20多年前，我在IBM中国工作期间，负责能源电力行业的解决方案研发与销售，从美国学习引进了当时IBM的全球战略合作伙伴PSDI的产品—MAXIMO。从大亚湾核电站开始，推广至国内水电火电电网多家企业，在其他资产密集型行业也有广泛应用。当时对企业资产管理和设备维护维修领域的知识进行了系统学习和研究。MAXIMO在中国的广泛应用，对于2006年IBM公司收购MRO（PSDI改名而来）公司的决策应该是有一定的促进作用。当然对于国内资产密集型企业的资产管理水平和设备安全水平提升也起到了相当的促进作用。在这个领域广为流传的EAM概念的定义，就是有一天晚上在我家厨房里写出来的。
这些年来，无论工作岗位和事业领域如何转换，始终对这个领域的技术进展和应用现状十分关心。中国最近这些年，好像安全生产事故特别多，不是这里爆炸，就是那里着火，要么就是哪里坠落死人。为什么呢？我的观点，是因为中国进入了“维护时代”。什么意思？就是很多当年的崭新设备或设备系统运转了十多年或二、三十年，尽管平时有维护和维修，但是，到了一定寿期之后，呈现“亚健康”状态，难免出现故障。
中国的设备维护工作，从最初的大部分设备坏了再修，发展到大部分设备采取计划检修（也叫做预防性维护），即根据经验固定一个检修周期，就像我们的爱车“5000公里一保养”一样。显然，这种方法容易造成过度检修或检修不及时的问题。再后来，在设备上安装了很多传感器，有测温度的，有测震动的，有测距离的，有测流量的，还有测位移的。于是进入了预测性维修，也叫状态检修阶段。
在预测性维修模式下，每个传感器都设定了上下阈值，规定在多长时间内超过阈值几次，就开始报警，这样对于进入P-F间隔，接近F点的设备，传感器就能够发挥作用，一有报警，即开始在线检修或停机检修，从而一定程度上提高了设备的可利用率。所以传感器愈装愈多，没想到，这也带动了“物联网”的概念应运而生。
但是，正像“天有不测风云、人有旦夕祸福”一样，时常会出现这种情况：即使所有传感器都没有报警，也就是说在没有任何先兆的情况下，设备也会发生故障、引发事故，这是为什么呢？
首先，传感器的报警阈值一经设定，往往不再调整；其次，传感器安装的数量和位置即使再多也是有限的，当设备运行相当长的时间后，设备性能一定会出现恶化现象，当多数传感器测值都接近报警阈值时，再加上没有安装传感器的部位的综合作用，是很有可能导致设备出现故障、引发事故的。就好比“亚健康”的人会生病一样。
今天下午，在我组织的一次与国网新源的技术交流会上，邀请了清华校友刘建来分享，他研发了一套专门针对工业设备数据的、基于人工智能的算法和系统，具备自我学习功能，能够根据对设备上多个传感器记录的数据进行融合分析，得出设备状态特征及其分布，从而，不仅能够判断出历史上设备的运行异常时点和故障时点，还可以对设备的实时运行状态进行预警。最为神奇的是，这套算法不需要分析人员懂得行业知识和设备专业知识，也不需要知道传感器数据的单位以及含义，只是对纯粹传感器数据的关联特性及变化趋势进行分析，即可判断出异常情况。对同一台设备积累和分析的数据愈多，预警的准确度就会愈高。
在大家的好奇和追问下，刘建介绍这套系统基于Data-Driven Prognostics（简称DDP）原理，中文译作“数据驱动的预警”。晚上立刻上网搜学，找到了一篇美国NASA Ames研究中心的论文“A Survey of Data-Driven Prognostics”，DDP算法应用于NASA的“ Integrated Systems Health Management”—集成的系统健康管理ISHM。宇宙飞船到了太空中，不可能配置足够多的各种系统的维护专家，怎么办？大量实时的传感器数据的分析怎么办？这依靠DDP系统和基于工艺模型的系统联合发挥作用。所以， ISHM系统的功能包括故障探测（Fault Detection），告诉宇航员好像有什么地方发生故障了；还有故障诊断（Fault Diagnosis或 Fault Isolation），告诉宇航员哪里的哪个设备出故障了；以及故障预警（Fault Prognosis）。DDP系统主要负责故障预警。这里是这样定义“预警”的：不仅要探测到设备失效的先兆，还要预测出设备失效之前还能够带病坚持运转多长时间。当然，ISHM还包括决策支持系统，帮助宇航员决定下一步采取什么样的响应行动？DDP技术的优势在于可以高效率地从大量的各种传感器数据中发现和学习设备运行的状态特征，并运用这些特征实时捕捉代表设备故障先兆的设备状态，从而为避免故障发生而采取行动提供更大的提前期，也为故障探测、故障诊断提供更聚焦、更准确的依据。
也正是由于飞船上不可能有全才的行业专家和设备专家且实时产生大量的传感器数据，所以，ISHM系统中完全基于数据特征学习的DDP子系统就具有了重要作用。
随着资产密集型企业愈来愈重视设备的健康和安全，也由于信息化发展相当普及的程度，所以，DDP算法也开始在这些行业中应用。大家也许会问，我们企业内已经有足够多的行业专家和设备专家了，为什么还要用这个不需要行业专家和设备专家的预警系统呢？我的回答是：为了提高数据分析效率，改善数据分析效果、优化预警机制。尤其是在一些地处偏远的企业，或者设备运行环境较为恶劣的企业，不可能在现场留得住或者随时用得上足够多的领域专家和设备专家，多一个“快速大脑”帮助我们做预警，何乐而不为呢？
刘建介绍，这个系统只是在现有的SIS、DCS、MES等系统上做增量，而不是做替代，所以不用担心对现有的信息系统做大手术，而且经过一定时间的培训，企业自己的专业人员也可以很快能够结合设备状态的数据特征及特征变化作出预警判断。
所以，我认为，资产密集型企业的设备管理工作，将在大数据和人工智能的东风下，快速从预防性维护和预测性维护阶段进入到预警性维护阶段，这是企业EAM系统升级的必由之路。
责任编辑 张一凡
