什么是预测性维护？
预测性维护是指持续地实时评估设备健康状况，从而帮助企业充分提高设备效能，延长设备正常运行时间和使用寿命，同时降低总体拥有成本。
预测性维护的定义
预测性维护方法主要是帮助你了解企业资产状况的相关信息。从工厂机器、卡车车队到工业设备，这些资产长期以来一直在向你传达各种讯息。如果能准确掌握这些信息，你将可以及时预测故障，优化资产运行，延长资产使用寿命。
预测性维护支持企业预测设备故障，第一时间精准安排维护。借助预测性维护，企业能够获得必要的信息，让资产发挥最佳效能，同时又不会超负荷使用资产，造成代价高昂的故障风险。预测性维护能够连接基于物联网 (IoT) 的企业资产，对资产生成的实时数据执行高级分析，并利用相关洞察制定经济高效且卓有成效的维护方案，从而预防设备故障和停机停产，延长重要资产的生命周期。
为什么预测性维护在当今如此重要？
预测性维护的重要性在于，它能够消除可能导致业务中断的设备故障，避免付出高昂代价，帮助企业节省时间和资金。如今，消费者对产品可用性的要求越来越高，而采用预测性维护方案的企业能够不间断地进行生产。最终，这些企业将能够持续提高客户忠诚度，增加营收，并提升竞争优势。
借助智能预测性维护解决方案，企业能够准确预测资产需要维护的时间，提高成本效率，并简化复杂的企业资产管理要求。简而言之，企业可以利用预测性维护技术节省时间和资金，避免流程上的障碍。
预测性维护的工作原理是什么？
预测性维护流程
- 收集来自传感器的数据，这些传感器负责监控机器的各项特征，如振动、温度、湿度、压力、噪音等
- 将整个网络中的数据实时传输到中央业务系统
- 利用人工智能和机器学习分析等智能技术处理数据，提供有用的相关洞察
- 根据洞察快速采取行动，包括自动响应和人工干预
预测性维护技术的应用
资产状况监控
通过利用信息物理系统，将机器和软件集成到智能物联网网络中，企业可以实现预测性维护。要建立这样一个网络，第一步就是确定需要监控的资产状况。
为了评估资产状况，可以采用外观分析、声音分析、热分析等，而最普遍的做法是结合多种分析方法。这里的重点是，确定需要安装的传感器和监控设备：
振动分析：振动模式存在微小变化，表明可能存在失衡或移位；振动强度过高，则可能是轴承故障的前兆。振动分析可以提供故障预警，尤其能够帮助我们发现失衡、移位、机械松动以及部件的磨损或损坏等问题。
声音及超声波分析：正常运行时，大多数系统都会发出稳定、有规律的声音。如果参考声音模式出现变化，说明可能存在磨损或其他类型的劣化情况。超声波分析可以将高频声音（如蒸汽或气体泄漏产生的声音）转换成人耳可辨识的音频，也能提供系统整体健康状况信息。
红外线分析：类似于超声波分析，热成像技术通过红外线分析将温度变化转换为可见光谱，也能揭露隐患。即使是正常运行温度的微小变化，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。通过检测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，包括激光准直、电路监控、裂缝检测、故障检测、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。
关键预测性维护技术
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，企业必须部署由 AI 驱动的解决方案，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 IoT 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 系统自带内存数据库，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：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，以及企业期望的分析结果。这样才能合理设计支撑高级分析的算法，使其尽可能富有洞察且切实可行，而且能够不断地从数据和新的实践经验中学习。
数字孪生：数字孪生是实物资产的虚拟副本。通过创建数字孪生，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。这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。
预测性维护与预防性维护
这两种维护模式的区别主要不在于维护方式，而在于维护时间。
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 IoT 网络将所有企业资产整合到实时化的生态系统中，才能实现预测性维护。能够实时传输和分析数据，意味着企业可以基于实时的资产状况监控（而非日程表）来实施维护方案。预测性维护是实时执行的，时间和位置都非常精准。
