为机理故障诊断、或AI故障诊断和AI寿命预测提供基础模型支撑。3.3.2总体价值利用组件库实现设备机理模型搭建；依托算法库进行调优和训练。17/24用户手册3.3.3机理诊断模型3.3.3.1功能描述依据监测设备的真实物理形态，配置模拟的数字模型，用于生成设备的关键特征频率，以便于对设备进行机理故障诊断。3.3.3.2业务规则支持按设备类别创建机理诊断模型；支持为机理诊断模型绑定轴系和组件信息；支持关联设备和测量点。3.3.3.3按钮说明<切换>：切换模型库的展示方式，可选择列表或卡片；3.3.3.4主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【机理诊断模型】节点；2.点击【添加】按钮，在弹窗中录入模型名称、编码、类型、转速、诊断方法等基础信息；3.依次点击右下角【添加轴系】和【绑定组件】按钮，在弹窗中录入轴系和组件信息；4.完成创建后，点击右下角【绑定数据源】按钮，为该模型绑定使用的设备，并关联测量点。18/24用户手册3.3.4AI故障诊断模型3.3.4.1功能描述为机械设备绑定AI算法，并添加样本数据进行模型训练。3.3.4.2业务规则支持为设备绑定AI智能诊断算法；支持添加或导入诊断样本库。3.3.4.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【AI故障诊断模型】节点；2.展开左侧设备树，选择需要进行AI诊断的设备，并在右侧AI算法页签，点击【编辑】按钮；3.选择已经配置好的AI故障诊断算法，根据需要调整算法参数，点击【保存】按钮生效；19/24用户手册1.切换到样本库页签，点击【添加】按钮，在弹窗中选择样本数据的来源测点、采样时间、测量数据值等基础信息，并上传波形以及该样本数据对应的诊断结果和故障部位，如需继续添加，则点击【添加】按钮继续添加样本数据，如需结束则点击【确认】保存生效；2.点击右下角【编辑】按钮，进入编辑态，并点击右下角【训练】按钮，利用当前样本数据对AI模型进行训练；点击【保存】按钮完成样本训练；3.3.5AI寿命预测模型3.3.5.1功能描述为机械设备绑定寿命预测AI算法，并添加样本数据进行模型训练。3.3.5.2业务规则支持为设备绑定AI寿命预测算法支持添加或导入诊断样本库3.3.5.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【AI寿命预测模型】节点；2.展开左侧设备树，选择需要进行AI寿命预测的设备，并在右侧AI算法页签，点击【编辑】按钮；20/24用户手册3.选择已经配置好的AI故障诊断算法，根据需要调整算法参数，点击【保存】按钮生效1.切换至样本库页签，点击【添加】按钮，在弹窗中选择样本数据的来源测点、采样时间等基础信息，以及该样本数据对应的故障部位，和预测剩余寿命，如需继续添加，则点击【添加】按钮继续添加样本数据，如需结束则点击【确认】保存生效；2.切换至AI算法页签，点击右下角【编辑】按钮，进入编辑态，并点击右下角【训练】按钮，利用当前样本数据对AI模型进行训练3.点击【保存】按钮完成样本训练。3.4基础设置3.4.1总体概述提供机理基础组件、AI算法参数配置。3.4.2总体价值覆盖行业常用的基础轴承、齿轮、叶片等组件参数。提供AI算法库，用于故障诊断和剩余寿命预测。21/24用户手册3.4.3组件库3.4.3.1功能描述配置机理诊断所需的基础组件。3.4.3.2业务规则支持添加和维护轴承、齿轮、叶片基础组件数据。3.4.3.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【组件库】节点，根据需要添加或编辑设备模型所需的组件信息，如轴承、皮带、齿轮、叶轮等；2.以轴承为例，录入设备所用轴承的型号、尺寸参数（滚子个数、尺寸、内圈/外圈尺寸）或频率参数（内圈、外圈、滚动体特征频率），点击确定完成组件创建；。3.4.4AI故障诊断设置3.4.4.1功能描述对故障诊断AI算法进行初始化配置。3.4.4.2业务规则支持配置全局故障诊断AI算法测量类型和权重3.4.4.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【AI故障诊断设置】节点；2.点击右下角【编辑】按钮，进入编辑态；3.按需选择算法，并设定错分罚值参数、径向基宽度和测量类型权重信息；4.点击【保存】按钮后，该配置对全租户AI故障诊断算法生效；22/24用户手册3.4.5AI寿命预测设置3.4.5.1功能描述对剩余寿命预测AI算法进行初始化配置。3.4.5.2业务规则支持配置全局剩余寿命预测AI算法测量类型和权重3.4.5.3主要操作说明1.进入资产云【资产数智服务】->【预测性维护】->【AI寿命预测设置】节点；2.点击右下角【编辑】按钮，进入编辑态；3.按需选择算法，并设定测量类型权重信息；4.点击【保存】按钮后，该配置对全租户AI寿命预测算法生效；第四章初始准备4.1生态系统数据维护为实现BIP与生态系统的单点登录，正式使用BIP系统前，需要在生态系统环境中维护双边系统中租户、域名、密钥、用户信息。4.2连接集成服务预测性维护通过生态产品融合方式实现，需要先通过YonLinker集成生态资产包，再进行数据同步和预测性维护产品的融合使用。4.3基础数据同步在正式使用预测性维护模块时，需要将YonBIP资产云的基础数据（例如资产组织、资产和测点信息），与生态平台进行同步，保证双边系统主数据一致后，才可执行后续的业务操作。23/24用户手册4.4测量点绑定板卡通道测量点信息同步后，需要与真实环境中的采集传感器建立联系，才能接收传感器采集的数据，该功能需要通过航天智控系统进行维护。24/24
