连续资产优化制造业

尽管预测性和基于条件的维护技术有所进步，意外停机仍然是制造作业的主要成本之一。主动维修的重点是:

• 及早发现失败的症状
• 使用过去的经验和领域知识推断出从症状的可能导致，
• 采取行动以防止失败。

然而，从前一代预测性维护方法才能实现有限的成功。为什么？

这主要是因为对问题资产的处理是一个“黑盒子”。如果不了解资产的“内部状态”和资产运行时发生的“状态转换”，就不可能推断出失败的真正原因和潜在原因。因此，在过去的许多实例中，即使通过预测性维护对症状进行了处理，从而在较短时间内避免了故障，资产也没有从实际原因中“治愈”。

当某些故障引起其过去的运营行为的次级最优性未被发现时，物理资产将意外地失败。已经说过，不仅需要避免意外的故障而被要求的次稳态。实现资产的卓越性能是非常需要的。

迄今为止，检测次优先和/或连续维持资产的最佳性能至今是理论兴趣。这是因为制造商店地板的动态实现了实现竞争目标的连续最优能力，并且不可能实现。然而，随着智能制造技术的出现，情况大大改变。现在可以以经济实惠的成本努力实现“实用最优性”，因为当前能力在资产的“内部状态”生成有意义和上下文实时信息。

通过将智能制造技术与前沿的统计、数据驱动和故障建模物理技术相结合，实现资产优化的新水平不再是不可能的。这种方法被称为持续资产优化(CAO)。

下图是一个使用数字孪生体的CAO示例。在此情况下，将铸造生产线视为单一资产，并将优化应用于整条生产线。

为了实现CAO，显示了四个不同的信息处理层。

最低层，操作层获取铸造厂的操作数据。来自操作层的信息用于分析性能层中资产的性能。

CAO的数字双胞胎是垂直整合的。操作层中可用的操作数据用于持续计算内部状态变量的“当前值”。状态变量是一组变量，用于在任何给定时间定义或确定资产的最佳性能或资产的子进程。状态变量的计算的“电流值”作为输入到优化层的输入提供。

优化层由定义资产操作(本例中为铸造过程)的单个子过程的模型库组成。这些模型将根据某一目标函数显示每个子过程的当前最优状态。从这样的结果，以及从当前状态可能产生的离散状态序列的知识，可以使用适当的算法预测子过程的未来行为。

整个系统的组合行为由子过程的个体结果合成。这形成了最终预测层。所有上述层都被实现为软件平台。上述方法可应用于其他类型的资产，例如压缩机，变压器，热交换器，锅炉等。

博士Ananth珊他是MESA持续资产优化工作组的主席。这篇文章最初发表于台面国际的博客。台面国际是CFE Media的内容合作伙伴。由制作编辑克里斯·瓦夫拉编辑，控制工程，CFE媒体，cvavra@cfemedia.com.。