用户手册-资产云-资产数智服务-预测性维护.docxVIP

用户手册

PAGE2/NUMPAGES22

YonBIPV3.0(R6_240

YonBIPV3.0(R6_2407_1)旗舰版

资产

资产云-资产数智服务-预测性维护

用友网络科技股份有限公司

用友网络科技股份有限公司

2024年9月

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。

目录

TOC\o1-3\h\z\u第一章总体概述 5

1.1产品概述 5

1.2产品价值 5

第二章应用场景 5

2.1场景一：在线状态监测 5

2.2场景二：机理故障诊断 6

2.3场景三：AI故障诊断 6

2.4场景四：剩余使用寿命预测 6

2.5场景五：预测性维护措施 6

第三章操作指南 7

3.1谱图分析 7

3.1.1总体概述 7

3.1.2总体价值 7

3.1.3谱图多维呈现 7

3.1.4谱图类比分析 9

3.1.5历史数据总览 11

3.1.6谱图极速回放 12

3.1.7在线状态监测 13

3.2智能诊断 14

3.2.1总体概述 14

3.2.2总体价值 14

3.2.3机理故障诊断 14

3.2.4AI故障诊断 16

3.3模型库 17

3.3.1总体概述 17

3.3.2总体价值 17

3.3.3机理诊断模型 17

3.3.4AI故障诊断模型 18

3.3.5AI寿命预测模型 19

3.4基础设置 20

3.4.1总体概述 20

3.4.2总体价值 20

3.4.3组件库 21

3.4.4AI故障诊断设置 21

3.4.5AI寿命预测设置 22

第四章初始准备 22

4.1生态系统数据维护 22

4.2连接集成服务 22

4.3基础数据同步 22

4.4测量点绑定板卡通道 22

总体概述

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。

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。

应用场景

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：

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。

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。

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