隨著技術(shù)的發(fā)展，“為什么要修復(fù)未損壞的東西”這句老話已不再有效。

在當(dāng)今“永遠(yuǎn)在生產(chǎn)”的世界中，工廠和生產(chǎn)設(shè)備全天候運(yùn)轉(zhuǎn)，任何故障都會(huì)導(dǎo)致生產(chǎn)嚴(yán)重中斷，有時(shí)甚至?xí)?duì)其他下游業(yè)務(wù)產(chǎn)生連鎖效應(yīng)。為了確保運(yùn)營的可靠性，進(jìn)行足夠的維護(hù)是關(guān)鍵。企業(yè)已經(jīng)知道這一點(diǎn)，所以這不是為什么的問題，而是什么時(shí)候的問題。

隨著組織和運(yùn)營商采用物聯(lián)網(wǎng)(IoT)技術(shù)，包括各種各樣的機(jī)器人、攝像頭和傳感器，他們收集的數(shù)據(jù)量只會(huì)繼續(xù)增長。

事實(shí)上，全球用于收集、分析數(shù)據(jù)和自主執(zhí)行任務(wù)的設(shè)備數(shù)量，預(yù)計(jì)將從2020年的97億臺(tái)增至2030年的294億臺(tái)，增長近三倍。

如此爆炸式的數(shù)據(jù)量對(duì)于人類來說是一個(gè)挑戰(zhàn)，因?yàn)槲覀兊拇竽X無法及時(shí)地分析和處理正確的信息。雖然數(shù)據(jù)為企業(yè)提供了對(duì)其運(yùn)營的前所未有的洞察，但如果不能理解數(shù)據(jù)并據(jù)此采取行動(dòng)，這種優(yōu)勢(shì)就會(huì)過時(shí)。

這就是在維護(hù)中使用預(yù)測(cè)分析和人工智能(AI)的原因。

什么是預(yù)測(cè)分析?

預(yù)測(cè)分析允許用戶通過收集的歷史數(shù)據(jù)確定概率來預(yù)測(cè)未來的趨勢(shì)和事件。

其預(yù)測(cè)潛在的情況并確定每種情況的可能性，幫助推動(dòng)戰(zhàn)略決策。這些預(yù)測(cè)可以是近期的，如預(yù)測(cè)某臺(tái)機(jī)器在當(dāng)天晚些時(shí)候會(huì)發(fā)生故障;也可以是更長遠(yuǎn)的未來，如預(yù)測(cè)這一年維護(hù)操作所需的預(yù)算。預(yù)測(cè)使企業(yè)能夠做出更好的決策，并制定基于數(shù)據(jù)的戰(zhàn)略。

使用人工智能進(jìn)行預(yù)測(cè)性維護(hù)

人工智能最有價(jià)值的功能之一是，其能夠同時(shí)消化來自多個(gè)來源的信息，計(jì)算各種可能結(jié)果的概率，并基于各種原因提出建議——所有這些都無需人工輸入。這種能力使預(yù)測(cè)分析能夠利用許多現(xiàn)代企業(yè)中可用的大量數(shù)據(jù)。

隨著世界產(chǎn)生越來越多的數(shù)據(jù)，無論是從成千上萬的物聯(lián)網(wǎng)傳感器、顯示原材料和零部件交付時(shí)間的運(yùn)輸數(shù)據(jù)，或是從全球氣象站收集的開源天氣數(shù)據(jù)，人工智能正在成熟，以幫助人類理解所有信息。其可以從茫茫的噪音中篩選出信號(hào)，做出可行的決策。

通過適當(dāng)?shù)娜斯ぶ悄芘渲?，擁有人工智能、ERP集成運(yùn)營的企業(yè)可以根據(jù)從數(shù)據(jù)中收集的信息采取行動(dòng)。

這些都是如何影響維護(hù)的?目前，有三種類型的維護(hù):

• 基于時(shí)間的維護(hù)
• 反應(yīng)性維護(hù)
• 預(yù)測(cè)性維護(hù)

基于時(shí)間的維護(hù)是指用戶根據(jù)計(jì)劃執(zhí)行維護(hù)，通常是機(jī)器的預(yù)期生命周期。這在理論上很好，因?yàn)橛脩艨梢愿鶕?jù)其他類似的設(shè)備來確定維護(hù)需求。然而，這主要是理論上的，因?yàn)槊颗_(tái)機(jī)器的功能取決于許多因素，包括使用、位置、磨損等。使用基于時(shí)間的方法，組織可能會(huì)在機(jī)器上執(zhí)行過多或不夠的維護(hù)。

