一种面向健康状态预测的设备维护方法

王旭，段喆，钟炜

（1.天津理工大学管理学院；2.天津生态城国有资产经营管理有限公司）

1 引言

天津市某国有资产经营管理有限公司主要负责国有资产的经营与管理、房屋租赁、景观绿化工程建设与管理、公建项目建设与管理等，负责的公建项目管理包括医院、学校、消防站等，以上单位均包含众多的通用设备和专业设备。以医院为例，医院设备总价值占到医院固定资产总额的50%以上，保证设备的良好工况，提高设备运行的可靠性，不仅能够确保医疗诊断的准确性，还能使国有资产保值增值[1]。目前，大多数公建项目在设备管理方面还未形成较好的管理模式，存在维护预案响应不及时、维护人员劳动强度大，日常维护不到位等导致设备劣化程度加重等问题，因此，用较少的资金投入，组织合理的设备维护方式是公建项目运维管理面临的难题[2]。

面向健康状态预测的设备维护方法利用算法预测与数据分析技术，对设备历史维护中的履历数据进行统计，通过SVM算法构建设备健康状态预测模型，完成设备健康状态预测，根据预测设备状态结果提前采取维护措施，以达到对设备“状态修”的预判，探索设备维护管理的新模式。

2 设备维护方式

由于设备维护成本占建筑年度运维管理成本的65%以上[3]，因此设备维护是运维管理的重要组成部分，有效的维护策略可以降低设备维护成本，甚至可以延长设备的使用寿命。目前，设备维护方法主要有反应性维护、预防性维护和预测性维护。

2.1 反应性维护

反应性维护是指设备发生故障后维护人员才执行的维护操作，是基于故障驱动的事后维修，维护措施需要维护人员到现场查明原因后才能制定，设备维护时间也会受到维护人员的经验、故障的复杂程度等现场情况的影响，而设备维护的效果往往不能达到最初的设备健康状态。

2.2 预防性维护

预防性维护是指维护人员以一定的时间间隔检查设备运行状况，是基于时间驱动的事前维护方式，主要以“预防”为主。定期预防性检查会耗费大量人力、物力及时间。

2.3 预测性维护

预测性维护即通过预测设备，预测未来的健康状态指数，是基于数据驱动的事前维护方式。预测性维护策略需要综合考虑维护记录、工单、原因等各类信息，利用支持向量机、人工神经网络、灰色系统理论、线性回归模型等机器学习方法对设备进行健康状态预测[4-6]。与反应性维护和预防性维护相比，预测性维护不仅可以预测未来状况，而且可以在故障发生之前进行故障排查和处理，节省调度时间，防止因故障产生造成的损失。

3 基于健康状态预测的国有资产设备维护方法

3.1 基本原理

基于健康状态预测的设备维护方法主要由数据采集、数据处理、数据训练、状态预测模型以及设备维护计划构成，基本流程如图1所示。

图1 基于健康状态预测的设备维护方法基本流程图

3.2 输入数据集分析

数据采集主要收集两大类数据：①设备的属性数据，如安装时间、设备容量、总服务年数；②设备维护工单中的数据，如小型维护次数、大型维护次数、异常事件次数、小型故障次数、大型故障次数以及维护人员当月对设备状态的综合评价。

3.3 健康状态预测模型

由于支持向量机算法在解决小样本、非线性数据时表现出的良好结果，本文将利用支持向量机算法建立设备健康状态预测模型[7]，通过寻找满足要求的最优分类超平面得到最优解，算法采用RBF核函数，具体公式如下：

式（1）中：t为训练样本的数量；i为1，……t的非负数；ai为拉格朗日乘数；向量和常数b定义超平面为垂直于超平面的向量；b为超平面偏移参数。预测性维护的目的是通过诊断缺陷和预测设备的健康状态为维护调度提供决策支持，算法流程见图2。

图2 SVM算法预测设备健康状态流程图

4 案例分析

天津市某国有资产经营管理有限公司的职责是对固定资产全生命周期内的移交、验收、使用、维护、处置等环节进行计划管理、预算管理、价值管理、实物管理、安全管理，为了加强固定资产管理，维护资产安全，提高固定资产管理水平，提出一种面向健康状态预测的设备维护方法。

4.1 研究对象

根据设备管理系统中的维护数据显示，配电箱的维修次数比其他设备维修次数多，因此，本文以国有资产经营管理公司中的配电箱为研究对象进行健康状态预测的案例验证，共收集100组数据。

4.2 SVM算法预测设备健康状态

SVM算法是一种用于分类任务的监督学习模型，根据类的最优分离原理发展而来，该预测过程的输入是8个变量，状态值作为标签，将整理好的100组数据随机分为三组：①80组用于训练机器学习模型；②10组用于验证模型效果；③10组用于测试训练好的模型，表1提供了SVM算法在验证模型效果时5组数据的误差和预测准确率。

表1 配电箱健康状态预测的验证结果

4.3 设备维护计划

设备状态预测旨在通过历史维护数据预测设备性能，为了量化设备健康状态，制定设备健康状态量表，预测的状态值会匹配到不同的设备状态等级，维护人员根据设备预测结果提前采取维护操作，具体的设备健康状态与维护操作如表2所示。

表2 设备健康状态与维护操作量表

以训练好的SVM模型为基础，输入设备的8项数据，可以预测设备未来的健康状态值，根据不同的健康状态值对应设备维护或更换设备构件的操作：当设备健康状态值为0时～3时，表示设备需要详细检查设备或更换设备零件；当设备健康状态值为3时～5时，表示设备存在需要大量维修的零件；当设备健康状态值为5时～8时，表示设备只需要进行小型维护；当设备健康状态值为8时～10时，表示设备只需要每月定期检查，维持设备正常工作所需的温度和湿度即可。

5 结语

本文建立了基于支持向量机算法的设备健康状态预测模型，通过天津市某国有资产经营管理公司的案例验证表明：输入设备的8类特征值，可以实现设备未来的健康状态值以及评价等级的预测，并构建了设备健康状态值与维护措施之间的关系，根据算法预测结果，维护人员可以提前采取维护措施进行防范，以减少设备故障产生、延长设备使用寿命，更好地保护国有资产。结果表明该设备维护方法可以较为准确地获得设备健康状态值，且该算法的特征值收集成本也比较低廉，均可在设备属性以及维护记录中找到，对国有资产经营管理公司来说，节省了大量财力物力，有效减少了国有资产流失情况的发生，实现国有资产的保值增值。