什麼是預測性維護？ - 預測性維護的工作、優點和缺點
預測性維護(PdM)似乎總是物聯網 (IoT)的完美用例，更具體地說，對於工業物聯網 (IIoT)和特定資產正常運行時間非常重要，且故障可能因多種原因產生重要後果的環境。
難怪預測性維護是工業 4.0 中最常提及的案例之一。不過，PdM 不僅僅是智慧製造。以預測性維護為應用案例的行業/細分市場，還包括運輸、石油和天然氣、整個加工行業，以及具有關鍵電力環境的大量細分市場。簡而言之：場景和應用案例是 PdM 最能發揮商業價值的地方。
預測性維護成功的基石，是預測模型輸出與企業維護流程的預測準確性和聯繫（Jan Burian，IDC Manufacturing Insights）
在工業 4.0 的背景下經常引用的許多主要技術（可以），在預測性維護及其演變中發揮作用：大數據、人工智慧和機器學習（人工智慧和機器學習）、物聯網、雲端運算、數據分析和，越來越多的邊緣運算和數位孿生。
然而， IIoT 與預測分析和機器學習相結合，是更成熟的預測性維護階段的主要驅動力。
從智慧感測器收集有關預定義因素的可操作的、通常是即時的數據，並應用預測分析算法，來預測可能發生的事情 —— 因此需要主動維護，在這種情況下稱為預測性維護。
預測性維護背後的想法非常簡單且足夠吸引人，並且類似於其他形式的主動維護，但具有一些額外的好處（和缺點）：可以避免設備的意外故障，以及所有相關後果，並且可以在事情發生之前進行維護，而不是在事實（反應性和故障運行維護）之後，當這被認為有用且可能時。因此，預測性維護是能夠進行這種主動維護的維護方法之一，並且需要大部分時間和技能來實施。換句話說：在真正有意義的地方使用它很重要。預測性維護當然不是維護的聖杯，它也有其局限性。
維護 4.0 範圍內的預測性維護
預測性維護的使用，並不像解決方案提供商所希望的那樣普遍，而且客戶，除了特定的垂直和細分市場，到目前為止，採用它的速度比物聯網早期的預期要慢。然而，事情又開始發生變化。
在報導的範圍內，我們將預測性維護定義為與上述技術和相關系統（例如，CMMS 或電腦化維護管理系統）相關的，也稱為維護 4.0 或 PdM 4.0 。
由於人工智慧的進步和數據點的增加，複雜的分析變得越來越重要，並在整體預測性維護預算（物聯網分析）中佔據更大的比率
原因：預測性維護本身並不新鮮，在傳統意義上，甚至與這些技術根本沒有必要相關，因為簡單的 —— 人類視覺和儀器 —— 檢查也可以實現預測性維護。借助 IIoT、機器學習等，現在通常稱為預測性維護，實際上是 PdM 的更高級階段，具有更多數據源。其他人將交替使用基於狀態的監控和預測性維護。
然而，與目視檢查和儀器檢查一起，即時狀態監測被視為 PdM 的一種演變，其中更「現代」和成熟的預測性維護狀態，被稱為 PdM 4.0 （它不是唯一的模型）， 4.0 顯然是指工業 4.0 及其智慧工廠，如果你願意，可以將 PdM 4.0 作為預測性維護發展的第四個成熟階段。
反應性維護（又稱故障維護）的缺點，是設備/資產在發生故障後得到修復，這一點非常明顯。當然，這並不意味著被動維護是不好的。
好吧，相反，在許多情況下，被動維護是策略選擇的一部分，維護類型取決於許多因素，例如設備故障的後果，以及投資於更積極的維護方法是否具有商業或其他意義（如果是這樣，在哪一個）。它總是混合在一起，有時甚至不可能進行預測性維護，更不用說一個好的選擇了。
然而，對於相當重要且出於某種原因，需要始終可用的資產（設備故障可能導致天文數字成本、巨大聲譽損害甚至更糟的大量示例），替代選擇更好，即使它們出現有更多的規劃和前期投資。從更廣泛的角度來看，這一切都取決於資產的重要性。
複雜生產資產的狀態監測和預測性維護，距離即插即用解決方案還很遙遠
預測性維護也只是在發生故障之前，採取行動的一種方式（主動維護），而不是事後採取行動。另一種形式的主動維護是預防性維護，它也側重於減少出現問題的機會。
有時，此類維護方法，將與冗餘方法相結合，使組織尋找繼續營運的方法，即使某些事情確實發生了故障。例如，在風險非常高的環境中，可能就是這種情況。示例：正如 Aimen Abd-el-azim 在一次關於變電站自動化的採訪中解釋的那樣，為了確保整個電氣網路在正確的環境，和最佳條件下工作，在關鍵基礎設施中，主要硬體通常使用不同的算法（來自其他供應商）以確保如果第二個出現故障或暫時停止服務，其中一個將繼續運行。
