مدیریت سنتی ضد خوردگی لولههای گرمایش فولاد ضد زنگ 316 عمدتاً به سوابق کاغذی پراکنده، فایلهای صفحه گسترده جدا شده و گزارشهای بازرسی تجهیزات تکه تکه تکیه میکند. دادههای انبوه شامل سوابق بازرسی مواد خام، پارامترهای فرآیند جوشکاری، گزارشهای ساخت و ساز غیرفعالسازی،-دادههای نظارت بر کیفیت آب در محل، نتایج آزمایشهای غیرمخرب منظم، بایگانیهای نگهداری و تمیز کردن شیمیایی، گزارشهای تجزیه و تحلیل شکست خوردگی و گواهیهای بازرسی شخص ثالث بهطور مستقل در بخشهای مختلف ذخیره میشوند که منجر به تکه تکه شدن دادههای جدی میشود. مدیران نمی توانند همبستگی بین پارامترهای عملیاتی و قوانین تخریب خوردگی را استخراج کنند، بنابراین آنها فقط می توانند به جای مدیریت پیش بینی دقیق، تعمیر و نگهداری غیرفعال دوره ای را اتخاذ کنند. با انباشت مداوم دادههای عملیات تجهیزات، ادغام دادههای ناهمگن چند منبع-برای ایجاد یک پلتفرم کلان دادههای خوردگی سازمانی یکپارچه ضروری است. با استفاده از پاکسازی دادهها، ویژگیکاوی، تحلیل همبستگی و مدلسازی یادگیری ماشین، این پلتفرم میتواند درجهبندی خطر خوردگی، پیشبینی عمر مفید باقیمانده، هشدار اولیه عملکرد غیرعادی و توصیه هوشمند طرح ضد خوردگی- را تحقق بخشد، که اساساً حالت مدیریت غیرمتمرکز تجربی را تغییر میدهد. بنابراین، ساخت یک پلتفرم کلان داده استاندارد خوردگی، زیرساخت داده اصلی برای تحقق مدیریت هوشمند و پیشبینیکننده ضد خوردگی{11} تجهیزات لولههای گرمایشی است.
ارزش اصلی پلت فرم داده های بزرگ خوردگی در شکستن سیلوهای داده و درک ارزش مدیریت حلقه بسته-محرکه- است. این دادههای ساختاری مانند پارامترهای{3}}عملکرد واقعی حسگر، شاخصهای آزمایش آزمایشگاهی و سوابق تعمیر و نگهداری، و همچنین دادههای بدون ساختار شامل عکسهای خرابی، تصاویر اسکن متالوگرافی، گزارشهای بازرسی و اسناد تجزیه و تحلیل تصادف را یکپارچه میکند. پس از پیش پردازش استاندارد داده، حذف داده های تکراری، فیلتر کردن مقادیر غیرعادی و پر کردن مقادیر از دست رفته، برچسب های ویژگی خوردگی چند بعدی از ابعاد دسته مواد، فناوری پردازش، نوع شرایط کاری، مدت زمان عملیات و فرکانس نگهداری ساخته می شوند. از طریق تجزیه و تحلیل همبستگی آماری، این پلت فرم می تواند وزن تأثیر غلظت یون کلرید، نوسان دما، سرعت جریان سیال و فرکانس تمیز کردن را بر روی نرخ نازک شدن دیوار تعیین کند، فواصل عملیات پرخطر را تعیین کند که به راحتی باعث ایجاد حفره، خستگی حرارتی و میکروبیولوژیکی می شود، و بهینه سازی داده های ویژه ضد خوردگی{8} و بهینه سازی داده های سازمانی{8} را ارائه دهد. استراتژی های عملیات تجهیزات در همین حال، از نمونههای شکست تاریخی برای آموزش مدلهای پیشبینی برای بهبود مستمر دقت هشدار اولیه خطر خوردگی استفاده میشود.
