预测性维护是一个老问题的新解决方案——我称之为“维护权衡”。对于许多制造业和机械行业的公司来说，这是他们数字化转型之旅中迈向智能工厂的第一步。要理解业务原理，需要回答三个问题—什么是预测性维护，优势是什么，以及在实现预测性维护时需要考虑什么?
维护的权衡
维护一直是一种权衡。过度使用会导致不必要的维护，生产停机时间过长，最终导致本可避免的成本。不这样做会导致机器过早损坏、高错误率、质量变化、机器寿命缩短以及最终可避免的成本。无论选择哪条道路，都很有可能导致大量可避免的费用。难怪，维护是提高效率的经典起点。通常是这样的:某个董事会成员向你求婚。然后董事会传唤首席管理会计师，也就是“控制人”。但在这个任务中，这个可怜的家伙唯一能做的就是确认桌旁所有人都知道的事情。保养的两个真理:是的，在过度保养和过度保养之间，理论上存在一个最佳值。不，控制不能精确地预测。 Not even close. Not enough data. No method to do it. And this is where such well-intended initiatives have traditionally ended quickly in severe board frustration. But then, digital transformation kicks in. It comes with the most unexpected of developments. Controlling guy made himself some new friends. And he brings them along when the board checks in about “that maintenance thing” again. They listen to the names of Data Scientist and Sensor Technology Expert. They bring along good news. There is a new solution to the old problem. Works like a charm. And they know how to do the magic. What’s their spell? Predictive maintenance!
什么是预测性维护?
预测性维护是一种基于使用数字技术和数据科学对过程数据进行高级分析的状态预测来优化维护操作的方法。事实上，它是一个用于描述各种方法的总称。它们的共同之处在于，它们旨在防止故障、缺陷和失败，同时最大限度地减少维护工作。为了实现这一目标，使用了在数字化转型过程中出现的不同技术的组合。传感技术有助于收集机器功能、生产质量和周围环境的实时数据。大数据和云计算为处理传感器收集的大量数据提供了条件。数据科学、机器学习和人工智能能够对这些庞大的数据集进行分析，并发现预示即将发生故障的可疑模式。决策支持系统帮助管理人员做出必要的决策和安排，将信息付诸行动。所有这些技术结合起来，可以发现早期信号，从而预测故障风险，从而评估维护需求。预测性维护主要用于制造机械，但也可应用于其他技术设备，建筑物或人工制品。
什么是状态监测?
状态监测是对机器或技术设备状态数据的系统收集、汇总、增强和描述性分析。它可以用来检测当前的故障或作为预测未来缺陷的基础。因此，状态监测是预测性维护的必要第一步。然而，两者必须加以区分，因为状态监测也可以应用于反应性维护和预防性维护。状态监测的核心要素是数据收集。传感器和其他接口将信息从物理实体圈传输到数字信息圈。这就是信息交织发生的地方，这是将机械转变为信息物理系统所必需的。由于这一步对于构建智能工厂至关重要，因此其设计应与可以基于数据的其他应用程序保持一致。
的优势
预测性维护是维护权衡的解决方案。基于前瞻性分析，它允许一个合理的方法来确定维护的时间、范围和组织。正确操作有助于最大限度地减少停机时间，提高可靠性，机器寿命，生产力，生产质量，工人安全和能源效率。最终，这是一种降低成本的方法。
原则上，与所有其他方法相比，这些优点可以实现:只有在故障发生后才执行响应式维护。基本上是“修理”的委婉说法，它最大限度地提高了进行维护的风险。预防性维护的目的是避免故障的发生。为了实现这一点，维护是基于进度、利用率或条件触发的。定时维护是指无论是否需要，都严格按照计划进行维护。这承担了过度维护的风险，对成本和停机时间产生负面影响。基于使用的维护尝试处理这种权衡，假设故障与机器的使用程度有关，并相应地保持触发。利用率只是一个间接的指标，在预测性维修中可能不如实际状态监测。
的挑战
实现是对任何想法的严峻考验。从概念上讲，预测性维护是非常有前途的。但是，不出所料的是，实施过程会给企业家带来各种各样的挑战和陷阱。所以，在施咒之前有很多决定要做。让我们回顾一下管理方面的问题。
量身定做
每家工厂都不一样。不同的产品。不同的工作流。不同的机器。预测性维护需要适应这种情况。这并不奇怪，它不是一种放之四海而皆准的方法。它需要量身定做(无意双关语)。这对实施项目的成本、设计、可扩展性和复杂性都有影响。但幸运的是，并非所有东西都必须从头开始开发。有解决方案可以依靠。 However, it is not unlikely that external competences have to be brought on board to do that.
