智能桥梁知识——为什么说预测性维护正在推动工业4.0？

事实证明，在设备开发和制造过程中，设备维护是一个战略问题。

根据IBM的数据统计，三分之一的维护活动执行得过于频繁，将近一半的维护活动是无效的。

对于机器操作人员和工厂管理人员来说，预防性维护和资产维修会消耗不必要的资源，严重增加运营成本，阻碍高效运营。仅仅一个小时的停机时间就可能使大型企业付出10万美元的生产力损失的巨大的代价，可能会对客户满意度造成严重不良影响。

对于产品制造商来说，这意味着更高的现场服务成本，更高的客户服务中心成本，更低的客户满意度，使得企业在竞争中处于明显的劣势。

制造商和资产管理公司为了更好地转向工业4.0，也被称为工业物联网，这涉及到持续产生和传输产品生产数据，在中央存储库中获取数据，应用先进的大数据分析技术对海量数据进行排序，识别。这种模式识别可以导致即时维护——预测产品故障以增加产品正常运行时间和提高资产效率。

有鉴于此，预测维护应用程序的市场正在迅猛发展也就不足为奇了。一份报告预测，到2022年，预测维护应用程序的市场规模将达到109亿美元。

预测性维护好处

“使用物联网进行更好的预测性维护，可以将设备停机时间减少50%左右，并将设备资本投资减少3%至5%……在制造业，这些节省将在2025年产生每年近6300亿美元的潜在经济影响。”

想象一下，如果在发生任何故障之前，您收到来自移动应用程序的警告。预测分析告诉你什么时候更换零件，减少计划停机时间，让产品在良好的时间内运行，而不是根据过去的观察来猜测零件什么时候会过时，或者通过定期监测来发现问题。

预测性维护还可以消除不必要的维修成本，这对于制造商和最终用户来说都是一个很大的未知数。当产品中的电子元件出现故障时，识别问题可能需要5分钟或5小时。更换损坏或磨损的部件也是如此。

主要的故障代价高昂，这既是操作时间的损失，也是财务损失。更糟糕的是，机器越大或越复杂，维护对生产和运行时成本的影响就越大。即使是系统中的一个小缺陷，如果不及早发现，也可能导致意外的、代价高昂的停机。

在当今永远在线的全球经济中，每一秒都很重要。关键业务应用程序的停机可能对经济、安全产生深远的影响。无论故障恢复的速度有多快，这都不再是理想的解决办法。公司当前需要的是故障预防，而不是故障恢复。Stratus旗下ftServer解决方案可实现快速轻松的故障预防。点击文后“阅读原文”了解更多！

预测性维护和工业4.0的作用体现在如下几点：

A. 降低停机时间，增加产量；通过在问题导致整个系统故障之前捕获问题，减少计划外停机时间。减少计划的人工检查也能提高生产率和产量。

B. 减少不必要的更换，降低维修成本。

C. 延长设备寿命；物联网行为分析使OEM能够对故障进行数据驱动，从而在产品的后续迭代中提高产品的弹性。

D. 预测性维护盈利；当制造商能够证明他们已经增加了正常运行时间并降低了维护成本时，他们就可以向客户提供一定程度的可预测性，从而提高购买价格并作为战略竞争优势加以利用。基于数据分析向客户引入数字服务的机会，也可以为公司带来经常性收入流和突破性增长。

E. 提升客户满意度；当需要更换部件时，自动提醒客户并在特定时间推荐维护服务，这将使您的产品区别于市场上的其他产品，并使客户满意。

实现这些目标，制造商转向工业4.0-互联设备、传感器、云、网关和工业物联网系统的其他部分,为了迅速收集大量的数据，然后应用大数据分析提供预见性维护见解。

预测性维护发展

制造商多年来一直在进行预测性维修，不同的维修活动水平对应于公司的成熟度水平。

A. 被动式维护；这是在问题出现后处理的，即灭火。

B. 预防性维护；这包括目视检查，然后是定期的资产检查，提供关于机器或系统状况的更具体、更客观的信息。

C. 基于规则的预测性维护；也称为状态监控。传感器不断地收集关于资产的数据，并根据预定义的规则发送警报，包括当达到预定义的阈值时。

D. 基于机器学习的预测性维护；这依赖于大量的历史或测试数据，结合定制的机器学习算法，来计算不同的场景，预测什么地方会出现故障，什么时候故障——然后生成警报。

基于状态的预测性维护

每一家在市场上有产品的公司都能找出一些设备故障的原因。产品团队可以与工程和客户服务部门协商，确定机器故障的已知原因，或者了解哪些情况有可能导致部件故障。

建立了产品失效的常见原因后，产品团队开始定义物联网模型，即数据采集传感器、数据连接、应用、云、网关等系统组件连接系统的蓝图。该模型还定义了产品用例，以及描述各种物联网系统组件之间的行为和相互依赖关系的if-this then- that规则。例如，如果温度和转速超过了某个预先设定的水平，系统会向web仪表板或个人应用程序发送警报，以便及时处理危险。

这种物联网模型从一开始就为数据收集提供了方向。

数据收集的优点是，只有在收集正确的数据、控制收集并针对该数据作出正确的业务决策时，数据收集才有用。

使用模拟来验证模型用例——包括数据模拟来验证仪表板和警报，并确保收集了必要的数据。这有助于团队在开发和生产之前发现错误。

模拟智能机器、产品或系统在现实生活中的功能，可以帮助团队在开发和生产之前及早发现错误。

然后，同一个仪表板可以与来自机器学习的insight集成，以提供实时资产条件的可视化、可理解的实时图形。

有了验证过的模型，我们就可以继续开发了。使用物联网开发平台来支持内部和外部团队之间的协作，并使模型始终与开发的产品保持同步。

您的物联网开发平台还应该(自动)根据模型中定义的用例将您的物联网模型转换为预测性维护仪表板和警报。

虽然基于规则的预测性维护提供了某种程度的自动化、预测性维护，但它仍然依赖于产品团队对需要测量哪些部件或环境元素的理解，以及他们预测哪些部件可能出现故障的能力。

基于机器学习的预测性维护

机器学习的关键是事前预防而不是事后。正确的设计和实施机器学习算法应该首先学习设备正常运行数据表现形式，并在准确的时间确定误差。

图示为机器学习算法步骤：

数据收集--传感器收集设备数据和环境参数。

特征选择和简化--基本特征的选取和测量，比如温度顶级或者电机转速。

建立模型--算法在学习模型中多次计算所有数据。

模型验证--模型需要数据进行和实际变量进行对比，或者通过厂家的测试。比如在设备停止工作时进行报警。

部署--如果模型部署后，显示的不是预期的结果，这些错误的信息将会被重新回到模型中，来改善系统未来的性能。

这个系统既需要输入（历史数据或者设置的训练数据）也需要输出（诊断结果）。一个设备监控系统应该包含输入不同的温度、转速，并且输出各种系统失效问题预警。系统将能够预测故障将要发生的时间。

而实现基于机器学习的预测性维护最理想的解决方案是通过基于规则的模型开始，定义和模拟用例和所需的警报。一旦收集了足够的数据，就可以实现机器学习算法，并根据预测的准确性迭代地对其进行优化。