因为安排了一个学生进行硕士开题，是关于预测性维护方向，是关于机床设备方面的，所以自己也对这个方面做一些思考。对于我来说，这也是一个探索破冰的方向，希望能够取得一些进展或打个基础。

（1）预测性维护的智能制造内涵

预测性维护是智能制造尤其是工业互联网发展下兴起的一项技术，并且与数字孪生具有直接而密切的关系。

预测性维护是对于设备装置运行性能预测评估的关键使能技术，是对设备装置智能化的重要提升切入点。一次性维护必须与数据的采集密切相关，是工业互联/物联数据采集之后的状态告知的深入体现。预测性维护的对象是设备装置或者系统，其之所以能够对运行的性能进行预判，是因为内部具有与对象相对应的分析推理判断决策模型，这不仅是智能制造相关环节的体现，其实也是一种数字孪生，只是说这种数字孪生不是说针对企业产出的产品，而是针对的企业产出产品过程当中所使用的设备装置或系统，在对象上存在一定的差异，但在内涵上并没有本质的区别。

（2）预测性维护的应用场景

对于自动化程度非常高的产线来说，其中的任何一台设备其实都不允许出现问题的，任何设备的档期都会导致整个产线的停止运行。这个时候其实就需要对产线当中的任何一台设备都要进行运行性能的预测评估，或者说这是对整个产线运行性能的预测评估。

流程行业自己并不熟悉，但是对于离散生产来说，预测性维护的实时性其实要求并不是那么高。尤其对于批量生产零件来说，完全可以在云端而不是边缘端进行处理。

预测性维护首先需要获得在上次维修或者说崭新状态之下的之后历史运行数据。这些数据应该包括两个方面，一是设备装置自身的状态数据，二是与设备装置所加工的零件对象的精度数据。设备装置自身由他的一套状态判断依据，一般情况下这种数据就够了。但对于批量生产来说。当所有的生产条件都相对固定的时候，基于产品的精度状态来进行判断，也是一个可行的思路，但这种方式并不适合柔性生产或者产品加工类型范围比较大的情景。

（3）预测性维护与可靠性的关系

预测性维护本质上是可靠性工程的一个技术分支，其目的是能够预判设备的故障并采取针对性措施甚至延长设备运行时间或寿命等，也支持提前准备备品备件等。

因此，其实很多预测性维护研究转变为故障诊断或故障预测。有基于数据库检索式的，有基于知识推理的，也有基于神经网络的。

可靠性工程最核心的机制是基于概率论和数理统计的，是通过对系统组成各个部分的概率反推出系统的可靠性并以概率的方式进行表达。或者在问题发生之后，通过故障树的方式实现问题原因的快速定位。

对于预测性维护来说，可靠性更多的是像个帽子或范畴统领，在一些原则或者具体的方法上面可以提供一定的指导。但是这与当前基于大数据人工智能等方式所开展的一次性维护是有很大不同的。那无论如何，两者之间是密不可分的。

（4）预测性维护与抗疲劳制造的内涵是相通的

现实世界当中设备装置的运行并不是只有两种状态：正常或者故障，更多的其实表现为功能性能的退化，逐步的退化并滑向故障这是必然的常态，而这个过程使预测性维护更加需要关注的重点，或者反过来说，正常是指在一定的范围内的，就如同我们设计的零件都有公差一样。

因此，从某种程度上来说，预测性维护其实是对社会装置运行疲劳分析的一种别称。也因此，面向退化程度分析推理决策的预测性维护，是可以充分借鉴抗疲劳制造方面的一些技术描述的。比如对于抗疲劳制造来说，轴承、齿轮的疲劳运行或退化分析始终是重要的技术方向。也因此，一次性维护从来不是突然出来的，而是与传统的工艺技术研究之间密切相关的。所以，脱离工艺的预测性维护，基本上是属于那种数字游戏。

（5）预测性维护的直接或间接解决方式

预测性维护的核心是建立分析推理决策决策模型。能够建立设备装置运行的机理模型这是最好的。

凡是直接描述机理的，不管是数学的解析形式还是多体运行仿真形态，这都是直接的方式。

凡是将机理当成黑盒子的，正如从当前大家都在研究的大数据或者机器学习之类的方式方法，其实都是一种间接方式。

预测性维护方向，自己具有一定的知识基础，比如我曾经在学校讲了大概有6年的《机械可靠性设计》这门课并编写了一本同名教材，同时，也做了很多复杂结构薄壁件加工的变形控制和精度保证研究项目，涉及到机床-工件-夹具-刀具的复杂耦合系统的综合建模与求解，也是有可借鉴方面的。考虑到预测性维护所面对的对象是与产品产出之间密切相关的，对企业来说就有重要的意义，所以才拓展这方面的研究。本文只是结合自己的知识范围做了一些思考，后续还要进一步深入分析和实践。因此，上文所述，多是一己之见，仅供参考。

来源：微信号  智能制造随笔

作者：王爱民

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。