ICS 25.040.40 CCS N 19
GB
中华人民共和国国家标准
GB/T40571—2021
智能服务 预测性维护 通用要求 Intelligent servicePredictive maintenance-General requirements
2022-05-01实施
2021-10-11发布
国家市场监督管理总局
国家标准化管理委员会 发布 GB/T40571—2021
目 次
前言
II
范围规范性引用文件术语和定义缩略语总则 5.1 分类 5.2 工作流程 5.3 系统架构
+
2
3
N
5
6设备与功能识别
失效模式影响分析功能 7.1 失效模式分析 7.2 设备影响分析
8可行性分析功能 8.1 数据状况分析 8.2 风险分析
状态监测功能 10 故障诊断功能·
9
寿命预测功能· 12 维护管理功能· 附录A（资料性）离散制造预测性维护实施案例附录B（资料性） 典型设备预测性维护实施案例附录C（资料性） 设备监测参数参考文献
11
11 15
1 f GB/T 40571—2021
前言
本文件按照GB/T1.1一2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定
起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任本文件由中国机械工业联合会提出本文件由全国过程测量控制和自动化标准化技术委员会（SAC/TC124)归口。 本文件起草单位：机械工业仪器仪表综合技术经济研究所、中国石油大学（北京）、中国工程物理研
究院动力部、东风设计研究院有限公司、辽宁大学、中国科学院沈阳自动化研究所、清华大学、北京化工大学、重庆邮电大学、北京天泽智云科技有限公司、上海大制科技有限公司、西门子（中国）有限公司、 三菱电机自动化（中国）有限公司、恩德斯豪斯（中国）自动化有限公司、施耐德电气（中国)有限公司、魏德米勒电联接（上海）有限公司、台达智能科技（北京）有限公司、北京奔驰汽车有限公司、沈阳中科博微科技股份有限公司、上海电气集团股份有限公司中央研究院、贝克休斯检测控制技术（上海）有限公司、 舍弗勒（中国)有限公司、重庆盟讯电子科技有限公司、国网电力科学研究院武汉南瑞有限责任公司、 无锡职业技术学院、安徽容知日新科技股份有限公司、北京博华信智科技股份有线公司、大连理工大学、 西安华云智联信息科技有限公司、中船第九设计研究院工程有限公司、中国船舶重工集团海装风电股份有限公司、武汉船用机械有限责任公司、中国航空工业集团公司沈阳飞机设计研究所、中山大学、上海航数智能科技有限公司、埃森哲（中国有限公司、北京龙鼎源科技股份有限公司、震坤行工业超市（上海）有限公司、易福门电子（上海）有限公司、福建阿古电务数据科技有限公司、工业和信息化部电子第五研究所、北京必创科技股份有限公司、山东省科学院计算中心、北京广利核系统工程有限公司、中国核电工程有限公司、广东利元亨智能装备股份有限公司、清华大学山西清洁能源研究院、上海恩艾仪器有限公司（NI）、中石油北方管道有限责任公司管道科技研究中心、中国科学院空间应用工程与技术中心、北京全路通信信号研究设计院集团有限公司、硕橙（厦门）科技有限公司、浙江浙能技术研究院有限公司、 罗克韦尔自动化控制集成（上海）有限公司、重庆华数机器人有限公司、华北电力科学研究院有限责任公司、武汉中云康崇科技有限公司、苏州拓康自动化技术有限公司、重庆智能机器人研究院、希音科技（杭州）有限公司、北京仪综测业科技发展有限公司。
本文件主要起草人：王成城、王春喜、张来斌、王凯、宋岩、游和平、王金江、杨明、王忠锋、江志农、 黄庆卿、黄毅、董智升、朱国良、高山青、傅振锋、刘文、周春荣、赵东方、郭东栋、杨祖业、许伟、张贵军、 李祎文、陈菁、罗传仙、钱晓忠、贾维银、赵大力、李宏坤、任志刚、熊冠楚、陶建权、曾力、王鹏辉、郝彦、 石桂连、李云、陈芳、郭云、谈宏志、王错、杨扬、郭琼、许晓路、李鹏、王敏、刘卓、魏坤仑、杨喜良、王远航、 李玉荣、陈志聪、林乐乾、黄胜达、郭翘、王玥、朱积锋、马向阳、宁国云、张庆军、杨宝军、陈得民、常静斌、 杨振勇、翟千上、邢优胜、沈洋、王贤福、林娟。
II GB/T40571—2021
智能服务预测性维护 通用要求
1范围
本文件规定了智能服务预测性维护的总则、设备与功能识别、失效模式影响分析功能、可行性分析功能、状态监测功能、故障诊断功能、寿命预测功能、维护管理功能等。
本文件适用于预测性维护系统的设计、开发、使用、维护等
规范性引用文件
2
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单)适用于本文件。
