張晨,黃國(guó)杰,金艷

(1． 上海賽科石油化工有限責(zé)任公司，上海 201507；2． 北京中瑞泰科技有限責(zé)任公司，北京 100192)

隨著信息技術(shù)的快速發(fā)展，石化生產(chǎn)過(guò)程中裝置和設(shè)備積累的海量工業(yè)數(shù)據(jù)已經(jīng)變?yōu)槠髽I(yè)的重要數(shù)據(jù)資產(chǎn)，利用好這些數(shù)據(jù)資產(chǎn)，服務(wù)于企業(yè)生產(chǎn)的“安穩(wěn)長(zhǎng)滿優(yōu)”運(yùn)行，是石化企業(yè)數(shù)字化轉(zhuǎn)型中的關(guān)鍵，而裝置和設(shè)備的智能預(yù)防預(yù)測(cè)性維護(hù)技術(shù)是重要的應(yīng)用之一。石化企業(yè)傳統(tǒng)的設(shè)備檢修模式采用定期的方式，由于生產(chǎn)現(xiàn)場(chǎng)工況復(fù)雜，設(shè)備故障導(dǎo)致的非計(jì)劃停車事件經(jīng)常發(fā)生，為企業(yè)的安全生產(chǎn)帶來(lái)了非常大的隱患，同時(shí)，非計(jì)劃停車事件的發(fā)生也對(duì)企業(yè)的利潤(rùn)造成大幅影響。

目前石化企業(yè)在建廠初期，基本就已經(jīng)預(yù)先建立了工廠級(jí)別的實(shí)時(shí)歷史數(shù)據(jù)庫(kù)平臺(tái)，將生產(chǎn)過(guò)程中的海量運(yùn)行數(shù)據(jù)長(zhǎng)期保存，這些運(yùn)行數(shù)據(jù)中包含了設(shè)備運(yùn)行的規(guī)律以及測(cè)點(diǎn)之間的關(guān)聯(lián)關(guān)系，利用好這些海量數(shù)據(jù)，并通過(guò)數(shù)據(jù)發(fā)現(xiàn)設(shè)備的故障規(guī)律是目前國(guó)內(nèi)外一致認(rèn)可的通用方法。此外，在設(shè)備的各個(gè)檢修周期內(nèi)，企業(yè)也會(huì)積累大量的檢修數(shù)據(jù)，這些數(shù)據(jù)同樣也能對(duì)設(shè)備的狀態(tài)，尤其是設(shè)備的健康狀態(tài)評(píng)估提供重要的支撐。

為提升裝置安全水平，企業(yè)勢(shì)必會(huì)利用好設(shè)備運(yùn)行和檢維修的相關(guān)數(shù)據(jù)，建立“基于數(shù)據(jù)資產(chǎn)架構(gòu)的設(shè)備預(yù)防預(yù)測(cè)性檢修平臺(tái)”，通過(guò)更加先進(jìn)和智能的檢維修方式，提升裝置的可靠性，降低非計(jì)劃停車事件的發(fā)生概率，將會(huì)成為石化企業(yè)的必然之選。

1 關(guān)鍵設(shè)備機(jī)組故障和故障預(yù)警現(xiàn)狀

通過(guò)對(duì)國(guó)內(nèi)某煉化公司2014—2017年煉化裝置非計(jì)劃停車次數(shù)的統(tǒng)計(jì)分析，設(shè)備機(jī)械故障造成的非計(jì)劃停工達(dá)到約62%，因機(jī)械故障造成的裝置停車次數(shù)是最多的，若將電氣故障計(jì)算在內(nèi)，設(shè)備故障造成的非計(jì)劃停車超過(guò)80%。其中，機(jī)械故障中關(guān)鍵機(jī)組事故較多，影響最大，后果也最為嚴(yán)重，引發(fā)的裝置非計(jì)劃停車事故尤為突出。從裝置類型分析，加氫裝置和重油催化裝置因機(jī)械故障引發(fā)的非計(jì)劃停工比例最高，比例分別約為24.1%和17.8%。

