通過使用機器學習，結(jié)合從工業(yè)物聯(lián)網(wǎng)(IIOT)設(shè)備收集的數(shù)據(jù)，可以改進流程、降低成本并提高效率。

預測性維護應(yīng)用數(shù)據(jù)和模型來預測設(shè)備或資產(chǎn)何時發(fā)生故障。這種方法可以通過預測故障，來幫助公司主動解決可能導致代價高昂的停機或中斷情況。

另一種方法是采用“停機修復”方法，這在很多方面對公司而言都是昂貴的。一旦機器發(fā)生故障，與事先知道并避免該問題的情況相比，要使機器恢復正常則需要大量資源。

[[329547]]

維護類型

有三種維護方法：

1. 被動性

被動性維護方法意味著我們僅在部件出現(xiàn)故障時才進行更換。這種方法會導致嚴重且昂貴的后果，根據(jù)我們所談?wù)摰臋C器類型，它甚至可能是危險的。例如，如果有問題的機器是一臺噴氣式發(fā)動機，故障可能會危及數(shù)百人的生命，并可能會毀掉一家公司的聲譽。

2. 預防性

預先計劃的維護是一種稍微好一點的方法，因為是定期對問題進行分類和處理。但是，您可能會在實際需要執(zhí)行某項操作之前就已經(jīng)對其進行了更改或維護，這會浪費公司的資源。您不知道何時可能發(fā)生故障，因此需要采取保守的方法來避免不必要的成本。例如，當您提前維護機器時，實際上是在浪費機器的使用壽命，效率低下地使用維護資源，并且通常會增加您的業(yè)務(wù)成本。

3. 預測性

能夠預測機器什么時候會出故障是最理想的情況，但是很難準確預測。在最佳情況下，您將知道機器何時會出現(xiàn)故障。您還將知道哪些部件將出現(xiàn)故障，這樣您就可以減少診斷問題所花費的時間，并減少流程中的浪費和風險。當機器故障由預測系統(tǒng)發(fā)出信號時，維護計劃應(yīng)盡可能接近事件，以充分利用其剩余使用壽命。

預測性維護可以解決的問題

利用從工業(yè)物聯(lián)網(wǎng)(IIOT)設(shè)備收集的數(shù)據(jù)，我們可以解決廣泛的維護問題，最終目標是使用機器學習(ML)達到先發(fā)制人的態(tài)勢。

可以解決的問題包括：

• 檢測故障點。這一概念包括預測部件何時出現(xiàn)故障，并有助于更好地預測部件或機器在其生命周期中的哪個階段會出現(xiàn)故障。
• 早期故障檢測。在這種情況下，我們可以通過將傳感器數(shù)據(jù)應(yīng)用于機器學習算法，在故障發(fā)生之前檢測出故障。
• 最大限度地延長剩余使用壽命。能夠預測部件發(fā)生故障的時間間隔，我們就可以在正確的時間應(yīng)用維護或更換部件。

我們越能準確地預測部件或機器何時會出現(xiàn)故障，就越容易在整個組織內(nèi)實現(xiàn)最高的生產(chǎn)力和效率。

您將看到改進的領(lǐng)域包括：

• 更有效地利用勞動力
• 監(jiān)控機器性能所需的資源更少
• 可預測的生產(chǎn)力水平
• 最大限度延長機器和部件壽命
• 最高水平的生產(chǎn)收益
• 消除不必要的維護任務(wù)
• 降低風險
• 改善工作場所安全

預測性維護方法

要使預測性維護成功，必須具備三個主要方面。

• 首先，可能也是最重要的，您需要高質(zhì)量的數(shù)據(jù)。理想情況下，希望歷史數(shù)據(jù)考慮到過去的故障事件。需要將故障數(shù)據(jù)與機器本身的靜態(tài)特征(包括其平均使用情況，一般屬性以及其運行條件)并列。
• 毫無疑問，您將得到大量數(shù)據(jù)，因此，專注于正確數(shù)據(jù)至關(guān)重要。關(guān)注無關(guān)數(shù)據(jù)只會把事情弄得一團糟，并使注意力從最重要的地方移開。您應(yīng)該捫心自問，什么樣的故障很可能發(fā)生?您想預測哪些?當一個進程出現(xiàn)故障時會發(fā)生什么?它會很快發(fā)生嗎，還是隨著時間推移而慢慢損壞?
• 最后，仔細看看其他相關(guān)的系統(tǒng)和部件。是否還有其他與故障相關(guān)的部件?可以測量它們的性能嗎?最后，這些測量需要多久進行一次?

為了獲得最佳結(jié)果，需要長時間進行數(shù)據(jù)收集。高質(zhì)量數(shù)據(jù)可得出更準確的預測模型。任何不足只會縮小可能性范圍，而不會給您確鑿的事實。分析可用數(shù)據(jù)，并問自己是否有可能基于這些見解建立預測模型。

通常，我們使用兩種預測建模方法：

• 回歸模型可預測部件的剩余使用壽命。它告訴我們機器還有多少時間會出現(xiàn)故障。為了使回歸模型起作用，必須提供歷史數(shù)據(jù)。每個事件都會被跟蹤，理想情況下，各種類型的故障都會被表示出來。
• 回歸模型提供的假設(shè)是，基于系統(tǒng)的固有(靜態(tài))方面及其當前性能，可以預測其剩余生命周期。但是，如果系統(tǒng)發(fā)生故障的方式有多種，則必須為每種可能性創(chuàng)建一個單獨的模型。

分類模型可預測特定時間內(nèi)的機器故障。我們不需要提前太久知道機器要發(fā)生故障，而是只需要知道故障即將發(fā)生。

分類和回歸模型在許多方面是相似的，但是在某些方面確實有所不同。首先，分類著眼于一個時間窗口，而不是一個確切的時間。這意味著需要的數(shù)據(jù)不那么嚴格。

工作原理

一旦建模，就可以通過以下方式進行預測性維護：

機器學習模型收集傳感器數(shù)據(jù)，并基于歷史故障數(shù)據(jù)，識別故障之前的事件。

我們預先設(shè)置了所需的參數(shù)，以觸發(fā)潛在故障的警報。當傳感器數(shù)據(jù)超出這些參數(shù)閾值時，將啟動警報。

機器學習的作用在于檢測正常系統(tǒng)操作之外的異常模式。借助高質(zhì)量數(shù)據(jù)對這些異常有了更好的認識，我們預測故障的能力將大大提高。

總之，機器學習支持以最少的人為干預分析大量數(shù)據(jù)。

通過應(yīng)用機器學習，結(jié)合從工業(yè)物聯(lián)網(wǎng)設(shè)備收集的數(shù)據(jù)，可以改進流程、降低成本、優(yōu)化員工效率，并顯著減少機器停機時間——這是組織成功的關(guān)鍵。