预测性维护技术能让你“听到”企业资产想要传达的讯息。从工厂机器、卡车车队到工业设备，这些企业资产都在经年累月地向你传递讯息，比如，它们何时会发生故障，以及如何才能更顺畅地运行更长时间。
预测性维护支持企业预测故障，即时安排必要的维护任务。借助预测性维护，企业可以获得所需信息，让他们的宝贵资产发挥最佳效能，同时又不会过度使用，造成代价高昂的故障风险。
预测性维护的定义
预测性维护是指通过连接基于物联网的企业资产，对资产交付的实时数据进行高级分析，并利用获得的洞察制定有理有据、经济高效且卓有成效的维护方案，防止设备故障和停机。
预测性企业资产管理 (EAM) 为什么如此重要？
现代企业正处于前所未有的变革和竞争时期。在亚马逊效应的影响下，消费者对控制权、个性化和速度的需求快速增加。随着贸易和政治环境的不断变化，许多企业难以将供应和制造业务的成本维持在可负担范围内。另外，越来越多的企业开始实施数字化转型，这让竞争愈演愈烈，出错的余地越来越小。因此，当今的企业领导者希望利用智能解决方案，来准确预测资产需要维护的时间，提高成本效率，并精简通常比较复杂的企业资产管理要求，进而赢得竞争优势。
预测性维护与预防性维护
不同维护模式的区别不在于维护方式，而在于维护时间。
- 被动式维护：从本质上讲，被动式维护是不发生故障就不进行任何维护。显然，大型企业通常不会采用这种维护策略。不过，如果企业在定期执行传统维护计划时遗漏了某些部件和组件，就可能临时采取这种做法。被动式维护总是在事后进行。
- 预防性维护：基于设备过去的性能状况、工程人员和操作人员的知识与经验执行的维护，包括例行维护、定期维护、计划维护或基于时间的维护。通常，预防性维护的确可以预防故障，但遗憾的是，这种维护并不精准，会导致一些不必要却又成本高昂的维护活动，或在维护过程中遗漏一些薄弱点。预防性维护是在预定的时间进行，通常会提前很长时间。
- 预测性维护：只有利用物联网网络将所有企业资产整合到实时化的生态系统中，企业才能进行预测性维护。能够实时传输和分析数据，意味着企业可以获得实时的资产状况信息，而不是以往的数据，这些信息将成为维护方案的基础。预测性维护是实时执行的，时间和位置都非常精准。
资产维护的发展历程
下表（改自德勤报告）展示了整个工业革命进程中技术功能的发展及其对维护策略和设备效率的影响。
监控资产状况，利用各种预测性维护技术
通过利用信息物理系统，将机器和企业资产集成到智能物联网网络中，企业可以实现预测性维护。进行预测性维护时，企业首先必须确定要监控的资产状况，然后安装合适的传感器，并建立物联网网络，最后从该网络中采集数据并进行分析，进而交付可据以采取行动的发现和洞察。企业若想通过预测性维护革新企业资产管理，第一个关键步骤就是确定要监控的资产状况。
监控资产状况
首先，管理人员必须确定每台机器需要监控的情况，可能是外观分析、声音分析、热分析，或者最常见的是，多种分析组合使用。这时，在技术方面，管理人员还需确定需要安装的传感器和监控装置。
- 振动分析：振动规律存在微小变化，表明可能存在失衡或移位；振动水平过高，表明可能即将出现轴承故障等问题。振动分析可以提供故障预警，尤其是发现失衡、移位、机械松动、部件磨损或损坏等问题。
- 声音及超声波分析：正常运行时，大多数系统都有稳定的声音规律。如果参考声音规律出现变化，说明可能存在磨损或其他类型的劣化情况。超声波分析还可以将高频声音（如蒸汽或漏气产生的声音）转换到可听范围，提供系统整体健康状况信息。
- 红外线分析：与超声波分析一样，热影像技术通过利用红外线分析将温度变化转换为可见光谱，也能揭露隐患。即使正常运行温度只发生了非常微小的变化，也可能预示着即将出现问题。
- 流体分析：对流体进行物理和化学分析，除了能监控流体水平和温度等简单指标外，还能提供有关机械部件状况的重要信息。通过检查冷却液和润滑剂的降解率，你可以获得相关洞察，及时采取预防措施。
- 其他：还有许多其他预测性维护技术，专门满足各种独特的行业需求，包括激光校准、电路监控、裂缝检测、腐蚀监测、电阻变化以及其他行业特定的测定腐蚀或劣化的方法。
预测性维护技术
确定监控资产状况的方式后，企业必须安装合适的传感器和监控装置，并通过云端互联的物联网网络，将其连接到中央业务系统，最常见的就是 ERP 系统。最后，企业还需部署必要的由人工智能驱动的软件解决方案，支持各种算法和分析流程，对采集的数据进行分析，提供可据以采取行动的洞察和建议。
- 物联网网络：当企业资产有传感器、处理功能和其他技术的加持后，就能与中央业务系统建立通信，收发数据。这种通信通常是通过云连接建立的。这些组件共同构成了物联网网络，为预测性维护奠定了基础。
