預測性維護是一種預防代價高昂的制造設備故障的方法，它可以通過分析整個生產過程中的數據來提前查明異常行為，以確保可以采取適當的措施來避免長時間的生產停機。

在制造環境中廣泛采用IoT之前，專業人員和機器操作員必須經常定期安排維護時間，以便確定可能需要維修的內容。

[[329654]]

是什么讓預測性維護如此重要?

人們認為，所有手動安排的機器維護中有一半實際上是徒勞的。考慮到這種形式的維護還占用了大量資源，時間和生產力，因此，許多生產專業人士已從這種方法轉向工業4.0方法就不足為奇了。

利用物聯網技術來監視生產線上的機器狀況、簡化維護計劃并收集實時數據，這意味著制造商可以降低成本，最大化產量并提高產品質量。

預防性維護與預測性維護

早在互聯網出現之前，制造企業就一直在進行預防性和預測性維護。但是，了解這兩種維護之間的區別仍然很重要。

預防性維護依賴于目視檢查和常規的機械健康檢查。然而，這只能在設備的工作狀態中提供有限的范圍，因為工程師只能修復已經發生的故障，而不是將要發生的故障。

預測性維護使用分析方法，利用實時和歷史數據突出顯示機器沒有正常運行的地方，以便提前修復。

預測性維護的工作原理

為了使用預測性維護解決方案來監控設備，需要以下工具包：

• 用于收集機器或產品數據的傳感器。
• 需要數據傳輸，以使通信系統將安全數據從機器移至數據存儲系統。
• 數據存儲系統是在現場或通過云收集和存儲信息的中央樞紐。
• 預測性數據是一種分析性數據，它將算法應用于存儲的數據，以便更好地理解機器應該如何工作，以及在故障發生前它可能在做什么。然后，這些數據以警報和報告的形式提供給操作員。
• 工程師和專家使用根本原因分析來調查和決定哪種行為是最合適的。

機械上的數據通過通信路徑從傳感器傳輸到中央存儲區域。 然后，將來自MES系統的數據集成到中央數據存儲系統中，以提供更高級別的生產機械數據。

一旦將預測數據應用于此，就可以提供有關如何減少機器停機時間的分析。

為了有效地部署預測性維護系統，用戶必須首先評估每臺機器的故障可能意味著什么。這應該將制造資產、傳感器數據、通信程序、預測分析和儀表板警報匯總在一起。

使用可視化系統，工程團隊將能夠以圖形形式查看生產線。這應該包括數據流、儀表板和系統邏輯(其中一組規則將在發現異常時進行監視和警報)，以產生有關系統應如何有效運行的藍圖。

從這里開始，任何歷史機器數據或預測分析都可以應用到藍圖中，以在發生故障之前預測機器的行為。

預測性維護的優勢

當企業使用預測性維護時，該組織有兩個巨大的優勢，包括：

• 減少機器停機時間。自動執行戰略性維護計劃已被證明可以減少20-50%的維護時間，同時將相關的維護成本降低約5-10%。
• 保持效率。依靠分析數據來提高機械效率，這意味著不再需要不必要的維護。 這意味著可以延長機器的使用壽命，并且可以在不使用機器時安排對發現的任何問題進行維修。

制造業如何使用預測性維護?

在過去的幾年中，制造企業已在各種情況下實施了預測性維護解決方案，從工廠范圍的實施到對單個關鍵機器零件的監控。

對于大規模生產產品的組織(例如食品或玩具)而言，預測性維護是減少產品缺陷并消除浪費的絕佳方法。

這就是所謂的“質量4.0(Quality 4.0)”，通過實施這樣的解決方案，工廠里的人可以看到什么時候生產的不合格品會超過他們的閾值，以及可能的原因。

對于那些生產零件和機械的人來說，預測性維修的常用方法是設置技術來監視和檢查運動設備和電機的狀態。生產力、電力、健康狀況和內部磨損都受到監測。

通用行業預測性維護物聯網方法

有兩種常用的預測性維護方法，即機器學習和基于規則。

1. 基于規則

這也稱為狀態監視。一旦激活了特定規則，此方法將使用傳感器收集傳感器數據并基于預定義設置發送警報。

基于規則的維護意味著生產團隊必須與工程和客戶服務部門緊密合作，以了解可能最終導致機器故障的原因和因素。

一旦確定了這些原因，就可以創建系統的虛擬模型，該模型會映射出IoT組件如何確定這些原因和行為。

例如，如果溫度讀數低于或高于被認為可以接受的讀數，系統可以向儀表板發送警告，然后由能夠在發生進一步損壞之前解決問題的人員選擇儀表板。

雖然這種方法確實提供了某種程度的自動和預測性維護，但它仍然依賴于對必須監測哪些機械和環境狀況的理解。

2. 機器學習

工業人工智能可以應用于預測性維護，就像它可以應用于制造過程的幾乎所有其他方面一樣。

盡管相對而言，我們才剛剛開始理解和使用這種技術，但世界各地的許多企業都看到了機器學習的巨大好處。

AI是與預測性維護解決方案一起工作的理想合作伙伴。

它為用戶提供了一系列技術，可幫助他們理解和分析在制造過程中收集到的大量數據，以使他們產生有助于維持生產水平的準確、可操作的見解。

這些通常稱為機器學習算法。

什么是機器學習算法?

在預測分析中使用的人工智能和機器學習主要有兩種類型：有監督和無監督。這兩種方法都很有用，具體取決于場景以及測試和歷史數據的可用性。

預測性維護中的高級AI算法用于了解機器的運行方式。然后，此信息將用作識別性能實時波動的準繩。這些算法必須具有歷史或測試數據以及輸出數據，以分析諸如溫度、壓力、發動機轉速和組件狀況之類的內容。

隨著物聯網的不斷發展，企業開始在制造業中采用工業4.0的方法。人工智能和ML的進步將有助于預測維護，最終為企業提供一個極大的優勢，超過任何沒有向工業4.0邁進的企業。