為工業(yè)4.0設計預測性維護解決方案代表著企業(yè)維護和運營方式的范式轉變。通過使用先進的預測性維護技術，主動預防運營挑戰(zhàn)是這個新工業(yè)時代的關鍵方面。這些解決方案不僅有助于獲取新的收入來源和節(jié)省運營成本，而且在防止停工和生產(chǎn)停機方面也發(fā)揮著重要作用。

盡管機器學習傳統(tǒng)上是最大的挑戰(zhàn)，但用于分析預測性維護數(shù)據(jù)的基于云的解決方案的出現(xiàn)，加上數(shù)據(jù)分析能力的提高，已將主要的設計挑戰(zhàn)轉向捕獲正確的數(shù)據(jù)集并將硬件部署到具有許多安全和網(wǎng)絡限制的分布式環(huán)境中。這種轉變需要一個全面的設計流程，優(yōu)化為四個不同的階段，以開發(fā)具有高穩(wěn)健性和安全性的全球性、經(jīng)濟高效的解決方案。

第一階段：初始數(shù)據(jù)捕獲

第一階段側重于從單臺機器和相關數(shù)據(jù)源(如能耗)捕獲數(shù)據(jù)，以創(chuàng)建全面的數(shù)據(jù)集進行分析。它證明了可以以合理的成本捕獲和轉發(fā)相關數(shù)據(jù)。利用物聯(lián)網(wǎng)設備管理解決方案，機器可以立即連接到設備，并根據(jù)需要配備額外的傳感器。建議使用具有蜂窩數(shù)據(jù)連接的基于Linux的硬件，以盡量減少與運營技術(OT)網(wǎng)絡管理的交互。

此階段的關鍵績效指標(KPI)圍繞捕獲相關數(shù)據(jù)點的能力，例如振動、噪音、電流消耗或壓力。目的是評估是否可以以足夠的精度和時間分辨率測量相關物理數(shù)據(jù)，是否可以頻繁更新軟件，以及是否可以建立初始數(shù)據(jù)收集和轉發(fā)解決方案。

數(shù)據(jù)分析師已經(jīng)可以開始可視化和訓練基于云的預測性維護模型，但一臺機器的數(shù)據(jù)集可能還不足以對此得出結論。該階段成功完成并得到產(chǎn)品管理的確認，為啟動第2階段鋪平了道路。這里的成功還沒有顯示出來，如果項目成功，則證明可以捕獲數(shù)據(jù)。

第二階段：現(xiàn)場測試和數(shù)據(jù)擴展

第二階段將范圍擴大到包括更多機器，通常需要使用大量設備進行現(xiàn)場測試，以確保AI和機器學習算法能夠達到必要的準確性和置信區(qū)間。有時，機器園區(qū)的規(guī)模需要足夠大，才能真正捕獲和分類真正的故障或操作異常。此階段使數(shù)據(jù)分析師能夠設置機器學習模型并進行訓練。

通過在分布式機群中部署第一階段開發(fā)的軟件，利用解決方案確保在任意數(shù)量的設備上無縫配置和安裝，可以實現(xiàn)這種擴展。在此過程中，選擇滿足穩(wěn)健性和價格標準的最終硬件。重點轉移到調整和擴展機器學習模型，KPI以實現(xiàn)預測所需的置信區(qū)間為中心。

這是一個交互式過程，要求在所有設備上頻繁進行OTA軟件更新，最好連接到CI/CD管道，以便在整個機群中進行非常快速的迭代。借助機群管理和良好(且獨立)的連接解決方案(例如蜂窩網(wǎng)絡)，這很容易實現(xiàn)。在此階段結束時，產(chǎn)品管理可以審查結果并決定優(yōu)化訓練模型所得出的準確性是否足以將其轉變?yōu)樾碌纳虡I(yè)服務。

第三階段：產(chǎn)品推出

在現(xiàn)場測試中成功實現(xiàn)預測率后，系統(tǒng)即可作為產(chǎn)品推出。從第一天開始啟用無線(OTA)更新，qbee.io等解決方案可根據(jù)需要輕松實現(xiàn)全圖像A/B更新。此階段標志著項目向運營的過渡，在此階段，將創(chuàng)建和實施新的收入來源和業(yè)務模式。人們經(jīng)常低估這需要多少工作和時間。但是，通過在整個設計過程中引入設備群管理，這可以完美運行，并且只是第1階段和第2階段的延伸。即使由于價格或可用性而需要更換硬件，也不會造成很大的延遲。在此階段，可能會發(fā)現(xiàn)其他客戶需求，并通過靈活的軟件更新機制將其納入系統(tǒng)。

第四階段：生命周期管理

最后階段強調生命周期管理的重要性，確保系統(tǒng)保持安全、在線和多年更新。考慮到工業(yè)應用的預期壽命，進行高效的車隊管理以及通過CI/CD管道進行軟件更新至關重要。此階段旨在保持高服務水平協(xié)議(SLA)和質量，從而防止多年來代價高昂的機器停機和故障。體現(xiàn)工業(yè)4.0概念的超現(xiàn)代化工廠，展示了先進技術的集成，以優(yōu)化效率和預測性維護。

總結

總之，為工業(yè)4.0設計預測性維護解決方案需要采取全面、分階段的方法，將重點從傳統(tǒng)的機器學習挑戰(zhàn)轉移到有效捕獲和利用正確的數(shù)據(jù)集。通過系統(tǒng)地進行初始數(shù)據(jù)捕獲、現(xiàn)場測試、產(chǎn)品推出和生命周期管理，企業(yè)可以開發(fā)出強大、安全且經(jīng)濟高效的預測性維護解決方案，并快速上市。

使用上述步驟，如果數(shù)據(jù)質量或預測準確性太低，還可以定義明確的項目中止標準。實施預測性維護不僅可以提高運營效率，還可以顯著減少停機時間和運營成本，標志著工業(yè)部門向更智能、更主動的維護策略發(fā)展的重大飛躍。此外，它還為新的商業(yè)模式和經(jīng)常性收入來源開辟了道路。