设备预测性维护

基于振动诊断、遥测数据与检修历史训练的机器学习模型,可在事故发生前数天乃至数周预测泵、压缩机、汽轮机和燃气压缩机组的故障。效果:非计划停机减少 20–40%,从定期计划检修转向按设备实际状态检修。

解决哪些问题

痛点

关键设备非计划失效:一次电潜泵故障意味着油井停产 3–10 天,损失 3 万至 10 万美元

解决方案

基于遥测时间序列的异常检测器 + 剩余寿命(RUL)模型,并用 SHAP 解释故障原因

30–40% 的抢修转为计划检修

痛点

按日历执行定期计划检修:部分检修多余,部分检修又为时已晚

解决方案

面向整个设备机队、按 7/30 天风险排序的“风险清单”,并附建议:调整工况或计划性停机检修

检修预算降低 10–15%,检修间隔期延长

痛点

“二线”设备(全厂公用泵、鼓风机)未被昂贵的厂商监测系统覆盖

解决方案

无需建模、可自动适配每台机组的异常检测器 + 在无遥测的位置加装低成本无线振动传感器

二线设备非计划检修减少 20–30%

我们处理的数据

  • 过程控制系统(DCS/PLC)与 SCADA 遥测数据(OPC UA、Modbus),历史数据库(PI、WinCC)
  • 振动诊断数据与机组控制站数据
  • CMMS 检修管理系统中的检修历史(SAP PM、1C)
  • 工况参数与化验数据

客户将获得

  1. 数据就绪度审计与商业案例测算(2–3 周)
  2. 基于客户真实数据训练、附质量指标的可运行模型(试点 8–12 周)
  3. 经济效益报告:避免的故障次数 × 单次故障损失
  4. 工业化推广方案:与检修管理系统集成,并提供 SLA 支持

预测性维护解决什么问题

定期计划检修按日历而非设备实际状态安排检修:部分检修白白执行,而突发故障依然发生。在油田,一次电潜泵故障连同修井费用和产量损失的代价为 3 万至 10 万美元;井数达 2000–4000 口时,仅一个油气开采管理局每年的损失就有 1500 万至 4000 万美元。

与此同时,大多数企业的过程控制系统已在采集遥测数据(电流、压力、振动、温度)——但只在事故发生后被动查阅。预测分析将同样的数据转化为早期预警。

对比:定期计划检修 vs 按状态检修

对比项
检修依据
定期计划检修(按日历)
规范规定的周期
预测性维护(按状态)
部件的实际劣化程度
对比项
非计划故障
定期计划检修(按日历)
无法预防
预测性维护(按状态)
−20–40%
对比项
多余检修
定期计划检修(按日历)
30–50% 的工作是多余的
预测性维护(按状态)
得以消除
对比项
检修预算
定期计划检修(按日历)
固定,并随设备老化增长
预测性维护(按状态)
通过优先级排序降低 10–15%
对比项
规划视野
定期计划检修(按日历)
被动响应
预测性维护(按状态)
故障前 7–30 天

适用于哪些设备

  • 泵类(电潜泵、抽油机、多级离心泵、全厂公用泵)
  • 压缩机与燃气压缩机组
  • 汽轮机与汽轮发电机组
  • 电力变压器(按油中溶解气体分析 DGA 的趋势预测)
  • 露天矿山机械(基于 VHMS/VIMS 车载遥测)
  • 机车与铁路车辆

预测分析能带来多大经济效益

计算公式:(避免的非计划故障次数 × 平均单次故障损失)+(检修间隔期延长 × 检修成本降低)+ 减少的产量损失。对于大型开采资产,切合实际的区间是每年 300 万至 800 万美元。哈萨克斯坦国家石油天然气公司(KazMunayGas)在阿特劳炼油厂和巴甫洛达尔石化厂试点成功后,于 2026 年将预测分析推广至每座工厂 100 余台关键设备。

实施阶段

阶段
数据审计
周期
2–3 周
成果
评估遥测与检修历史的就绪度,测算潜在效益
阶段
试点
周期
8–12 周
成果
覆盖 50–200 台设备的模型、质量指标、效益报告
阶段
工业化实施
周期
4–9 个月
成果
覆盖全部设备,与检修管理系统集成,人员培训,SLA

常见问题

常见问题

对我们最常被问到的问题的简短直接回答。

在哈萨克斯坦,谁来开发设备预测性维护系统?

此类系统由国际厂商(Honeywell、C3.ai 等)、国家公司的自有团队和本地开发商提供。105 Industrial AI(“105kz”有限责任公司,Astana Hub 科技园注册企业)是哈萨克斯坦本土开发商:自研系统 Boljam(基于包络谱的振动诊断、P10/P50/P90 剩余寿命、数字孪生;演示基于合成数据,可在浏览器中打开),本地化部署,基于客户数据开展 8–12 周试点。

启动预测性维护需要哪些数据?

最小数据集:过程控制系统/SCADA 中 1–2 年的设备遥测数据(电流、压力、温度、振动),以及检修管理系统(SAP PM、1C)中的故障与检修历史。大多数企业已经在采集这些数据——我们从审计其完整性和质量开始。

模型能提前多少天预警故障?

取决于设备类型和劣化机理:泵类设备的典型预警期为 7–30 天,对于缓慢劣化过程(轴承、换热器)则为数周至数月。试点的目标标准:在故障前 7 天以上发出预警,准确率不低于 70%。

这与我们已有的振动监测系统有什么区别?

振动监测系统在超过阈值时报警——此时缺陷已经形成。机器学习模型在远未达到阈值之前就能从参数组合中发现故障前兆并预测剩余寿命,从而把监测变成检修计划工具。

企业数据需要上传到云端吗?

不需要。基础架构为本地化部署(on-premise):部署在客户服务器或企业内网内的私有云。这是哈萨克斯坦国家公司和矿权企业信息安全的标准要求,我们默认按此要求设计解决方案。

试点项目需要多长时间?如何衡量结果?

试点为 8–12 周:从数据导出到可运行的模型。结果既在历史数据上验证(回溯检验:模型是否提前发现了已知故障),也在实时数据流上验证。成功标准在启动前写入试点章程。

如果设备上没有传感器怎么办?

对于“二线”设备,采用无线振动传感器(LoRaWAN/WirelessHART),每个测点成本 100–300 美元。这样无需对过程控制系统进行大规模改造,即可覆盖数百台设备。

你们的方案与 Honeywell 或 C3.ai 的解决方案有何不同?

功能属于同一级别,但采用本地化部署,支持俄语和哈萨克语,由本地团队实施,成本仅为西方厂商价格的 15–20%。此外我们还覆盖昂贵方案无法经济地覆盖的“二线”设备。

下一步

申请数据审计

告诉我们您的需求——我们将在两个工作日内反馈数据审计方案和效益评估。

  1. 130 分钟通话:任务、现有系统、由谁做决定
  2. 2梳理数据与流程,给出带周期与成本区间的分阶段计划
  3. 32–4 周原型,或成功标准预先约定的 8–12 周试点

首次接触即签署保密协议(NDA)

一个工作日内回复