从预测性维护走向工业 4.0

制造商和资产经理正在转向工业4.0。这涉及持续生成和传输产品行为数据，在中央存储库中捕获数据以及应用高级大数据分析技术来对大量数据进行分类并识别重要的模式。这种模式识别可以实现“实时维护”，从而增加产品正常运行时间并提高资产效率。因此，预测性维护应用程序市场激增并不奇怪。据一份报告预测，预测性维护应用程序市场，到2022年将达到100.9亿美元。

 

 

预测性维护的好处

 

想象一下，如果您在任何故障发生之前从移动应用收到了警报。不必基于过去的观察来猜测零件何时会过时，或者通过常规监控来捕捉它；预测性分析可告诉您何时更换零件，从而减少计划内的停机时间，并使产品保持最佳运行时间。预测性维护还消除了不必要的维修成本，这对于制造商和最终用户而言都是未知数。当产品中的电子组件发生故障时，识别问题可能需要5分钟或5个小时，换损坏或磨损的零件也是如此。

 

预测性分析可告诉您何时更换零件，从而减少计划内的停机时间，并使产品保持最佳运行时间；物联网开发平台可用于实现内部和外部团队之间的协作，并使模型始终与开发的产品保持同步标准的机器学习过程将能够预测何时可能发生故障重大故障的成本很高，这既浪费了运营时间，又是二次财务损失。更糟糕的是，机器越大越复杂，维护对生产和运行时间成本的影响就越大。即使系统中的微小缺陷（如果不能尽早发现），也可能导致意外而代价高昂的停机时间。进行预防性维护后，过早更换零件也会给企业带来不必要的财务负担。

 

以下是预测性维护和“工业4.0”的步骤：

 

◆减少停机时间并提高生产良率。通过在整个系统出现故障之前及时发现问题来减少计划外停机。减少计划的人工检查还可以提高生产率和产量；

 

◆延长资产寿命。物联网行为分析使OEM可以执行数据驱动的故障根本原因分析，以提高产品在后续产品迭代中的弹性；

 

◆通过预测性维护获利。当制造商可以证明他们增加了正常运行时间并降低了维护成本时，他们可以为客户提供可预测性的度量标准，从而可以提高购买价格并被用作战略竞争优势。基于数据分析向客户推出数字服务的机会还可以产生经常性的收入流，并为公司带来突破性的增长；

 

◆提高客户满意度。自动警报会提醒客户何时需要更换零件并在特定时间推荐维护服务，这不仅可以使产品与市场上的其他产品区分开，还可以使客户满意。

 

为了实现这些目标，制造商转向工业4.0——互连的设备，传感器、云、网关和工业物联网系统的其他部分，以便快速从多个机器和位置收集大量数据，然后应用大数据分析提供预测性维护。

 

预测性维护的演变

 

制造商多年来一直进行预测性维护，其维护活动的水平与公司的成熟度相对应：

 

◆被动式维护。出现问题后，即“补救”；

 

◆预防性维护。涉及目视检查，然后进行定期资产检查，以提供有关机器或系统状况的更具体、客观的信息；

 

◆基于规则的预测性维护。也称为“状态监视”。传感器连续收集有关资产的数据并根据预定义的规则（包括何时达到预定义的阈值）发送警报。

 

◆基于机器学习的预测性维护。这依赖于大量的历史或测试数据，并结合量身定制的机器学习算法，以运行不同的场景并预测出什么问题以及何时出问题，然后生成警报。

 

基于规则的预测性维护

 

市场上每个拥有产品的公司都可以确定设备故障的一些原因。产品团队可以与工程和客户服务部门协商，确定造成机器故障的已知原因，或者了解哪些情况很可能导致零件故障。确定了产品故障的常见原因后，产品团队便开始定义IoT模型—数据收集传感器、数据连接性、应用程序、云、网关和其他系统组件的连接系统的蓝图。

 

该模型定义了产品用例，并使用“如果不是那样（thethe-then-then-the-the）”规则来描述各种物联网系统组件之间的行为和相互依赖性。例如，如果温度和旋转速度高于某些预定义级别，则系统将发送Web仪表板或个人应用程序的警报，以便及时解决危险。

 