其他资产维护方法
被动式维护
设备突然发生故障或无法正常工作后进行的维护。这类维护往往是计划之外的，并且可能导致停机时间和成本增加。
纠正性维护
为纠正设备缺陷或故障而进行的维护。这类维护通常在发现问题后进行，有助于防止问题的进一步发展。
规范性维护
根据制造商针对特定设备提供的建议或指导进行的维护。这类维护是基于制造商规定的维护任务计划开展。
基于状态的维护
根据设备状态而非预先制定的计划进行的维护。这类维护是通过监控和检查来确定何时需要干预。基于状态的维护有助于减少不必要的维护任务，尽可能减少停机，但需要投入大量的时间和人力。
以可靠性为中心的维护
根据设备的可靠性和重要性确定任务优先级的维护。这种方法侧重于确定最重要的维护任务，目的是最大限度地提高设备可靠性和效率。
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。
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工作数据，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，市场上推出了安装在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。
预测性维护计划的优势
通过实施预测性维护系统，许多行业都取得了显著成果。德勤在 2022 年报告中列举了许多量化的改进成果，其中包括停机时间减少 15%，工作效率提高 20%，以及库存水平降低 30%（因为不再需要储备大量备用零件）。
基于人工智能和集成式 ERP 等技术，预测性维护解决方案能够真正发挥作用，让企业受益匪浅。这些收益包括：
提高整体运营可视性：OEM 和第三方服务提供商可以更清晰地了解现场资产和其他场外资产，从而能够提供更优质的服务，交付更多价值。
降低维护成本，提高资产效能：预测性维护能够最大限度地减少停机时间，从而帮助节省资金，充分利用现有资产，并延长其使用寿命。
提升团队能力：若资产运营商、服务提供商和供应链管理人员拥有数据科学和实时分析工具，他们就能未雨绸缪，制定战略性计划，而不是救火式地进行事后补救。
克服常见的预测性维护挑战
本部分重点介绍常见的预测性维护挑战，以及克服这些挑战的策略。
数据质量和可用性：预测性维护很大程度上依赖于优质、丰富的历史数据。数据质量差或数据量不足会导致预测失准。为保障数据质量，最好能制定由主要利益相关方支持的数据管理计划。
物联网连接：要建立互联的物联网网络，就必须配备搭载传感器的智能设备和边缘设备，这些传感器能够连接到数据湖，并以平面文件格式传输数据。其重点是简化连接方案，以便顺利连接到任何物联网数据源。
物联网设备管理：在物联网网络设备管理方面，你需要关注设备安全，最大限度地规避网络攻击风险。同时，还要促进设备间的互操作性，并根据需要进行扩展。为了达到平衡，最好采用现代资产效能管理解决方案，并且这种解决方案应能支持嵌入式高级设备管理功能和强大的连接功能。
数据集成：整合来自物联网传感器、遗留系统以及维护记录等多种来源的数据，往往既复杂又耗时。应该选择功能强大的企业级集成平台，这种平台配备了全面的预构建连接器资源库，能够支持你的数据集成需求。
传感器数据的复杂性：物联网传感器所提供的数据往往复杂难懂，通常需要具备专业的数据知识才能解读，这对可靠性工程师来说是一个挑战。在选择资产效能管理解决方案时，应确保解决方案能够提炼数据，便于非技术人员理解和操作。
算法选择：选择适当的预测性维护算法是成功的关键。务必仔细评估具体的用例和数据特征，以便选择最适合的算法，满足你的设备和业务需求。
维护策略整合：要顺利实施预测性维护，就必须将其融入现有的维护策略和工作流程。对变革的抵制和组织惰性会成为成功实施的障碍。强有力的领导、管理层的支持、清晰有效的沟通以及专业的变革管理，对于成功实施预测性维护必不可少。
简单三步，轻松实施预测性维护计划
- 确定目标，界定范围：首先，确定适用于各项资产的监控条件。例如，红外热成像技术适用于可能出现空气或蒸汽泄漏的设备；而振动分析适用于旋转设备，但不适合转速较慢（低于 5 转/分）的设备。油液分析和声学分析则更适合用于转速较慢的设备。此外，还要确定监控范围。例如，是监控特定的单个资产，还是尽量扩大监控范围？
- 安装合适的物联网传感器：根据每项受监控资产最适合的分析类型，安装相应的物联网传感器，随后开始采集数据。确保将传感器连接到数据处理系统，如通常集成到资产效能管理解决方案中的系统，从而减少成本，节约时间，并消除人为错误。
- 制定规程：为有效应对异常检测结果，应制定规程，确保资产得到高效修复，达到正常运行时间目标。规程可以是自动化的，也可以是手动的，还可以二者相结合。
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。
