預測性維護是一種預防代價高昂的制造設(shè)備故障的方法，它可以通過分析整個生產(chǎn)過程中的數(shù)據(jù)來提前查明異常行為，以確?？梢圆扇∵m當?shù)拇胧﹣肀苊忾L時間的生產(chǎn)停機。

在制造環(huán)境中廣泛采用IoT之前，專業(yè)人員和機器操作員必須經(jīng)常定期安排維護時間，以便確定可能需要維修的內(nèi)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?？紤]到這種形式的維護還占用了大量資源，時間和生產(chǎn)力，因此，許多生產(chǎn)專業(yè)人士已從這種方法轉(zhuǎn)向工業(yè)4.0方法就不足為奇了。

利用物聯(lián)網(wǎng)技術(shù)來監(jiān)視生產(chǎn)線上的機器狀況、簡化維護計劃并收集實時數(shù)據(jù)，這意味著制造商可以降低成本，最大化產(chǎn)量并提高產(chǎn)品質(zhì)量。

預防性維護與預測性維護

早在互聯(lián)網(wǎng)出現(xiàn)之前，制造企業(yè)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(qū)別仍然很重要。

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

預測性維護使用分析方法，利用實時和歷史數(shù)據(jù)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(jiān)控設(shè)備，需要以下工具包：

• 用于收集機器或產(chǎn)品數(shù)據(jù)的傳感器。
• 需要數(shù)據(jù)傳輸，以使通信系統(tǒng)將安全數(shù)據(jù)從機器移至數(shù)據(jù)存儲系統(tǒng)。
• 數(shù)據(jù)存儲系統(tǒng)是在現(xiàn)場或通過云收集和存儲信息的中央樞紐。
• 預測性數(shù)據(jù)是一種分析性數(shù)據(jù)，它將算法應(yīng)用于存儲的數(shù)據(jù)，以便更好地理解機器應(yīng)該如何工作，以及在故障發(fā)生前它可能在做什么。然后，這些數(shù)據(jù)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(diào)查和決定哪種行為是最合適的。

機械上的數(shù)據(jù)通過通信路徑從傳感器傳輸?shù)街醒氪鎯^(qū)域。 然后，將來自MES系統(tǒng)的數(shù)據(jù)集成到中央數(shù)據(jù)存儲系統(tǒng)中，以提供更高級別的生產(chǎn)機械數(shù)據(jù)。

一旦將預測數(shù)據(jù)應(yīng)用于此，就可以提供有關(guān)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(tǒng)，用戶必須首先評估每臺機器的故障可能意味著什么。這應(yīng)該將制造資產(chǎn)、傳感器數(shù)據(jù)、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(tǒng)，工程團隊將能夠以圖形形式查看生產(chǎn)線。這應(yīng)該包括數(shù)據(jù)流、儀表板和系統(tǒng)邏輯(其中一組規(guī)則將在發(fā)現(xiàn)異常時進行監(jiān)視和警報)，以產(chǎn)生有關(guān)系統(tǒng)應(yīng)如何有效運行的藍圖。

從這里開始，任何歷史機器數(shù)據(jù)或預測分析都可以應(yīng)用到藍圖中，以在發(fā)生故障之前預測機器的行為。

預測性維護的優(yōu)勢

當企業(yè)使用預測性維護時，該組織有兩個巨大的優(yōu)勢，包括：

• 減少機器停機時間。自動執(zhí)行戰(zhàn)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(guān)的維護成本降低約5-10%。
• 保持效率。依靠分析數(shù)據(jù)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(fā)現(xiàn)的任何問題進行維修。

制造業(yè)如何使用預測性維護?

在過去的幾年中，制造企業(yè)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(guān)鍵機器零件的監(jiān)控。

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

這就是所謂的“質(zhì)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(chǎn)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(chǎn)零件和機械的人來說，預測性維修的常用方法是設(shè)置技術(shù)來監(jiān)視和檢查運動設(shè)備和電機的狀態(tài)。生產(chǎn)力、電力、健康狀況和內(nèi)部磨損都受到監(jiān)測。

通用行業(yè)預測性維護物聯(lián)網(wǎng)方法

有兩種常用的預測性維護方法，即機器學習和基于規(guī)則。

1. 基于規(guī)則

這也稱為狀態(tài)監(jiān)視。一旦激活了特定規(guī)則，此方法將使用傳感器收集傳感器數(shù)據(jù)并基于預定義設(shè)置發(fā)送警報。

基于規(guī)則的維護意味著生產(chǎn)團隊必須與工程和客戶服務(wù)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(chuàng)建系統(tǒng)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(shù)低于或高于被認為可以接受的讀數(shù)，系統(tǒng)可以向儀表板發(fā)送警告，然后由能夠在發(fā)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(jiān)測哪些機械和環(huán)境狀況的理解。

2. 機器學習

工業(yè)人工智能可以應(yīng)用于預測性維護，就像它可以應(yīng)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(shù)，但世界各地的許多企業(yè)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(shù)，可幫助他們理解和分析在制造過程中收集到的大量數(shù)據(jù)，以使他們產(chǎn)生有助于維持生產(chǎn)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(jiān)督和無監(jiān)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(shù)據(jù)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(shù)據(jù)以及輸出數(shù)據(jù)，以分析諸如溫度、壓力、發(fā)動機轉(zhuǎn)速和組件狀況之類的內(nèi)容。

隨著物聯(lián)網(wǎng)的不斷發(fā)展，企業(yè)開始在制造業(yè)中采用工業(yè)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(yè)提供一個極大的優(yōu)勢，超過任何沒有向工業(yè)4.0邁進的企業(yè)。