摘要(synopsis)
本案例分析介绍了杜克能源公司如何通过每日远程数据采集和监测来替代每月手动数据采集。
引言
杜克能源公司成立于1900年，是美国最大的发电公司，在美国拥有80多家工厂，员工超过29,000人。 该公用事业公司总部位于北卡罗来纳州夏洛特，拥有 52,700兆瓦的发电能力，向美国东南部和中西部地区六个州约740万用户供电。 杜克能源还为150万天然气客户提供服务，并在加拿大和拉丁美洲运营多种发电设备，包括一系列可再生能源设备。
杜克能源公司以及发电行业的其他公司在手动监测机器状况时都面临着挑战。 状态监测可通过避免设备故障导致的停机来控制成本以及提高设备服务能力。 手动采集数据非常耗费人力; 在基于路线的数据采集方法中，杜克能源公司的预测性维护专家需要亲自走到每个站点手动采集数百个数据样本，然后返回计算机查看和分析采集到的数据。 杜克能源公司的分析师每个月需要进行近6万次数据采集时，通常会花费80%的时间来采集数据，而只有20%的时间可用于分析数据，导致诊断不一致，风险评估受限，而且需要耗费大量时间和体力在走路上!
2010年，杜克能源公司开始在整个公司实施集中化项目，使用新技术来满足日益增加的可靠性要求并提高员工的工作效率。 杜克能源公司希望拥有能够及时发现问题并通知专家的技术，以取代传统基于路线的数据采集做法，使他们能够将时间花在更有价值的任务上，并且无论身处何处都能完成工作。 这个需要耗时数年的项目需要安装额外的传感器，采用全新的架构设计以及购买新基础设施来补充旧基础设施。
解决方案
杜克能源公司开始考虑利用工业物联网(IIoT)和大数据分析的元素来应对这些挑战。 对于这个项目，杜克能源与NI以及美国电力研究院(EPRI)、OSIsoft和InStep(现为施耐德电气的一部分)共同合作开发定制的监测和诊断基础设施，该设施称为Smart Monitoring and Diagnostics，简称“Smart M&D” 。
EPRI已经推出了I4GEN(Developing Insights through the Integration of Information for Intelligent Generation，通过集成智能发电信息提高洞察力)框架，以支持发电公司转向使用物联网相关技术和解决方案。 该研究所与合作伙伴分享专业知识，并支持多个发电组织之间的协作，而不是让他们像一盘散沙，各做各的。
技术投资和运营
此项目的必要投资包括安装额外在线传感器、基础设施、架构和诊断应用程序。
2012年，杜克能源开始开发新的架构来支持这个项目。 Duke Energy采用了NI CompactRIO平台，该平台结合了嵌入式实时处理器、高性能现场可编程门阵列(FPGA)以及可热插拔I/O模块，可将实时采集的数据发送到联网的上位机电脑中。 传感器数据被传送到NI CompactRIO监控系统中进行信号采集和处理，结果通过有线或无线方式传输到工厂服务器。 利用大量的模拟数据，NI CompactRIO可以进行报警，并为杜克的数据专家提供全面的波形分析。 此外，杜克能源公司还使用用于状态监测的NI InsightCM™来可视化和分析数据。 通过将FPGA和板载实时处理器连接到传感器，可大幅减少原始模拟波形，仅保留指示节点处系统“健康”状况所需的数据。 这样可以避免数据超载的情况，方便领域专家快速发现问题。
NI InsightCM软件是一款让数据更加方便易用的重要工具，并且非技术人员也可轻松使用。 杜克正处于从传统技术向新技术的过渡中，以期为最终用户提供更优质的服务。
更多传感器正在添加到驱动器、电机、泵、变速箱和风扇等监测功能受限的设备上。 对于已经配备传感器的机器，杜克能源专注于扩展其感测能力。例如，蒸汽涡轮发电机已经具有较高的感测能力，因为这些昂贵的机器需要通过警报来避免代价高昂的故障。 杜克能源公司在这种设备中增加了更多的传感器来捕获数据，以支持更先进的振动监测，从而提高了未来故障的可预测性。
杜克在其设施中确定了10,000多项资产，并计划为这些设备资产添加超过30,000个传感器，包括加速度计、温度传感器、油液分析传感器、热像仪和接近式探针。 这些传感器增加了振动、轴承温度和油压监测等功能，还可监测变压器、溶解气体和发电机等其他资产的电磁特征。
据估计，该项75%的成本不在于软件或传感器，而在于将传感器连接到数据采集计算机的布线上。数据采集系统遍布该公司的各种设施，可连接多达30或40个硬连接的传感器。 电缆必须从传感器连接到本地数据采集计算机;然后信号从NI数据采集设备无线传输到杜克能源的服务器。
为了采集振动信息，可能需要每秒捕捉10,000到 100,000个样本，持续几秒钟，才能对机器状况进行充分的测量。 此外，杜克能源公司使用现场工厂服务器的组合来管理这些庞大的数据。 每个工厂都有自己的OSIsoft PI服务器，该服务器可采集、存储和组织各种来源的数据。