雖然目前大型關(guān)鍵機(jī)組都安裝有狀態(tài)監(jiān)測(cè)和過(guò)程控制系統(tǒng)，但各系統(tǒng)間相互獨(dú)立，缺乏聯(lián)通和集成機(jī)制，致使各監(jiān)測(cè)參數(shù)都只能片面、孤立地反映設(shè)備某一部件或某一方面的狀態(tài)，造成操作人員缺乏判斷設(shè)備整體運(yùn)行狀態(tài)的依據(jù)，缺乏預(yù)測(cè)設(shè)備未來(lái)劣化趨勢(shì)的手段，潛在的事故威脅未得到有效預(yù)警。

因此，針對(duì)煉化裝置大型關(guān)鍵機(jī)組，集成現(xiàn)有監(jiān)測(cè)系統(tǒng)形成健康大數(shù)據(jù)，并以此建立預(yù)測(cè)預(yù)警模型，是開(kāi)展設(shè)備健康管理的基礎(chǔ)。

2 基于數(shù)據(jù)模型分析的方法

基于數(shù)據(jù)模型分析的方法是近些年普遍用于大型動(dòng)設(shè)備故障診斷領(lǐng)域的一種方法。傳統(tǒng)的故障診斷方法一般基于動(dòng)設(shè)備特性建立機(jī)理模型，它需要了解設(shè)備的基本原理來(lái)建立精確描述設(shè)備的數(shù)學(xué)模型，然后將故障狀態(tài)植入，根據(jù)故障狀態(tài)的性能參數(shù)，結(jié)合建立起的設(shè)備常態(tài)模型來(lái)建立設(shè)備的故障模型，進(jìn)而達(dá)成故障診斷的目標(biāo)。采用該建模方式，每種設(shè)備都需要專家去設(shè)計(jì)其狀態(tài)模型，而一旦設(shè)備發(fā)生了零件變化、工藝變化、工況變化、或者其他影響了因果關(guān)系的變化，模型就要重建。該建模方式顯然不適合復(fù)雜的工藝系統(tǒng)和設(shè)備種類以及千變?nèi)f化的工況，所以用機(jī)理建模分析設(shè)備狀態(tài)是不夠高效、不夠精確的。而基于數(shù)據(jù)建模的分析方法能繞開(kāi)建立精確模型這一難點(diǎn)，其最大的優(yōu)勢(shì)就在于不用建立精確的設(shè)備機(jī)理模型，只要采集足夠多的設(shè)備運(yùn)行數(shù)據(jù)，對(duì)其進(jìn)行特征提取、挖掘，采用合適的診斷算法就可以達(dá)到精準(zhǔn)的故障診斷目標(biāo)。

近年來(lái)興起的大數(shù)據(jù)分析及機(jī)器學(xué)習(xí)是通過(guò)模擬人類的學(xué)習(xí)能力，使得計(jì)算機(jī)像人一樣能夠不斷進(jìn)行學(xué)習(xí)進(jìn)化，通過(guò)已知數(shù)據(jù)的學(xué)習(xí)完善自己的知識(shí)庫(kù)，進(jìn)而能夠完成預(yù)測(cè)未來(lái)數(shù)據(jù)的任務(wù)。目前機(jī)器學(xué)習(xí)已經(jīng)開(kāi)始被當(dāng)作動(dòng)設(shè)備故障診斷的手段應(yīng)用起來(lái)，“超球建?！钡拇髷?shù)據(jù)分析算法就是這樣一種機(jī)器學(xué)習(xí)的建模方式，利用動(dòng)設(shè)備各個(gè)運(yùn)行參數(shù)維度的相關(guān)性來(lái)定義該動(dòng)設(shè)備系統(tǒng)的可靠性，通過(guò)對(duì)數(shù)據(jù)的分析、對(duì)比，預(yù)測(cè)出設(shè)備的健康程度，并錨定出影響健康狀態(tài)的各個(gè)參數(shù)點(diǎn)，大幅減輕了運(yùn)維人員的分析壓力，有效提高了設(shè)備的運(yùn)維管理效率，并保證了設(shè)備的安全可靠性，避免了非計(jì)劃停機(jī)的發(fā)生。