- 物联网网关：很多旧资产仍然运行良好，但相比数字化集成技术，它们使用的模拟技术比较陈旧。这些机器可以安装物联网网关设备，包括摄像头、麦克风和温度计等，用于采集和传输有关其运行状态的实时数据。
- 云连接：云连接可以支持企业按需访问计算机系统资源。在包含大量工业资产的物联网网络中，不同位置的数据中心必须集成到统一的数据库和系统中，这一点至关重要。
- 现代数据库和 ERP：传统磁盘数据库无法有效管理包含大数据和复杂数据集的海量非线性数据，但预测性维护又需要用到这些数据，需要利用人工智能和机器学习技术对这些数据执行高级分析。对此，企业最好采用基于人工智能的现代 ERP 系统。这类 ERP 系统使用了内存数据库，不仅运行速度快、响应迅速，还能近乎无限地扩展。
- 人工智能和机器学习：作为人工智能的先驱，计算机科学家约翰·麦卡锡 (John McCarthy) 将人工智能定义为“研制智能机器的一门科学与技术”。机器学习是人工智能的一个分支，利用算法来分析和理解数据。借助人工智能和机器学习技术，预测性维护解决方案不仅可以整理和理解企业资产的运营数据，从中学习规律，还能根据这些知识，提供切实可行的建议和洞察。
- 高级分析：人工智能和机器学习能够为高级分析提供支持。管理人员必须先确定要评估的资产属性和状况，以及企业需要的分析结果。这样才能确保用来支持高级分析的算法能够提供尽可能丰富和有效的洞察，而且能够不断地从数据和新的资产情形中学习。
- 数字孪生：数字孪生体或数字双胞胎实际上就是实物资产的虚拟克隆体。通过创建数字孪生体，管理人员可以在孪生体上模拟任何可能的运行场景，避免对昂贵的机器或设备造成实际损坏。该项技术有助于机器学习和人工智能工具整合全新的资产运行场景并从中学习，推动企业实现更高效的预测性维护。
预测性维护应用案例
- 石油天然气行业：石油钻探会给设备带来巨大的磨损，一旦设备发生故障，将造成巨大的风险和危险。通过进行预测性维护，实时监控石油温度的变化和钻探设备中变速箱的速度，企业大大提高了安全性，并将维护成本降低了 38%。
- 汽车行业：在装配线上，点焊枪每天大约进行 1.5 万次点焊。通过连接世界各地的焊枪并采集其运行数据，汽车制造商能够收集数百万个数据点，进而对这些资产的状况和状态进行更准确的预测。
- 家电制造行业：在烘干机生产过程中，通过测量滚桶旋转时的振动，可以帮助预测故障。实施预测性维护后，制造缺陷率和消费者维护成本分别降低了 33% 和 27%。
- 铁路资产管理：如果轨道下方的空位不断扩大，便会出现“空隙”，导致列车延误甚至脱轨。近年来，通过创新，市场上推出了基于驾驶室的轨道监控系统。这种系统能够在列车经过轨道时检测多个变量，因此不仅提高了空隙检测能力，还全面提升了乘客安全性。
- 钢铁行业：对钢铁加工厂的冷轧设备进行异常检测，实时采集设备的振动、转速和电流（安培）读数。此举让设备的生命周期延长了 60%，同时大大减少了因停机和延误造成的损失。
预测性维护的优势
通过实施预测性维护系统，许多行业都取得了显著成果。德勤公司 2022 年发布的一份报告列举了许多可量化的改进收益，包括将停机时间减少 15%，工作效率提高 20%，以及由于无需预先储备那么多维护资产和零部件而将库存水平降低 30%。数十年来，企业一直都在设法提高资产维护的可预测性。然而，直到人工智能和现代 ERP 兴起，企业才获得所需的功能，才能打造真正有效的预测性维护解决方案。这种解决方案可以给企业带来许多收益，包括：
- 提高整个企业的可视性：更清晰地了解现场资产和其他场外资产。这有助于 OEM 和第三方服务提供商提供更优质的服务，交付更多价值。
- 降低维护成本，提高资产绩效：预测性维护能够提高现有资源的利用率，减少停机时间，并延长重要资产的寿命。
- 提升团队能力：当资产运营商、服务提供商和供应链管理人员掌握数据科学和实时分析工具时，他们就能制定有效的维护计划，未雨绸缪，运筹帷幄，而不是救火式地事后补救。
借助预测性维护解决方案，革新供应链
许多企业在很多业务领域都进行了变革，但其资产维护策略却数十年未曾改变。要想革新这种由来已久的流程，任务非常艰巨，而且很难获得团队的支持。成功的业务转型计划始于良好的沟通和变更管理策略，这有助于团队参与进来，打破部门藩篱。立即行动，联系你的软件供应商，详细了解哪些工具和解决方案能准确满足你的独特需求，并制定路线图，开启你的数字化转型之旅。
SAP Insights 简报