贝利Bailey SPNIS21

ABB：

S800系列模块、AC800M系列模块，工业机器人备件DSQC系列、Bailey INFI 90,800xA、Advant OCS with 

Master Software、带有MOD 300软件的Advant OCS、Freelance - 应用于流程工业的分布式控制系

统、Symphony Melody、Satt OCS、Symphony DCI System Six、Harmony/INFI 90、安全系统等。

主营PLC可编程控制器模块，DCS卡件，ESD系统卡件，振动监测系统卡件，汽轮机控制系统模块，燃气发电机备件等

地理信息的智能化赋予了我们无忧出行的能力，那么工业智能化呢？未来的机器将具有一个能够进行边缘计算、并且与其他机器以及计算平台通信的本地代理。在计算平台上，部署的诸多行业应用将能够把机器数据实时转换为可行动信息，赋予机器自我意识、自我比较、自我预测、甚至是自我维护的能力，最终实现无忧生产。与互联网服务类似，工业智能化需要的不仅是离线的仿真、数据治理、或连网，而是能够实时、快速自适应的分析与决策支持能力。

目标

从对设备维护的角度看，智能制造的目标是无忧生产。按照李杰教授的CPS理论“5C”框架[1], [2]延伸，一个智能制造系统应该具备本地代理、分析平台、专家知识库的自动积累、以及优化与决策支持系统。本地代理首先将数据从设备中采集出来，经过特征提取，在本地可以做简单的衰退监测。计算能力更强的平台将负责更加复杂的运算，得出设备的健康信息。预测出的健康信息可以输入工厂系统，给出维护维修的最佳时机，支持设备维护部门维护维修的排程决策。对于可补偿的衰退，也可以用得到的设备情况进行控制参数优化，减缓衰退。同时，分析得出的对设备的洞见将被固化在平台上的工业知识库中。对于设备现象的判断以及产生这种现象背后原因的分析，有时仍然需要专家意见的输入，丰富知识库，增强智能系统的可靠性。累积的对设备的洞察可以为设计反应实际使用中可能会遇到的问题，从而闭环产品生命周期管理，不断改进设备性能。

图2. 无忧生产的愿景

核心技术

工业智能化的重要环节之一是快速场景化。制造业的许多工艺往往都有复杂的工况，这就要求在场景化的过程中，反映实体系统健康状态的模型能够自动适应变化的工况，并且将工况的变化与真实的衰退区分开。传统的故障预测与健康管理(PHM)模型建立过程通常是单向的，最主要的形式有三种：

1. 静态模型：用所谓的“黄金基线”训练一个模型，假设其可以适用于所有情况；

2. 多工况联合模型：对工况离散的情况，在每个工况下建立一个局部模型，假设不会有新工况出现；

3. 增加训练数据样本：对工况更为复杂的情况，大量增加训练样本来提高建模准确率，假设数据的增量可以弥补工况复杂性。

针对这三种形式假设的局限性，美国智能维护系统(IMS)中心提出了自适应的预诊断模型建立方法论，加强模型的可规模性与部署实施的可靠性[3], [4]。如图 3所示，自适应预诊系统首先可以识别变化的工况。这种工况的变化除了操作造成的之外，也可能是由于组件的疲劳程度加深。其次，根据工况的变化，已经不同工业应用的衰退理论模型，可以估计模型参数，进而估计衰退的程度。最后，将估计后的模型与变化的工况相结合，预测关键组件的剩余寿命，达到预诊目的。