“超球建?！彼惴ㄊ潜本┲腥鹛┛萍加邢挢?zé)任公司的“資產(chǎn)健康管理平臺(tái)iEM系統(tǒng)軟件”的核心專利技術(shù)。通過(guò)“超球建?！彼惴▽?shí)現(xiàn)對(duì)動(dòng)設(shè)備海量運(yùn)行數(shù)據(jù)的關(guān)聯(lián)分析，建立石化設(shè)備的智能健康感知模型，對(duì)設(shè)備的健康、安全、性能實(shí)現(xiàn)在線健康感知，并能夠?qū)υO(shè)備運(yùn)行過(guò)程中的潛在故障進(jìn)行早期預(yù)警。

iEM“超球建模”算法與常用的人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等算法不同，該算法在處理海量數(shù)據(jù)時(shí)，沒(méi)有進(jìn)行降維或升維的空間轉(zhuǎn)換，這樣就避免了由于維度增減帶來(lái)的信息遺失。該算法的建模和計(jì)算過(guò)程都保持問(wèn)題空間的維度不變，并以連續(xù)時(shí)間為基礎(chǔ)對(duì)海量狀態(tài)數(shù)據(jù)進(jìn)行分析，該特點(diǎn)使“超球建?！彼惴ㄔ卺槍?duì)設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)數(shù)據(jù)分析方面有獨(dú)到的優(yōu)勢(shì)。

以下是一個(gè)iEM“超球建?！彼惴ê腿斯ど窠?jīng)網(wǎng)絡(luò)算法的對(duì)比測(cè)試結(jié)果。在測(cè)試中，以1臺(tái)壓縮機(jī)作為研究對(duì)象，有80個(gè)參數(shù)測(cè)點(diǎn)，設(shè)定采樣周期為5 min，每一年設(shè)備運(yùn)行數(shù)據(jù)大約1×105組；分別采用“超球建?！彼惴ê腿斯ど窠?jīng)網(wǎng)絡(luò)根據(jù)第一年的數(shù)據(jù)建立設(shè)備的運(yùn)行模型，并對(duì)第二年的數(shù)據(jù)進(jìn)行離線驗(yàn)證計(jì)算，再將模型投入在線運(yùn)行實(shí)時(shí)計(jì)算。實(shí)驗(yàn)結(jié)果對(duì)比見(jiàn)表1所列。

表1 iEM“超球建?！彼惴ê腿斯ど窠?jīng)網(wǎng)絡(luò)運(yùn)行模型實(shí)驗(yàn)結(jié)果對(duì)比

3 生產(chǎn)設(shè)備的管理及運(yùn)維系統(tǒng)構(gòu)成

生產(chǎn)設(shè)備的管理及運(yùn)維系統(tǒng)包含設(shè)備監(jiān)測(cè)數(shù)據(jù)的展示分析系統(tǒng)，主要包括全廠的實(shí)時(shí)數(shù)據(jù)庫(kù)平臺(tái)PI系統(tǒng)、工廠管理SAP系統(tǒng)等。其中，PI系統(tǒng)保存設(shè)備運(yùn)行產(chǎn)生的實(shí)時(shí)和歷史數(shù)據(jù)，SAP的維護(hù)管理(PM)模塊保存了設(shè)備在各個(gè)檢修周期中的檢維修數(shù)據(jù)。此外，該公司還建立了動(dòng)設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)，設(shè)備健康管理及早期預(yù)警系統(tǒng)等基于機(jī)理和數(shù)據(jù)模型的分析系統(tǒng)，該公司有高精度的海量數(shù)據(jù)，還有各種維度的數(shù)據(jù)分析工具，結(jié)合專業(yè)技術(shù)人員，具備了實(shí)施設(shè)備預(yù)防預(yù)測(cè)性維護(hù)系統(tǒng)的基礎(chǔ)，該公司生產(chǎn)設(shè)備的管理及運(yùn)維系統(tǒng)架構(gòu)如圖1所示。

圖1 生產(chǎn)設(shè)備的管理及運(yùn)維系統(tǒng)架構(gòu)示意

4 設(shè)備預(yù)防預(yù)測(cè)性檢修平臺(tái)實(shí)現(xiàn)方法

4.1 實(shí)現(xiàn)步驟

設(shè)備預(yù)防預(yù)測(cè)性檢修平臺(tái)通過(guò)以下幾個(gè)重要步驟實(shí)現(xiàn)：

1)構(gòu)建工廠數(shù)據(jù)資產(chǎn)架構(gòu)，整合多維度設(shè)備數(shù)據(jù)。基于該公司PI平臺(tái)的資產(chǎn)架構(gòu)模塊，將保存在各個(gè)設(shè)備管理系統(tǒng)中的數(shù)據(jù)集成到統(tǒng)一的PI平臺(tái)的設(shè)備資產(chǎn)架構(gòu)(AF)模塊中，從工廠物理架構(gòu)和業(yè)務(wù)需求2個(gè)維度對(duì)分散的設(shè)備數(shù)據(jù)進(jìn)行整合，構(gòu)建起符合設(shè)備運(yùn)維管理關(guān)聯(lián)的工廠數(shù)據(jù)資產(chǎn)架構(gòu)。