GB/T2298机械振动、冲击与状态监测词汇 GB/T7826系统可靠性分析技术失效模式和影响分析（FMEA)程序 GB/T 20921 机器状态监测与诊断词汇 GB/T 27921 风险管理风险评估技术
术语和定义
3
GB/T2298、GB/T20921界定的以及下列术语和定义适用于本文件。
3.1
边缘计算edgecalculation 在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能
服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。 3.2
故障fault 可能导致功能单元执行要求功能的能力降低或丧失的异常状况［来源：GB/T15969.6—2015,3.24］
3.3
智能服务intelligentservice 能够自动辨识用户的显性和隐性需求，并且主动、高效、安全、绿色地满足其需求的服务。 注：预测性维护是一种典型的智能服务模式。
3.4
监测终端 monitoringterminal 采集、处理物理量（如流量、压力、振动、温度、湿度等)信息，并能与集中或交互终端进行数据交互的装置。 来源：GB/T31960.1一2015，3.4，有修改
3.5
预测性维护 predictivemaintenance 根据观测到的状况而决定的连续或间断进行的维护，以监测、诊断或预测构筑物、系统或部件的条
件指标。
1 GB/T40571—2021
来源：GB/T29308一2012，3.13，有修改
3.6
预防性维护preventivemaintenance 探测、排除或缓解使用中的构筑物、系统或部件降质的活动，以便通过把降质和故障控制在可接受
的水平来维持或延长其使用寿命，
注：预防性维护可以是定期维护或计划维护，［来源：GB/T29308—2012,3.14，有修改」
3.7
人工智能 artificial intelligence 计算机科学的分支，专门研究数据处理系统，该系统执行通常与人类智能相关的功能。 「来源：GB/T5271.1—2000.01.06.12.有修改
4缩略语
X
下列缩略语适用于本文件。 CBM
Condition Based Maintenance Distributed Control System Enterprise Resource Planning Fieldbus Control System Failure Mode and Effects Analysis Manufacturing Execution System Programmable Logic Controller Remaining Useful Lif
基于状态的维护分布式控制系统企业资源规划现场总线控制系统失效模式与影响分析制造执行系统可编程逻辑控制器剩余使用寿命
DCS ERP FCS FMEA MES PLC RUL
5总则
5.1分类
预测性维护的实施，根据需求和目的的差异，可分为以下三类第一类：实现基于状态的维护（CBM），即通过设备运行状态关键数据的采集，完成状态识别和基本
的故障诊断等功能，并提供基本的维修与维护策略，如报警、停机等。该类预测性维护可基于MES或其他信息系统开展。
第二类：实现基于预测的维护，即通过设备运行状态相关数据的采集，完成状态识别、故障诊断、寿命预测等功能，并预先提供维修和维护方案，支持设备的维修维护管理。该类预测性维护宜基于独立的系统开展，可与MES或其他信息系统互联互通，
第三类：实现基于全生命周期管理的维护，即通过设备运行状态数据的全面采集，完成状态识别、故障诊断、寿命预测等功能，并能判断寿命预测结果的置信度，预先提供完整可信的维修和维护方案，指导设备的维修维护管理。执行该任务的系统能够在数字李生、人工智能、系统集成等技术的辅助下，不断优化预测结果，提升预测的置信度与可行性。
注：由于本文件的对象是预测性维护系统，因此本文件中规定的技术条款主要针对第二类预测性维护的实施， 5.2 工作流程
预测性维护的实施应着重于识别和避免根原因的失效模式，其工作流程如图1所示，预测性维护的功能与数据传输也应遵循该流程。 2 GB/T40571—2021
识别设备与功能
识别失效模式、影响
和危害度
可预测吗？
故障判别与定位
采用事后维修、预防性维护或重新
1
可检测吗?
是否需要预测
设计
农
标识被测的参数
选择测量技术
寿命预测
选择测量位置
低
改善预测置信度
可行性分析
预测置信度
司
以上需求是否可行
确定维护策略
是数据采集
数据传输
维修维护管理
与优化
数据处理
维修维护实施与记录
状态识别
否
能否识别
否
是否满足评审需求
X
确定需要的维修措施
是否发生故障
有效性评审
.
