食品饮料是大家日常生活中的必需品，而随着我国食品饮料行业的产量逐步的上升，传统的食品饮料行业面临新的需求。消费者口味的不断变化和升级，小批量定制化的柔性生产线，消费者生活习惯的改变引发食品饮料购买渠道的变化，国家对环境、安全和健康更为严格的监管等等。如何提升生产效率，实现柔性生产，保证产品切换与连续生产过程中设备的高可用性则成为食品饮料行业的首先要解决的问题。
稳定生产——企业关心的头等大事
随着物联网技术的创新与发展，工程制造设备变得更加高效与智能，但设备本身维护工作却仍面临巨大挑战。在食品饮料行业中，设备维护不善会使工厂的生产率降低5-20%，而计划之外的生产中断会使一些大型制造商每年损失500万美元。根据食品饮料行业团队在某大客户的工厂调研表明，灌装机电机和齿轮箱一次意外停机会给生产企业带来近15~25万元的损失。利用软件针对生产线上的关键瓶颈设备进行预测性维护（杀菌机，灌装机，冷冻机等），预测诸如机器零件剩余使用寿命等机关指标，对于食品饮料行业的生产企业来说就显得尤为重要。随着物联网、大数据、云计算、机器学习与传感器等技术的成熟，更多的快销品行业公司希望借助预测性维护，预测诸如机器零件剩余使用寿命等机关指标。
预测性维护——为设备稳定生产保驾护航
设备管理与维护大致经历了三个阶段。
图1 设备维护金字塔模型
●事后维护，即设备发生故障后根据实际的分析结果进行维护，这种方式代价最为昂贵，除设备本身的故障损失外，额外带来的生产损失不可估量。
●预防性维护，即定期对设备进行保养，定期更换备品备件。这种方式相比与事后维护，降低了设备故障发生的概率，但在一定程度上也增加了不必要的维护成本。
●预测性维护(Predictive Maintenance)，预测性维护是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。
当前食品饮料行业的解决方案为“坏了就修”（事后维护），“多买备件备机”。因此企业更多的是在监测关键设备状态，而非预测。实施预测性维护的难度主要体现在以下三个方面：
现场的基础建设不到位，数据量不足
车间现场网络条件不具备，没有专门用于测量温度或振动等参数的传感器，没有数据采集模块，没有实时数据库对设备数据进行存储。
客户缺乏设备建模经验
预测性维护需要根据目标设备的特性针对性的建立设备预测模型，以供机器学习和测试，有时客户缺乏拥有此类设备经验的工程师完成这项工作。通常针对此种情况，施耐德电气会安排经验丰富的设备顾问结合之前的同类设备的经验，指导用户完成组态。
传统预测性维护解决方案价格高昂
传统的预测性维护软件价格昂贵，有时候甚至超过整个设备生命周期的维护成本，对于快消品行业来说，投入与产出不成比例，性价比低。
食品饮料行业预测性维护解决方案——
您的高性价比选择
针对以上三个客户痛点，施耐德电气食品饮料行业团队针对食品饮料行业的关键设备开发出了一整套高性价比的设备预测性维护解决方案。该方案以Wonderware平台下的过程历史数据库Historian为基础，将从设备采集上来的监控数据，例如温度、压力、振动等，传输并存储至实时数据库中。系统对设备的独立运行历史数据进行学习，并对该设备建立一系列的正常操作片段，然后用实时数据与该已知的操作片段曲线进行比较，结合模式识别与数据挖掘分析技术，通过检测系统运行的细微变化来对即将发生的设备故障进行早期预警。系统提供报警管理器与邮件通知服务向相关设备管理人员提供近期的工厂、机组或系统的运行状况。
设备预测性维护解决方案包含如下特点：
●在线设备状态监控
●先进的模式识别技术
●基于大数据分析的模型驱动
●对即将发生的设备问题或故障的预警监测
●先进的问题自我分析与诊断能力
预测性维护能够结合设备的运行记录与设备当前的健康状态去帮助减少无效维护的时间与所用资源，从而优化对资产的维护与提升运营效率。
预测性维护解决方案——
助力行业头部企业稳定高效生产
作为食品饮料行业的领军企业，该公司紧跟新一代信息技术发展的趋势，在建设数字化、智能工厂方面的建设和革新走在了行业前列。该工厂当前自动化程度较高，但生产线后道包装工序的包装机伺服电机有时会发生故障，进而对影响整个生产过程，因此希望引入预测性维护解决如下问题：
●可判断设备故障的类型，程度以及原因，并给出维修建议
●对故障发生的时间做出预测
●对该故障可能带来的损失进行估算
图2 某世界领先食品饮料公司设备运维体系的核心思路
该公司设备预测性维护采用自定义开发的方式完成。基于车间现场硬件条件不足的现状，施耐德电气实施团队首先对设备加装相应的传感器和数据采集模块，将收集到的实时数据存储到Wonderware平台下的Historian实时数据库中作为原始数据，结合设备模型展开基于大数据的机器自我学习过程。在完成机器学习后，使用其他测试数据作为样本，测试设备模型的预测结果，并和训练样本进行对比。
图3 基于训练数据和实际测试数据的预测结果对比（由DS部门提供）
通过部署预测性维护解决方案，我们最终为该客户带来了如下收益：
设备维护成本降低23％
减少了备品备件的采购，降低定期人工检查的频率，降低了人工成本，真正做到了有的放矢。
停机时间减少30％
故障的提前预测避免了大的停机事故，大幅降低事后维修的工作量以及因此带来的生产损失。
提升OEE
故障的精确预知与分析，带来了产品质量的提升和生产效率的提升。
延长设备使用寿命
通过预测性维护做到防患于未然，减少了硬停机带来的不良后果，有效的延长了设备的使用年限。
作者介绍：
刘作轶
➤施耐德电气食品饮料行业高级解决方案架构师。17年流程行业智能制造经验，擅长MES系统整合及业务流程梳理。
➤曾参与多个MES智能制造项目的方案设计与实施。近年来全程、全面参与了多个国内领先品牌的食品饮料工厂数字化项目解决方案的架构设计与执行。
2023-11-4
2023-10-24
2023-10-23
2023-10-22