2)設(shè)備機(jī)理結(jié)合數(shù)據(jù)計(jì)算模板及數(shù)據(jù)建模。PI AF模板支持?jǐn)?shù)據(jù)計(jì)算模板配置定義，可以將設(shè)備的運(yùn)行信息如啟停狀態(tài)、啟停次數(shù)、累計(jì)運(yùn)行時(shí)間，檢修記錄等預(yù)防性指標(biāo)數(shù)據(jù)定義在AF模板中?；谠O(shè)備歷史運(yùn)行數(shù)據(jù)建模的設(shè)備健康度(HPI)也可以統(tǒng)一整合在PI AF模型的資產(chǎn)計(jì)算模板中。

3)“預(yù)防+預(yù)測(cè)”的設(shè)備健康管理。通過(guò)PI AF資產(chǎn)架構(gòu)模板定義，可以實(shí)現(xiàn)設(shè)備的預(yù)防和預(yù)測(cè)性檢修條件定義。其中預(yù)防性維修條件主要包括基于設(shè)備維修機(jī)理生成的事前維護(hù)工單，比如當(dāng)設(shè)備累計(jì)運(yùn)行時(shí)間達(dá)到一定指標(biāo)后，就觸發(fā)對(duì)應(yīng)的維修工單。此外，還可以通過(guò)HPI預(yù)警，對(duì)設(shè)備的潛在故障進(jìn)行早期預(yù)警，通過(guò)iEM系統(tǒng)的HPI關(guān)聯(lián)點(diǎn)計(jì)算，提前發(fā)現(xiàn)設(shè)備劣化趨勢(shì)，并能通過(guò)恰當(dāng)?shù)氖虑熬S護(hù)，將故障消滅在萌芽狀態(tài)。

4.2 建模及分析方法

1)數(shù)據(jù)建模?！俺蚪！彼惴〝?shù)據(jù)建模過(guò)程如圖2所示。

圖2 “超球建?！彼惴ń＿^(guò)程示意

該建模方法基于設(shè)備的海量運(yùn)行歷史數(shù)據(jù)，首先，系統(tǒng)將來(lái)自傳感器的測(cè)點(diǎn)數(shù)據(jù)按照設(shè)備資產(chǎn)的架構(gòu)以及時(shí)間標(biāo)簽整理，得到基于時(shí)間維度上的設(shè)備狀態(tài)數(shù)據(jù)集，狀態(tài)數(shù)據(jù)集體現(xiàn)設(shè)備的實(shí)際運(yùn)行狀態(tài)，每一狀態(tài)數(shù)據(jù)集與對(duì)應(yīng)工況下的實(shí)際狀態(tài)相對(duì)應(yīng)；然后，系統(tǒng)自動(dòng)分析工況與狀態(tài)的關(guān)聯(lián)關(guān)系，通過(guò)對(duì)狀態(tài)模式的提取、壓縮和存儲(chǔ)，形成設(shè)備的狀態(tài)模式集作為設(shè)備的超球狀態(tài)模型。

該建模方法的特點(diǎn)是建模過(guò)程保留設(shè)備所有的關(guān)聯(lián)變量，沒(méi)有降維或升維變換，測(cè)點(diǎn)的權(quán)重通過(guò)設(shè)備狀態(tài)模型的分布密度自動(dòng)識(shí)別，特別適合工業(yè)環(huán)境中很難用機(jī)理精確模型描述的設(shè)備狀態(tài)建模過(guò)程，因?yàn)樵O(shè)備狀態(tài)模型與數(shù)學(xué)空間中超球概念一致，因此被稱為超球狀態(tài)模型。

