至少可以这么说，经理和工程师都不喜欢停工。如果他们有一个愿望，他们会选择让他们的资产一年24小时、每一天都处于工作状态。为了更接近这个目标，必须改变维护的方式。
传统的维护计划是基于建议的维护程序和现场经验。这使机器和电子系统保持运行，但效率低下，并且由于不使用实时数据，增加了磨损、损坏和停机的风险。据估计，仅计划外停机时间一项就给工业制造商造成了大约每年500亿美元。随着工业4.0技术的采用，行业可以通过预测性维护实现近乎零停机时间。
什么是预测性维护?
自上世纪90年代以来，预见性维护一直存在，但从那时起，它已经走了很长一段路。预测性维护的目的是根据从整个工厂使用嵌入式传感器收集的实时数据来安排维护。此类系统使用的数据可能包括温度、功耗、子系统的性能和其他有助于确定工厂运行状况的重要指标。
这些数据在第四次工业革命中具有巨大的重要性。云计算大数据分析可以生成有关设备性能的宝贵信息，包括有关预测性维护的宝贵信息。配备人工智能和机器学习的维护系统可以使用这些数据来预测系统的哪些部分可能很快需要维护。
预测性维护可以提高生产力，减少停机时间，并从故障中节省资产，所有这些都直接有助于底线。您可以遵循以下六个步骤，为您的工厂建立有效的预测性维护计划。
分析需求并清点资产
制定预测性维护计划的第一步是盘点资产并评估系统。分析流程带来了对预测性维护的需求，而库存可以很容易地找到最需要预测性维护的资产。
为试点预测性维护计划选择资产很简单，因为影响运营的资产有很高的维修/更换成本，需要昂贵的专家关注，这可能需要一段时间。这将通过减少最关键资产的维护成本来帮助获得最高的投资回报。
收集设备数据
一旦您知道哪些资产将成为预测性维护计划的一部分，您就需要关于它们的所有可用数据。这些数据有助于创建主要的预测性维护模型。的测量机然后利用该模型对维护需求进行预测。使用这些数据还可以节省时间，并为可以从资产历史中学习的模型提供一个良好的开端。
现代系统通常有大量关于资产及其性能历史的数据。除了数字数据，您还可以收集历史手工记录的数据、来自制造商的信息以及来自工人的基于经验的信息。
在此阶段收集的数据还提供了有关哪些资产值得预测性维护的更多信息。如果以前某个特定资产的维护成本不准确，那么现在您将得到一个更好的概念。例如，如果系统中的某个组件在许多位置导致故障，则应该将其列入预测性维护计划。
进行故障分析
在您有了关于资产的足够数据之后，您可以运行故障分析以识别不同的故障模式-资产如何崩溃。分析包括找出故障识别的程度、影响、频率和困难程度。失效模式与影响分析(FMEA)是实现这些目标的一种流行而有效的方法。
FMEA是一个逐步识别不同失效模式及其对任何产品的影响以分配优先级的过程。FMEA是一个复杂的过程，需要考虑严重性、频率和检测变量。最终的结果是优先级列表，您可以使用它首先为高风险资产创建预测模型。完成后，主模型就准备好供CMMS实现。
现代CMMS平台还可以提供所需的数据可见性，以确定哪些问题导致了最大的中断，从而使公司损失最大。然后可以对这些问题进行优先排序，一个好的系统将使您能够从根本原因上管理问题的解决方案。
升级数据采集传感器和设备
任何预测性维护计划的核心都是传感器收集的数据。如果数据不准确或不完整，即使是最好的理论模型也可能变得低效。为了确保准确和完整的数据收集，您可能需要额外的传感器或设备。
您现有的CMMS可能有传感器和设备，可以升级以满足要求。不同的传感器，如电流和电压传感器，温度计和相机在电子系统中很常见。CMMS使用来自这些传感器的实时数据来有效运行并预测维护需求。
基于AI和ML的算法开发
与数据一样，算法也是预测性维护的核心。算法利用收集到的数据来提供您需要的警报。预测性维护使用系统监控和预测算法作为数据分析的一部分。
在系统监控中，CMMS使用来自传感器的实时数据来指出可能由于资产磨损而导致的任何变化。这是使用多个变量和先前记录的故障条件参数来完成的。预测算法根据最近和历史数据的比较，为资产提供估计的故障剩余时间。这些算法可以使用人工智能和机器学习建模来创建。
预测建模由数据科学家专家完成。然后将该模型与机器学习平台相结合，该平台在每次故障时对算法进行更改。结果提供了改进的预测能力和几乎为零的意外停机时间。
部署
现在传感器和预测算法已经准备就绪，您可以将该技术与选定的资产集成在一起。当开始使用有限的资产时，您可以在安装在资产附近的嵌入式设备上运行算法，因为数据量并不大。随着您将更多资产集成到计划中，您可能不得不转向云计算，以便以更快的速度收集和分析数据。一旦部署了计划，CMMS将为维护预测提供通知。
有效的预测性维护计划对于任何行业的现代系统都是必要的。虽然建立预测性维护计划是一项复杂的任务，但它通常是值得的。根据…麦肯锡的报告例如，预测性维护可以将维护成本降低10%到40%，并将停机时间减少50%。在熟练的工程师的帮助下，这里列出的步骤可以简化制定预测性维护计划的任务。
作者简介
Eric Whitley拥有30年的制造业经验，曾担任Autoliv ASP(一家专门从事安全气囊和约束系统的汽车安全系统供应商)的总生产维护冠军。他也是精益和智能制造实践和技术方面的专家。多年来，Eric与所有行业合作，包括食品、木材、建筑、化工和汽车等。目前，他是本项目团队。
