引言
在“互联网+”时代浪潮下，传统的设备维修管理模式面临前所未有的机遇与挑战，如何运用大数据的技术，实现设备的制造、安装调试、维修等的全过程的数字化与智能化，成为当前设备维修管理的一个大课题、新课题。
一、背景
为了弥补传统管理模式的不足，提高维修数据的分析效果，引入设备的大数据管理模式。首先在收集设备使用时的数据，并制定设备的日常点检、巡检、定期检查、专项检查、定期检修计划等记录的定时定量数据，编入相应的设备维修管理系统，并制定与该系统对应的APP，例如：应由设备维修人员保养连续式提升机的链条、链轮、减速机等，APP提醒操作人员进行保养，保养后由操作人员录入APP。大数据时代的优势是处理海量的数据，更大更完善的数据库系统可以轻松的将某台设备的所有记录集中起来，搜索某台设备，可以轻松的查看从设备基本档案到设备维护保养、维修记录等的全部信息。搜索某种故障，通过强大的数据分析能力，判断故障发生的原因，可以快速的分析并帮助设备维修管理人员找出设备维修方案。
二、现状及目的
（一）现状
以某公司物流设备维修管理为研究对象，因物流系统存在“点多、面广、线长”的特点，相应的物流设备同样存在以上特点，设备运行日志较多，但相应的运行数据采集不够完善，不能收集所有设备的运行数据，仍需要维修人员们进行现场判定。
（二）目的
建立完善的数据采集系统，获取较为完整的设备运行数据，故障信息等，通过大数据分析，构建一套可以辅助维修管理设备的管理模式，通过数据分析、故障统计、生产信息等，对出现的异常数据及时报警，并给出相应的处理建议，从而形成一套行之有效的设备维修管理模式，实现”数字化转型”的目的，提高设备维修管理水平。
三、大数据设备维修管理模式设计
（一）、大数据设备维修管理模式的四个关进步骤
设备维修管理采用的大数据处理流程主要包括四个关键步骤，分别是收集原始设备数据、设备数据预处理、设备数据挖掘分析、决策知识应用，基于大数据的设备维修管理模型如图所示：
图1 大数据设备维修管理模式设计
1.原始设备运行数据。
设备运行积累海量的日志信息，比如设备的运行信息、点检记录、设备维修记录、设备事故记录等，如下图2、图3。因此可以利用采集系统将数据收集，并且将其保存在数据库中，以便更加安全的保护系统的运行完整性。
图2 设备点检记录
图3 设备维修记录
2.设备数据预处理。
设备原始数据存在很多的噪声信息，采用数据清洗和转化等方法，进一步提高数据的质量，数据预处理可以将不同的设备运行产生的数据进行一致化操作，这样就可以简化数据中的稀疏属性，这些属性对审计模型挖掘贡献较低或无贡献，提升数据挖掘的精准性。
3.数据挖掘分析。
导入的数据经过预处理之后，可以利用数据挖掘技术对数据进行挖掘和分析，常用的数据挖掘技术包括BP神经网络、遗传算法等技术，可以针对这些设备数据进行分析，获取数据集中隐藏的模式，形成决策知识。
4.决策知识应用。
决策知识可以预测设备运行趋势，常见的是发现设备是否会产生故障，如果会产生故障，可以及时的对设备进行检修，这样就可以避免故障发生；另外，也可以发现某些设备是否不合格或存在潜藏的危险，可以将这些设备更换为质量更高的设备。
基于大数据的设备维修管理系统丰富多样的展示方式，智能化的报警机制，智慧化的决策分析，更方便了管理人员对设备各个环节运行状况的掌握，可以实时查看并监控现场各个物流系统的实际运行状况，检查对设备的维护保养是否到位，定期检查是否落实。
（二）实例分析
以某卷烟厂的分拣机为例，该设备是一台具有条码识别、运送、分拣、报警及条码比对功能的全自动化烟箱分拣设备，可以分拣标准的一号工程码，也可以分拣非标准的条形码，实现在制品、成品、标准烟箱、异型烟箱的分拣。目前的分拣机有独立的控制系统，具体的情况简述如下：分拣机主要由皮带机、若干检测光电、分拣执行机构、1主8副的条码扫描器和主控制PLC构成，当这些部分出现故障时，就会报警，在显示屏上显示故障代码，可以通过该代码在故障诊断功能里查询故障的具体信息及解决方案。