超球狀態(tài)模型實(shí)現(xiàn)了對(duì)設(shè)備歷史運(yùn)行數(shù)據(jù)中有效信息的提取，體現(xiàn)了工業(yè)設(shè)備對(duì)象的動(dòng)態(tài)運(yùn)行特征。經(jīng)過(guò)超球建模，工業(yè)大數(shù)據(jù)中最有價(jià)值的信息“模式”被自動(dòng)識(shí)別，并保存在“智能單元”超球狀態(tài)模型中，進(jìn)而實(shí)現(xiàn)智能在線感知、分析、預(yù)測(cè)等計(jì)算。

2)狀態(tài)感知。該系統(tǒng)從工業(yè)設(shè)備的歷史運(yùn)行數(shù)據(jù)中提取正常狀態(tài)，建立設(shè)備的超球狀態(tài)模型；超球狀態(tài)模型自動(dòng)對(duì)工業(yè)設(shè)備的實(shí)時(shí)健康狀態(tài)進(jìn)行在線評(píng)估，該過(guò)程稱為狀態(tài)感知。通過(guò)狀態(tài)感知，超球狀態(tài)模型將工業(yè)設(shè)備的實(shí)時(shí)健康狀態(tài)綜合成一個(gè)0～100%評(píng)價(jià)值，即HPI。某設(shè)備的HPI曲線如圖3所示。

圖3 某臺(tái)設(shè)備的HPI示意

超球模型的健康感知過(guò)程體現(xiàn)了數(shù)據(jù)驅(qū)動(dòng)的“機(jī)器智能”： 在建立超球模型的過(guò)程中，系統(tǒng)自動(dòng)分析工業(yè)設(shè)備的建模數(shù)據(jù)，在構(gòu)建超球模型的同時(shí)，也得到設(shè)備HPI的基準(zhǔn)值“Hth”，該基準(zhǔn)值是采用超球狀態(tài)模型進(jìn)行健康感知時(shí)，工業(yè)設(shè)備運(yùn)行狀態(tài)是否健康的評(píng)價(jià)的標(biāo)準(zhǔn)。

3)關(guān)聯(lián)分析。關(guān)聯(lián)性是工業(yè)系統(tǒng)在運(yùn)行過(guò)程中，變量之間、設(shè)備之間廣泛存在的相互關(guān)聯(lián)的特性。工業(yè)系統(tǒng)中的關(guān)聯(lián)性是動(dòng)態(tài)的，關(guān)聯(lián)因素以及關(guān)聯(lián)強(qiáng)度(權(quán)重)都隨時(shí)間和狀態(tài)而變化。

iEM系統(tǒng)通過(guò)關(guān)聯(lián)因素排序來(lái)實(shí)現(xiàn)工業(yè)設(shè)備的測(cè)點(diǎn)變量之間的動(dòng)態(tài)關(guān)聯(lián)分析。當(dāng)工業(yè)設(shè)備的HPI出現(xiàn)跌落時(shí)，表示設(shè)備的運(yùn)行狀態(tài)與歷史同工況下的正常運(yùn)行狀態(tài)已經(jīng)發(fā)生了變化。系統(tǒng)的關(guān)聯(lián)計(jì)算引擎從工業(yè)設(shè)備的大量變量中識(shí)別出關(guān)鍵的影響因素，自動(dòng)計(jì)算動(dòng)態(tài)權(quán)重，感知工業(yè)對(duì)象的測(cè)點(diǎn)變量中對(duì)實(shí)時(shí)狀態(tài)貢獻(xiàn)最大的變量，并以主關(guān)聯(lián)因素排序的方式給出。

關(guān)聯(lián)因素是實(shí)現(xiàn)人機(jī)分工的另一個(gè)重要步驟，實(shí)現(xiàn)自動(dòng)感知狀態(tài)變化之后，計(jì)算機(jī)更進(jìn)一步給出主關(guān)聯(lián)因素，將提高專業(yè)人員進(jìn)行詳細(xì)的機(jī)理分析診斷的方向準(zhǔn)確度。

4.3 應(yīng)用案例

以下是一次故障預(yù)警案例。從系統(tǒng)中某設(shè)備的HPI曲線可以看到： 2017年5月10日起，該設(shè)備的運(yùn)行狀態(tài)發(fā)生大幅波動(dòng)，如圖4所示。

