预测性维护在智能工厂中的应用

制造业中的维护和可靠性专业人员面临许多挑战，但是任何维护组织的目标始终是相同的：最大化资产可用性。所谓资产，简而言之就是固定资产，即车间中将原材料变成成品的机器。

如今，不良的维护策略可能会使工厂的整体生产能力降低5%至20%。最近的研究还表明，计划外的停机时间每年给工业制造商造成的损失估计为500亿美元。这引出了一个问题：“一台机器使用多久之后需要下线维修？”传统上，这种困境迫使大多数维护组织陷人一种折中的局面，他们不得不在最大化零件的使用寿命或者通过尽早更换可能的零件来最大化正常运行的时间二者之间进行选择。基于时间的预防性维护已证明对大多数设备组件无效。

通常，通过运行工具或机器组件直到它们失效，可以最大程度地利用它们。但是随着零件开始振动，过热和破裂，这可能会导致灾难性的机器损坏。而且，尽管对于某些资产而言，运行失败可能是一种可接受的方法，但计划外停机几乎总是更昂贵且更耗时间进行纠正。相反，您可能会考虑更频繁地更换零件和维修设备。但这不仅会随着时间的流逝而增加更换成本，还会增加计划内的停机时间和运营中断。

备件管理提出了类似的挑战，感觉就像是持续不断的平衡行为。在预算有限的情况下，维护专业人员必须评估所需的零件以及何时购买它们。如果在需要时没有备件或订购备件，则在等待更换零件时，资产的停机时间可能为数天至数周甚至数月之久[1]。这通常会导致备件库存的积累，这不仅占用了营运资金，而且增加过多和过时的风险。

预测性维护（PdM）旨在通过授权公司最大程度地延长零件的使用寿命，同时避免计划外的停机时间并最大程度地减少计划内的停机时间来打破这些折衷。随着用于制造业的工业4.0的出现，公司能够利用新技术来实时监视和深入了解其运营，从而将典型的制造工厂转变为智能工厂。简而言之，智能工厂就是配备了能够使机器对机器（M2M）和机器对人（M2H）通信与分析和认知技术相结合的技术，从而使我们可以正确，及时地做出决策。

PdM（已经在我们耳边萦绕多年）利用多源数据，例如关键设备传感器，企业资源计划（ERP）系统，计算机化维护管理系统（CMMS）和生产数据。智能工厂管理系统将此数据与高级预测模型和分析工具结合在一起，以预测故障并主动解决。此外，随着时间的流逝，新的机器学习技术可以提高预测算法的准确性，从而带来更好的性能。

相比之下，传统的预防性维护（PM）程序通常需要非常耗时的手动数据处理和分析，才能从收集的数据中获得真正的洞察力。尽管许多人在这些策略上取得了一些成功，但它们通常严重依赖于经验进行估计，或者需要深度知识和对每台独立设备的不断分析，以保持准确性。

为了实现最大化机器可用性的维护目标，著名的德勤公司甚至确定了在工业4.0时代[2]运营的所有制造公司的两个主要业务目标：1）经营业务；2）增长业务。

一般增长业务聚焦于业务上线的增长，而经营业务则旨在消减成本。PdM技术可以从多个来源和旧系统中提取数据，以提供实时的高级见解，从而使计算机系统可以轻松地进行日常工作，从而使维护管理人员可以更有效地部署资源。

思考之初，挑战似乎难以克服。但是，数字化转型的好处远大于风险。这些好处包括：

1）节省物料成本（运营和MRO物料支出中的5-10%)；

2）降低存货成本；

3）设备正常运行时间和可用性增加（10-20%)；

4）减少维护计划时间（20-50%)；

5）降低了总体维护成本（5%至10%）；

6）改进的HS&E合规性；

7）减少花费在暴力信息提取和验证上的时间；

8）花更多的时间在数据驱动的问题解决上；

9）与计划，绩效和责任制的明确联系；

10）对数据和信息更有信心，从而拥有决策权。

智能工厂和PdM是未来，并且选择是无止境的。