以上为当前的分拣机情况，结合大数据，将分拣机的系统接入卷烟厂设备维修管理（EAM）系统，由责任部门将分拣机的定期维护保养，日常点检，定期巡检输入系统，通过APP定时提醒操作人员，检查人员，并将保养检查情况录入系统。分拣机出现故障，直接通过APP将故障代码及原因分析情况推送到维修人员，维修完毕后直接将故障记录到系统，提高了维修效率。管理人员通过对维修情况的分析，制定相应的检修计划。
我们发现设备的损坏过程其实是一个缓慢渐进的过程，它不会一下子就坏掉。比如从10到9.5，再到9，再到8这样，不会一下子就到5或0。而当它到8的时候，从物料或者一些设备的实时监控参数上就可以反应出来了。提前维护，损失可以降低。比如，可以分析不同设备的运行状况状况，建立某种不良项目或者运行效率和设备机构参数，电气参数或者其他什么参数之间的关联性，以此诊断设备的正常与否，不正常值到达一定程度，及时发出警报，通知维修人员及时作出检查。当然除效率指标外，还可以分析故障指标，对比同类设备不同机台的故障情况，同一设备不同时期的故障情况等等。
（三）物流设备故障分析模型研究
根据日常工作经验总结和历史记录分析，建立对应的设备维修管理模型，根据物流系统的特性，建立各关键设备的维修管理模型，如分拣机、堆垛机等，下面以分拣机为例，研究其故障分析模型。
分拣机故障分析模型以预防突发故障为主，通过采集分拣机主要环线电机日常空载电流、满载电流，相应的分拣流量，结合点检数据和维修保养数据，分析设备运行状态，通过预防性维修，防止设备出现突发故障停机等情况。突发故障停机主要与网络通信、皮带磨损、轴承磨损、链条磨损等诸多情况之间存在复杂关系。收集各个主要部位的振动信息，监控其变化趋势，结合电机工作电流A、电机温度t、分拣流量m、网络状态等相关信息，建立对应故障模型，给出故障分析数据，提前预测设备运行状态，建立相关数学模型，确保设备高效运行。
例如：电机正常工作电流A与分拣流量m存在正相关关系，流量越大，负载越大，空载到满载的电流变化模型：
F（A）=K*m+A0
结合设备运行情况，分拣执行情况（主要是流量，亦为负载），设备振动情况等综合分析，监控分拣机整体运行情况，剔除异常数据后，当电流F(A)超出其正常范围，给出相应的维修决策，帮助维修人员提升预知性维修水平。
图4 模型参数示意
目前而言，收集到的各类参数之间的关联性，基本上还是主要靠工程师的经验积累，比较少是通过纯理论可以推导出来的。但是，通过数据积累和大数据智能分析，可以找到各项参数之间的潜在关联，不断提高设备的预知性维修水平。
四、结束语
“数字化转型”，始于数据，重在应用，终于数据。通过不断的数据采集和积累，深耕大数据，将”数字化转型”引入到日常的设备维修管理中，通过数据挖掘本质，用信息驱动工作。大数据分析在物流设备维修管理中的应用只是我们探索的第一步，将来，会继续探索零备件管理、固定资产投资管理、项目管理等设备管理的各个方面，真正构建全方位的物流设备管理体系。积极开展各项业务的”数字化转型”，建立智能可靠的“数据中心”，积极开展私有云建设，培养高素质运维团队，不断推动各项物流业务向数字化、智慧化方向发展。
参考文献
[1]陈楠. "大数据"思维下的烟草物流配送中心设备维修管理系统开发与应用[J]. 物流技术与应用, 2018.
[2]王熙然. 基于云平台大数据背景下的"智慧物流"的应用分析[J]. 数字通信世界, 2017, 000(011):108.
[3]王献美. 基于大数据的智慧云物流理论、方法及其应用研究[D]. 浙江理工大学.
作者简介：许新锋（通讯作者），男，河南中烟工业有限责任公司许昌卷烟厂，物流分中心电修工，研究方向为物流设备管理、零备件管理、项目管理。