圖4 某設(shè)備的HPI曲線示意

該設(shè)備在5月10日發(fā)生第一次預(yù)警后，在5月11日再次預(yù)警，并且持續(xù)時(shí)間增加，5月13日再次預(yù)警后該設(shè)備HPI一直低于基準(zhǔn)線。對(duì)該設(shè)備在預(yù)警發(fā)生后的狀態(tài)進(jìn)一步分析，可以得到丙烯泵振動(dòng)加速度、丙烯泵排放壓力p、電源控制功率P關(guān)聯(lián)點(diǎn)信息見(jiàn)表2所列。

表2 某設(shè)備在預(yù)警發(fā)生后的關(guān)聯(lián)點(diǎn)測(cè)量值

該設(shè)備的關(guān)聯(lián)點(diǎn)是在每個(gè)狀態(tài)下對(duì)設(shè)備HPI貢獻(xiàn)最大的測(cè)點(diǎn)，在上述預(yù)警時(shí)段，該設(shè)備的主要關(guān)聯(lián)點(diǎn)非常一致，因此上面3個(gè)關(guān)聯(lián)點(diǎn)即被視為該設(shè)備健康波動(dòng)的主要因素。對(duì)各關(guān)聯(lián)點(diǎn)的取值進(jìn)行進(jìn)一步趨勢(shì)分析如圖5～7所示。

圖5 某關(guān)聯(lián)點(diǎn)的振動(dòng)加速度監(jiān)測(cè)曲線示意

圖6 關(guān)聯(lián)點(diǎn)的壓力監(jiān)測(cè)曲線示意

圖7 關(guān)聯(lián)點(diǎn)的功率監(jiān)測(cè)曲線示意

由上述關(guān)聯(lián)點(diǎn)的趨勢(shì)可見(jiàn)，從5月10日18時(shí)開(kāi)始，該設(shè)備測(cè)點(diǎn)中振動(dòng)、油壓和功率的波動(dòng)從小幅變化開(kāi)始逐漸劣化，使得該設(shè)備的整體健康狀態(tài)大幅下降，直到5月15日該設(shè)備停車。iEM系統(tǒng)識(shí)別到該設(shè)備的HPI跌落后，從5月13日15：57開(kāi)始發(fā)出狀態(tài)預(yù)警，同時(shí)也發(fā)出主要關(guān)聯(lián)點(diǎn)的信息。從檢修記錄中可以看到，對(duì)該設(shè)備在5月15日即進(jìn)行了搶修，通過(guò)設(shè)備解體檢查發(fā)現(xiàn)，系統(tǒng)中的軸承已經(jīng)有較大磨損，局部組件斷裂，并發(fā)生了電機(jī)缺相。這些故障現(xiàn)象與iEM系統(tǒng)對(duì)該設(shè)備預(yù)警時(shí)給出的主要關(guān)聯(lián)點(diǎn)完全一致。

因此，“基于數(shù)據(jù)資產(chǎn)架構(gòu)的設(shè)備預(yù)防預(yù)測(cè)檢修平臺(tái)”在實(shí)際應(yīng)用中為現(xiàn)場(chǎng)設(shè)備運(yùn)行和管理人員提供了很大的方便，在大幅提高設(shè)備監(jiān)測(cè)效率的同時(shí)，還能提前發(fā)現(xiàn)現(xiàn)場(chǎng)設(shè)備的潛在故障，消除故障隱患，減少非計(jì)劃停機(jī)概率，取得了很好的應(yīng)用效果。

5 結(jié)束語(yǔ)

作為傳統(tǒng)的流程行業(yè)，石化行業(yè)數(shù)字化轉(zhuǎn)型具有多維度、漸進(jìn)式的行業(yè)特點(diǎn)，其中如何利用好化工企業(yè)的數(shù)據(jù)資產(chǎn)，在服務(wù)企業(yè)自身的同時(shí)，通過(guò)數(shù)據(jù)整合提升整個(gè)行業(yè)的管理水平是化工企業(yè)數(shù)字化轉(zhuǎn)型的方向和目標(biāo)。

石化企業(yè)通過(guò)對(duì)工廠已有數(shù)據(jù)和系統(tǒng)的深度挖掘和利用，建立起符合企業(yè)自身管理的設(shè)備預(yù)防預(yù)測(cè)性維護(hù)平臺(tái)，產(chǎn)生了良好的社會(huì)效益和經(jīng)濟(jì)效益，為其他同類型工廠的數(shù)字化轉(zhuǎn)型建設(shè)提供了很好的示范。