这种物联网模型为从一开始就收集数据提供了急需的清晰度。尽管具有所有优点，但是数据收集仅在收集正确的数据，控制收集并根据该数据做出正确的业务决策时才有用。可以使用仿真来验证模型用例-包括数据仿真来验证仪表板和警报，以确保收集了必要的数据。这有助于团队在开发和生产上花费一分钱之前及早发现错误。

 

模拟智能机器，产品或系统在“现实生活”中的运行方式，有助于团队尽早发现错误-在开发和生产上花一分钱。之后，同一仪表板可以与机器学习的见解集成在一起，以实时提供视觉上可理解的资产状况热图。

 

有了经过验证的模型，我们可以继续交付。物联网开发平台可用于实现内部和外部团队之间的协作，并使模型始终与开发的产品保持同步。一个人的物联网开发平台还应该（自动）根据模型中定义的用例将一个人的物联网模型转换为预测性维护仪表板和警报。

 

机器学习预测性维护

 

机器学习对于采取洞察力而不是事后洞察至关重要。经过适当的设计和实施，机器学习算法将学习人的正常数据的行为并实时识别偏差。

 

标准的机器学习过程遵循以下过程：

 

◆数据收集。在机器中实现的传感器，用于收集机器及其环境中的数据

 

◆特征提取和归约。选择和提取用于测量的元素；例如温度水平或电机转速

 

◆模型创建。算法在学习模型中多次运行所有数据

 

◆模型验证。根据制造商正在测试的实际变量或“输出”来测试带有数据的模型，例如，当系统停止工作时发出警报；

 

◆部署。部署模型，并且如果模型显示除所需行为以外的任何内容，则将不正确的行为传递回模型，以改善系统的未来性能；

 

该系统既需要输入（历史数据和训练数据），又需要输出（期望的结果）。机器监控系统将包括不同温度，发动机转速等的输入，而输出将是有问题的变量—未来系统或零件故障的警告。然后，系统将能够预测何时可能发生故障。

 

在工业4.0中实施机器学习的挑战

 

我们已经确定，预测性维护可带来巨大的业务收益，并且机器学习是实施预测性维护的高级方法。然而，根据普华永道的一项调查，只有11％的被调查公司“实现”了基于机器学习的预测性维护。

 

实施机器学习以进行预测性维护存在三个主要挑战：

 

◆确定需要收集的数据。从未启动过连接的系统或机器的制造商一脸懵逼，没有清楚的证据表明哪些数据是有价值的，或者哪些数据应该采集。异常检测和预测分析作为一个整体，必须从一开始就在业务目标和计划中。

 

◆获取必要的数据集。没有数据输入，就无法开始运行基于机器的算法。开发机器学习解决方案或选择正确的算法需要大量的时间和资源，导致成本的提高。

 

◆数据挖掘。了解一堆混乱的历史数据不仅需要正确的算法—有数十种可能的机器学习算法可供选择—而且还需要一种在分析完数据后清晰呈现数据的方法。

 

由于这些挑战，预测性维护通常仅限于少数几家机器已经收集数据多年并且现在利用高级分析平台来整理数据的公司。首次实施互联系统的公司，以实施机器学习进行预测性维护为目标，将发现很难越过起点。

 

入门：务实的方法

 

一种实用的方法是从基于规则的预测性维护开始，以避开对大量历史数据集和高级机器学习算法的需求。这使公司获得快速的业务成果，并成为机器学习的垫脚石。可以从基本假设或“规则”开始，而不是提前要求大量数据。随着时间的流逝，随着系统汇总历史数据，公司可以进行实验并应用机器学习算法来进行更准确的预测。由于可以在不使用实时传感器或历史数据集的情况下设计基于规则的预测模型，因此可以使预测性维护民主化，从而使其既适用于已实施IoT的公司，也适用于尚未设计其互联系统的公司。

 

基于规则的预测性维护并不是预测性维护的最终目标。该方法基于可以定义的“假设情况”，而不是运行可能情况的机器算法。它不是万无一失的，但是它是可以实现的，价格可承受，并可带来业务收益。理想的解决方案是从基于规则的模型开始，定义和模拟用例和所需警报。一旦收集到足够的数据，就应该实施机器学习算法，并根据所获得的预测准确性来迭代地完善它。