另一方面，對(duì)于反應(yīng)式維護(hù)，在需要時(shí)進(jìn)行維護(hù)，這意味著將出現(xiàn)計(jì)劃外停機(jī)，從而中斷生產(chǎn)活動(dòng)。

預(yù)測(cè)性維護(hù)解決了所有這些問題。這是一種基于條件的維護(hù)，通過傳感器監(jiān)測(cè)設(shè)備和工具的狀況，傳感器提供的數(shù)據(jù)用于預(yù)測(cè)資產(chǎn)何時(shí)需要維護(hù)。因此，只有在滿足特定條件時(shí)，也就是在設(shè)備開始出現(xiàn)故障之前，才計(jì)劃進(jìn)行維護(hù)。

隨著人工智能技術(shù)的成熟和組織部署越來越多的物聯(lián)網(wǎng)工具，人工智能支持的預(yù)測(cè)性維護(hù)的使用正在增加。

預(yù)見性維護(hù)的實(shí)施

盡管幾乎所有需要定期維護(hù)機(jī)器的企業(yè)都可以從預(yù)測(cè)性維護(hù)中受益，這取決于機(jī)器停機(jī)的成本，但有些企業(yè)比其他企業(yè)受益更大。

例如，由于業(yè)務(wù)運(yùn)營的遠(yuǎn)程性質(zhì)，現(xiàn)場服務(wù)業(yè)務(wù)從預(yù)測(cè)性維護(hù)中獲益良多。由于石油鉆井平臺(tái)和風(fēng)力渦輪機(jī)等資產(chǎn)位于偏遠(yuǎn)地區(qū)，易受惡劣天氣影響，對(duì)機(jī)器故障的反應(yīng)可能會(huì)嚴(yán)重影響生產(chǎn)。

更糟糕的是，事后進(jìn)行維護(hù)會(huì)帶來巨大的成本，因?yàn)樾枰嗁弬浼?，維護(hù)人員需要快速部署到那些偏遠(yuǎn)的地點(diǎn)。然而，通過預(yù)測(cè)分析，現(xiàn)場服務(wù)機(jī)構(gòu)可以在風(fēng)力渦輪機(jī)部件無法保證持續(xù)發(fā)電之前對(duì)其進(jìn)行必要的維護(hù)。

例如，通過分析機(jī)器的振動(dòng)、聲學(xué)和溫度，操作員可以發(fā)現(xiàn)潛在的問題，如失衡、錯(cuò)位、軸承磨損、潤滑不足或氣流。

另一個(gè)例子是警報(bào)，這是一個(gè)故障設(shè)備發(fā)出的信號(hào)/故障代碼。系統(tǒng)可以分析該類型設(shè)備的先前維護(hù)工作，以及特定的信號(hào)/故障代碼。根據(jù)歷史記錄，系統(tǒng)確定其看到該組合的最后設(shè)置次數(shù)——以前的維護(hù)工作和特定的信號(hào)/故障代碼。然后，在任何實(shí)際故障發(fā)生之前，將在適當(dāng)?shù)臅r(shí)間派遣一名技術(shù)人員，配備系統(tǒng)推薦的適用備件，以完成修復(fù)。預(yù)測(cè)分析可以讓操作人員更精確地跟蹤機(jī)器的磨損和潛在缺陷，更重要的是，可以讓其在機(jī)器故障前采取行動(dòng)。

通過使用歷史趨勢(shì)和天氣模式，結(jié)合來自設(shè)備傳感器的信息和預(yù)測(cè)的供應(yīng)鏈交付時(shí)間，可以提前進(jìn)行預(yù)防性維護(hù)。機(jī)組人員可以更好地控制維修的地點(diǎn)和時(shí)間，而不是在事故發(fā)生后匆忙前去救援——這讓他們可以選擇自己的戰(zhàn)斗。

總結(jié)

雖然沒有萬無一失的預(yù)測(cè)災(zāi)難的方法，但人工智能可以讓我們盡可能地接近災(zāi)難。

正如沿海地區(qū)的人們一旦發(fā)現(xiàn)颶風(fēng)可能會(huì)囤積瓶裝水和備用電池一樣，一個(gè)集成了人工智能的維護(hù)系統(tǒng)可以讓企業(yè)在任何問題變成真正的問題之前根據(jù)需要進(jìn)行維護(hù)。