优化优化
用一种权衡换取另一种。这对每个决策者来说都是一个常见的噩梦。乍一看，这似乎是预测性维护的一个问题。它解决了维护的权衡，但它带来了另一个，预测性优化。一般来说，数据越多，分析越复杂，预测就越好。但这是有代价的。然而，整个方法首先是关于降低成本。所以，需要做一些平衡。优化过程的优化。幸运的是，有多种方法可以处理这个问题:避免过度分析，专注于相关决策，提高分析效率。
避免比分析
每个人都知道什么时候该换牙刷了。这就是显而易见的定义。有人可能想把高级分析留给那些不那么明显的事情。或者是面对巨大风险的决策。这通常是个好建议。它当然适用于预测性维护。因此，明智地选择潜在的用例。然而，在智能工厂中，所有必要的数据都是数字化的，这种限制就消失了。
对决策的影响
如果对决策没有影响，分析就注定是无关紧要的。例如，有时候绝对安全总比后悔好。如果一台小机器对整条生产线至关重要，那么最好让它处于最佳状态。边际储蓄的潜力不会动摇这一事实。有人可能会说，不需要分析。这是对预测性维护的经典反驳。然而，这是可以扭转的。当一个人需要绝对安全的时候，最先进的监控是非常有价值的。预测性维护可能会有所帮助。
内部vs外部
商业关乎比较竞争优势。这一点永远不应该被忘记。从来没有。效率是制造业比较竞争优势的关键驱动因素。由于机械是一个主要的成本因素和生产力的来源，维护可以对效率产生重大影响。因此，预测性维护等创新具有重要的竞争意义。但是，这与效率本身无关。它是关于效率，以获得比较竞争优势。为什么要强调这一点呢?因为在预见性维护中有一个两难的问题。 A rule of thumb in machine learning says “more training data, better predictions”. That’s why machine builders and service providers might consider it a good idea to pool the data of various manufacturers to obtain better predictions for all. One can benefit from this. But the competitor can as well. Is that a good idea? Should it be done internally or externally? That’s a question one wants to ponder more than once. Sometimes, doing it in-house is beneficial. Sometimes, the answer might be: External cooperation is fine, because in some situations it is not about gaining comparative competitive advantage. It is about avoiding comparative competitive disadvantage. And rather often this very argument also applies to the whole endeavor of predictive maintenance per se. If others do it and one does not, then that’s often a straight shortcut towards comparative competitive disadvantage. Sounds like the fear of missing out? It is. And one should have it, at least when it comes to this type of innovation in business.
综合方法:使其成为数字化转型的一部分
在数字化转型的孩子中，预测性维护是一个早期的开发者。原因很简单:它是数字创新的一个独立用例。它可以独立于价值链中的其他参与者来实现。它不会挑战既定的条件、实践和工作流程，更不用说价值创造的逻辑了。这种变化不会引起员工的抵制，如果有的话。但是，与所有早期开发者一样，随着其他孩子的成长，他们的领先优势也会逐渐减弱。在今天，甚至在未来，更全面的数字化转型方法是必要的。除了许多其他功能外，预测性维护需要被视为完全数字化智能工厂的一项功能。数字化的设想是利用多方面的运营优势。但它的主要好处是战略性的。 Their attainment should determine the overall concept. Therefore, go for a comprehensive approach to digital transformation. Be very much aware of its strategic significance. Consider the larger scheme of things first, and then make predictive maintenance a part of it.