PdM 4.0 —— 預測性維護狀態監測之後的下一階段
如前所述，預測性維護通常稱為狀態監控，但即時狀態監控被視為 PdM 4.0 更大的預測性維護監控圖景中，較早的成熟階段。
我們現在不會對此進行過多詳細說明，因為今天所理解的基於狀態的監控，和預測性監控遠非無所不在，但如果你想了解更多資訊，請查看 IDC Manufacturing Insights 研究總監 Jan Burian 的這篇部落格文章，論及企業維修在製造業中的角色轉變。
簡而言之，狀態監測和預測性維護比較：
狀態監測查看預定義的參數 （例如，振動分析和診斷、油液分析、電機狀態監測和電機電流特徵分析、熱分析或與被監測設備相關的任何類型的技術）並將參數與預定義的參數進行比較，透過可視化可以檢查機器狀況的閾值。
預測性維護使用 ML 引擎，並以被監控設備的這些參數作為基礎，但機器學習和預測的實際差異顯示，在特定時間範圍內和特定概率內可能發生的事情。通常，這也意味著預測性維護使用的數據源和數據集，多於來自狀態監測的感測器數據和來自前一階段（儀器檢查）的數位記錄數據。
差異可能看起來很小，但事實並非如此。預測性維護使用監控數據，但它使用更多，最重要的是，對數據做更多的事情。它確實可以預測。
本部落格底部的介紹更加詳細，並透過有關實施預測性維護時，應考慮的附加資訊，使差異更加明顯。
預測性維護市場和一些建議
IoT Analytics 預計到 2024 年，預測性維護解決方案市場將達到 $23.5B。
下圖顯示，進一步估計，到 2024 年，PdM 的採用者將節省 188B 美元的成本，此外還有其他好處，例如提高法規遵從性和增強安全性。你還可以看到與採用預測性維護有關的一些挑戰和轉變。
顯然，市場上有更多的研究。請繼續關注更多詳細資訊，還包括最常使用 PdM 的行業，以及有關使用預測性維護的額外策略建議，同時查看下面承諾的演示文稿，該演示文稿主要基於 PwC 的工作。
但是，請務必考慮到一些挑戰對 PdM 的採用產生了負面影響，這是下一個貢獻的食物。現在，讓我們以 IDC 的 Jan Burian 對你們中的決策者的一些建議作為結束語：「複雜生產資產的狀態監測和預測性維護，距離即插即用解決方案還很遙遠。客製化和最終微調的詳細準備，是成功的關鍵因素。首先佈署高級狀態監控，然後尋找可以佈署預測模型的位置。考慮建構資產和流程的數位雙胞胎，並結合來自資產聚合、生產流程和生產環境的數據」。更多在他的報導中。
選擇正確的維護策略首先要瞭解各種類型，而且確實有不少。除了預防性和預測性維護之外，還有反應性（運行至故障）、基於風險和條件的、以可靠性為中心的、全面生產性維護等等。
數據和準備預測性維護
維護策略的精確組合取決於資產，及其在各種場景中的位置和重要性。很明顯，預測性維護數據從各個角度來看都是必不可少的：數據的收集和分析、各種數據源，以及利用它們並與現有系統整的能力、與數據有關的可用技能、所需的數據系統和數據的品質。
如果你還沒有使用 PdM 4.0 意義上的預測性維護，但考慮在未來業務案例更清晰時這樣做，那麼已經開始儲存，一旦你有效地使用 PdM 就會相關的數據。
缺乏數據技能和有關數據品質的問題，是佈署預測性維護的重要挑戰
顯然，這不僅僅是聚會。鑑於各種數據源和機器 OEM 等的參與，預測性維護面臨的一大挑戰，是將所有數據集組合起來用於預測性維護。通常會收集數據，但隨後會保留在數據湖中，而無需採取任何行動。事實上，組織還沒有為 PdM 4.0 做好準備的主要原因之一，是他們沒有使用已有的數據，例如仍然依賴 Excel，因此認為收集更多數據沒有用處。
收集數據是一回事，整合，尤其是能夠獲得所需的洞察力和價值，又是另一回事。這也是預測性維護，沒有像研究顯示的那樣被廣泛採用的原因。
為了使預測性維護成功，組織 —— 以及相關部門（IT、數據科學家、業務、營運商……）和合作夥伴 —— 需要在大數據技術、商業智慧、數據倉庫等層面，處理必要的技能。而且，這是非常重要的，必須無條件地關注數據品質。
透過下面的按鈕閱讀，更多有關調整成功預測性維護計劃的關鍵的其他要素：從高層管理支持到關鍵績效指標。
沒有留言:
張貼留言