این مطالعه چهار استراتژی کلیدی ساخت و بهره برداری را برای پلت فرم داده های بزرگ خوردگی لوله گرمایش ارائه می دهد. ابتدا، استانداردهای دسترسی یکپارچه داده را فرموله کنید و دسترسی متمرکز به دادههای چند منبع-طول عمر-چرخه- کامل را درک کنید. مشخصات استاندارد رابط داده را طراحی کنید تا اتصال یکپارچه با سیستمهای سنجش اینترنت اشیا، پلتفرمهای نظارت دوگانه دیجیتال، سیستمهای تدارکات ERP سازمانی، سیستمهای مدیریت فرآیند تولید و ماژولهای مدیریت نگهداری تجهیزات را محقق کنید. قوانین کدگذاری داده را برای هر لوله گرمایشی به طور یکسان تعریف کنید، شناسه تجهیزات منحصربهفرد را به عنوان کلید اصلی برای مرتبط کردن همه دادههای فرآیند کامل{6} بالادستی و پاییندستی دربرگیرنده بازرسی ورودی مواد خام، پردازش کارخانه، انبارداری و حمل و نقل، نصب و راهاندازی،-عملیات در سایت، تعمیر و نگهداری منظم، تجزیه و تحلیل خرابی و ارزیابی اسقاط در نظر بگیرید. دادهها را به دادههای ویژگی اصلی،{9}}دادههای نظارت زمان واقعی، دادههای پارامتر فرآیند، دادههای آزمایش بازرسی، دادههای عملیات تعمیر و نگهداری و دادههای مورد خرابی طبقهبندی کنید، و فرمت دادهها، استانداردهای واحد و فرکانس نمونهبرداری دقیق را فرموله کنید تا از ابعاد دادههای متناقض که منجر به نتایج تجزیه و تحلیل نامعتبر میشود، جلوگیری کنید. برای اطمینان از امنیت داده های فنی محرمانه و گزارش های بازرسی، مدیریت اختیار داده سلسله مراتبی را تنظیم کنید.
دوم، پاکسازی دادههای چند بعدی، برچسبگذاری ویژگی و کاوی همبستگی فاکتور خوردگی را اجرا کنید. یک ماژول پیش پردازش داده را برای حذف خودکار داده های تداخل غیرعادی ناشی از رانش ابزار، نوسانات گذرا سیگنال و خطاهای ضبط دستی ایجاد کنید، از طریق الگوریتم های درون یابی، مقادیر تخمینی منطقی برای داده های از دست رفته را پر کنید. یک کتابخانه برچسب ویژگی خوردگی بسازید، درجه خوردگی شرایط کاری، نوع مواد، نوع فرآیند جوشکاری، حالت تقویت سطح، نوع بازدارنده و سایر ویژگی ها را برای هر دسته از لوله های گرمایش علامت گذاری کنید. از تحلیل رگرسیون و الگوریتم همبستگی خاکستری برای محاسبه میزان مشارکت هر یک از عوامل محیطی در نرخ تخریب خوردگی استفاده کنید، پارامترهای حساس کلیدی را که منجر به خوردگی موضعی میشوند، بررسی کنید، و یک نقشه حرارتی همبستگی ریسک خوردگی برای نمایش بصری قانون القای خوردگی تحت ترکیبهای عملیاتی مختلف ترسیم کنید. محدوده آستانه پارامتر معمولی مربوط به حالت های مختلف شکست خوردگی را خلاصه کنید تا پایه ای برای آموزش مدل هشدار اولیه بعدی ایجاد کنید.