这些服务器位于杜克的监控和诊断中心，其中 Instep的Prism模式识别和预测软件(用于机械解决方案)和GP Strategy的EtaPRO热状态监测软件可帮助识别与预期行为的偏差。 在监测诊断中心内，这些软件工具由一个由五名技术人员组成的团队使用。
技术人员通过一个报警仪表板来了解设备是否发生某些意外行为。 这样，他们就可以调查并筛选问题，以确定是否是真正的异常情况以及是否需要进一步调查。 如果对异常进行标记，就会发送一个标准流程电子邮件来提醒相关的人员解决问题; 并以图形化方式向他们提供信息，指出偏差并提供初步诊断建议，以便操作员可以检查机器。
这些信息会发送到EPRI的资产健康管理系统，并与基于真实设备数据长时间编制而成的特征数据库(来自多个公司)中的所有已知故障进行比较来识别问题。 然后EPRI通知杜克能源的专家进入 NI InsightCM Data Explorer(一款旨在帮助工程师快速定位、检查、分析和报告测量数据的联网软件)进行全面分析。
目前，杜克能源公司将其所有数据存储在内部服务器上，因为IT部门目前不开放使用云。 迄今为止，杜克能源公司已能够处理使用这种方法所采集的庞大数据量。
杜克能源取得的成效
截至2017年3月，已有近30个工厂通过Smart M&D架构部署和管理近2000个CompactRIO系统。 在这些工厂内，杜克能源公司借助自动化数据采集功能，让分析师可以将80%的时间用于分析，而不是数据采集; 因此，分析结果更加可靠。
一年内，杜克能源公司的监测和诊断中心平均每天使用Prism发布两次通知;其中只有四分之一警报需要采取纠正措施。 这些警报为专家提供了依据，使其可以在成本最低的时候对设备进行计划和修理，例如，当设备计划进行维护而停机或需求较少时。
这些机器能够继续运行数周，使专家可以选择成本最低的时候安排维修。 举个例子，尽管轴承存在故障，杜克能源公司仍然能够保持发电机运行三周，直至安排安全且适时的维修。
公司以前只能每年从数据点采集四个数据，而现在每五秒就能采集一次数据。 并非所有的附加数据都可以永久存储; 因此该公司通过管理协议来决定什么时候丢弃哪些类型的数据，以实现更智能的数据存储。
四年来，杜克能源公司由于避免了故障带来的高昂成本，节省了高达130%的资金预算。 该项目实施的第三年，杜克能源公司开始看到回报显著增加。
该公司正在计算由于避免手动采集数据而节省的劳动力成本。 由于系统会持续分析数据，因此可大大减少操作员轮次，同时显著提高数据采集频率。 数据不再是每个月采集一次; 而是每天采集数次，每周采集数TB的数据，从而可以在更频繁且一致地发现和跟踪问题。
这一转变提高了可靠性并降低了运营成本，可帮助管理人员满足更高可靠性的需求，并通过提高分析能力来优化工作效率。
挑战
推出该解决方案必须克服许多挑战。
早在项目之初，杜克能源就意识到他们无法独自轻松完成该项目。 通过一开始就与NI和EPRI等技术提供商合作，杜克避免了许多挑战。
1. 杜克能源公司面临的一个挑战是让员工(其中许多人的整个职业生涯都在从事基于路线的手动数据采集工作)接受并采用这些新方法，并信赖这些技术及信息。 例如，专家们仍然会在收到基于数据的警告后，使用手持设备手动检查设备。 因此，该公司已投入到数据可视化的持续优化过程中。
2. 杜克面临的另一个主要挑战是运行大量高级模式识别(APR)模型(超过10,000个)会导致接收到警报量非常大。 为了应对这种情况，杜克能源公司正在制定一个警报管理以及优先排序策略，因为该公司没有足够的分析师来处理所有模型。 其中一种警报管理方法是基于资产的重要性(例如汽轮机和风扇)进行优先级排序。
3. 对于采用该解决方案的四个地区，杜克能源在每个地区都指派了负责人，他们与维护专家一起进行测量，帮助他们将新技术应用到业务中。 然而，没有人是全能的;所以从一开始，OT和IT团队之间的合作就显得非常重要。
这存在一个挑战，即OT和IT部门有自己的优先事项(和预算)，这些事项有时候会存在竞争，所以保持平衡至关重要;此外，项目高级管理人员的支持非常重要，这样可确保充足和持续的资金支援。
4. 由于该项目已在多个工厂推出，该团队必须与每个站点合作，针对其特定需求开发独特的解决方案。 这要求工厂管理人员根据他们的主要痛点和担忧来进行取舍。 另一个挑战是，在过去几年中，工厂管理人员发生了变动，需要对新员工进行持续培训。
下一步
今年，杜克能源将完成额外传感器的部署; 因为该公司最近扩大了希望监测的范围，纳入了变压器等附加设备。 杜克能源公司认识到，使用更多的无线传感器可以节省更多资金，因为这些传感器不需要昂贵的数据采集系统布线。之后，杜克能源公司希望通过能够提前诊断问题的工具来获得更多有助于采取措施的信息。 杜克希望将目前采用的预测性维护解决方案进一步扩展，不仅能够告诉专家问题是什么，而且还提供如何解决问题的建议。 鉴于该行业的领域专家不断流失，这一点将变得尤为重要。
（转载）