设备状态是否异常
图1预测性维护系统工作流程图 GB/T40571—2021
5.3 系统架构
预测性维护系统的功能模型如图2所示，其中仅包括了系统必备的功能，可根据实际情况增加其他功能模块。
故障诊断
.
维修执行
维修维护管理
传感
状态识别
维护执行
寿命预测
注：图中的虚线和虚框表明该内容不在本文件的范围内。
图2预测性维护系统功能模型
预测性维护的开展主要基于采集设备运行状态数据的监测终端和数据采集设备，设备控制系统，能够进行数据存储、分析、传输的上层系统或平台，具体如下：
监测终端和数据采集设备：该类设备可以集成在设备本体，也可外置，其功能是对设备的运行状态参数进行监测，为数据的分析计算提供数据。但通常集成在设备本体的方案更适用于设备制造商，设备用户更推荐采用外置监测终端的方案。 设备控制系统：对于不具备边缘计算、仅提供数据采集功能的控制系统，可将其视为数据采集设备，对于具备边缘计算能力的控制系统，能够将设备运行状态参数在边缘端进行分析和预测，并通过人机界面或其他手段显示结果。边缘计算技术的应用需综合考虑成本与预测的准确性。 上层系统或平台：将采集的数据上传至系统或平台中进行分析和预测，并能够不断修正预测结果，为了更好地实现设备维护，该系统或平台应与MES或ERP提供信息交互。但该系统或平台对于通信协议与接口的一致性具有较高的需求，且需考虑信息安全。
面向生产单元和设备开展预测性维护的案例见附录A和附录B。
6设备与功能识别
设备结构与功能是开展预测性维护的关键输入。在预测性维护过程中，需识别的特征包括：
设备性能，电学效应如电流，物理效应如密度，温度效应如温度，动力学效应如振动，颗粒效应如油液成分等；润滑方式，如油类、脂类、粉类等；控制系统，如DCS、PLC、FCS等；执行机构，如机械式、电气、气动式、液压式；设备输入，如水、电、气等；设备输出，如功率、牵引力、压力等：保护系统，如过速、过流、过压等；功能，如机器或设备的功能等；
4 GB/T40571—2021
一人员，如操作人员、维修人员、维护人员等；一监测技术，如信号监测、视觉检测、热成像等；一结构/基础，如位置、材料、刚度、柔性、疲劳、热膨胀等；一耦合，如不同设备之间的相互影响等；
设备运行条件，如建筑物、安装条件、共振等：管网与辅助系统，如进口、出口、冷凝器、阀门等；
一设备和系统的工况与工况的变化范围；一环境，如温度、湿度、海拔等； ....
失效模式影响分析功能
7
7.1 失效模式分析
依据失效模式分析能够容易、低成本地对产品或过程进行修改，从而减轻事后修改的危机，并且找到能够避免或减少这些潜在失效发生的措施。该方法有助于选择监测灵敏度最高的监测技术，并有助于评估指定症状的变化率。当某种技术灵敏度的置信度和形成的诊断结论与预报的准确性受到质疑时，建议使用更多相关的附加技术
失效模式分析可采用FMEA等方法，并符合GB/T7826的规定 7.2 设备影响分析
对所有的设备进行影响分析，以创建一个设备的优先排序表，可包含（或不包含）在状态监测方案
中。它可以是依据以下因素的简单的评价体系，如：
设备停机的成本或生产损失的成本；失效率和平均维修时间；
—一余架构；
间接的或二次损坏；一更换设备的费用；一维修或备件的费用；一全生命周期的费用； —监测系统的费用；一安全性和环境影响。 上述一个或多个因素可以在公式中加权计算，以生成优先排序表。
-
8可行性分析功能
8.1 数据状况分析
在选定监测分析对象及失效模式后，应考虑当前的已有数据或可行监测方案是否可以获取用于分
析建模的数据。从数据分析及建模层面考虑，数据状况分析包括数据从产生到最终使用的全过程，包括背景信息、数据量、变量类别、数据质量、数据获取可行性等几个方面。
背景信息是历史数据或需要采集数据时被采集对象本身以及相关周边环境信息的统称。背景信息也是数据全面性考虑的一个体现，
数据量指可提供的历史数据总量，应考量在不同工作状态，不同失效模式下的总体数据量。
5