سوم، ساخت مدلهای پیشبینی یادگیری ماشینی برای تحقق هشدار اولیه خطرات هوشمند و پیشبینی عمر باقیمانده. داده های نازک شدن دیوارهای تاریخی، نتایج آشکارسازی الکتروشیمیایی و سوابق وقوع خرابی را به عنوان نمونه های آموزشی در نظر بگیرید، مدل های پیش بینی تقویت کننده جنگل و گرادیان تصادفی را بسازید تا با منحنی تخریب خوردگی در شرایط کاری مختلف مطابقت داشته باشد. بر اساس قوانین کلان داده های آماری، آستانه های هشدار اولیه چند سطحی را تنظیم کنید. هنگامی که پلت فرم تشخیص می دهد که ترکیب پارامترهای عملیاتی فعلی در فاصله زمانی با خطر خوردگی بالا قرار می گیرد، به طور خودکار اطلاعات هشدار اولیه را به مدیران تجهیزات ارسال می کند و طرح های اصلاح هدفمند مانند تنظیم دوز بازدارنده، کوتاه کردن چرخه بازرسی یا بهینه سازی پارامترهای کنترل دما را توصیه می کند. این مدل به صورت دینامیکی عمر مفید باقیمانده هر لوله گرمایشی را محاسبه میکند، تجهیزات را بر اساس سطح خطر خرابی مرتب میکند، تغییر از تعمیر و نگهداری یکپارچه منظم به تعمیر و نگهداری طبقهبندی شده پیشبینیکننده را متوجه میشود، به طور موثر هزینههای تعمیر و نگهداری غیر ضروری را کاهش میدهد و از حوادث نشت ناگهانی جلوگیری میکند.
چهارم، ماژول های برنامه پلت فرم را توسعه دهید و تکرار مداوم داده ها و بارش فنی سازمانی را درک کنید. ماژولهای عملکردی از جمله قابلیت ردیابی دادههای کل عمر تجهیزات، نقشهبرداری بصری خطر خوردگی، بازیابی موارد خرابی معمولی، ارزیابی آماری کیفیت تامینکننده و بهینهسازی هوشمند مشخصات ضد خوردگی را توسعه دهید. به طور منظم میزان شکست دسته ای لوله های گرمایشی از تامین کنندگان مختلف را بشمارید، نتایج ارزیابی داده ها را به بخش تدارکات بازخورد دهید تا آستانه دسترسی تامین کننده و توافقنامه فنی مواد خام را بهینه کنید. دادههای بازرسی جدید، سوابق تعمیر و نگهداری و موارد خرابی را به طور مداوم در مجموعه دادههای آموزشی تکمیل کنید تا به صورت پویا دقت پیشبینی مدل را بهینه کنید. از طریق داده کاوی، پایگاه دانش سازمانی{6}}ضد خوردگی سطح- را تشکیل دهید، طرحهای تطبیق بهینه انتخاب مواد، تصفیه سطح، کنترل کیفیت آب و چرخه نگهداری تحت شرایط کاری مختلف را خلاصه کنید، و به وراثت و ارتقای مکرر فناوری ضد خوردگی سازمانی پی ببرید.
نتایج کاربرد میدانی نشان میدهد که شرکتهایی که از پلتفرمهای دادههای بزرگ خوردگی استفاده میکنند، نرخ تعمیر و نگهداری بیش از-تجهیزات را تا 42% کاهش میدهند، نرخ هشدار اولیه از دست رفته در مورد نقصهای خوردگی پنهان به زیر 5% کاهش مییابد و میانگین عمر لولههای گرمایش 1.8 برابر افزایش مییابد. در نتیجه، دسترسی استاندارد چند منبع به داده، پاکسازی دادههای چند بعدی و استخراج ویژگی، ساخت مدل پیشبینی هوشمند و کاربرد بارش دانش میتواند تبدیل از مدیریت تجربی ضد خوردگی به مدیریت دقیق پیشگویانه دادهها را تحقق بخشد. پلتفرم دادههای بزرگ خوردگی قوانین داخلی تخریب خوردگی تجهیزات را عمیقاً بررسی میکند، پشتیبانی تصمیمگیری قابل اعتمادی را برای کل{10}}ضد خوردگی زنجیره-لولههای گرمایش فولاد ضد زنگ 316 ارائه میکند و به شرکتهای صنعتی کمک میکند تا عملکرد ایمن، کارآمد و کم هزینه{{13}درازمدت تجهیزات تبادل حرارت را درک کنند.
