工業4.0預測性維護指南

預測性維護是一種預防代價高昂的制造裝置故障的方法，它可以通過分析整個生産過程中的資料來提前查明異常行為，以確定可以采取适當的措施來避免長時間的生産停機。

在制造環境中廣泛采用IoT之前，專業人員和機器操作員必須經常定期安排維護時間，以便确定可能需要維修的内容。

是什麼讓預測性維護如此重要?

人們認為，所有手動安排的機器維護中有一半實際上是徒勞的。考慮到這種形式的維護還占用了大量資源，時間和生産力，是以，許多生産專業人士已從這種方法轉向工業4.0方法就不足為奇了。

利用物聯網技術來監視生産線上的機器狀況、簡化維護計劃并收集實時資料，這意味着制造商可以降低成本，最大化産量并提高産品品質。

預防性維護與預測性維護

早在網際網路出現之前，制造企業就一直在進行預防性和預測性維護。但是，了解這兩種維護之間的差別仍然很重要。

預防性維護依賴于目視檢查和正常的機械健康檢查。然而，這隻能在裝置的工作狀态中提供有限的範圍，因為工程師隻能修複已經發生的故障，而不是将要發生的故障。

預測性維護使用分析方法，利用實時和曆史資料突出顯示機器沒有正常運作的地方，以便提前修複。

預測性維護的工作原理

為了使用預測性維護解決方案來監控裝置，需要以下工具包：

1）用于收集機器或産品資料的傳感器。

2）需要資料傳輸，以使通信系統将安全資料從機器移至資料存儲系統。

3）資料存儲系統是在現場或通過雲收集和存儲資訊的中央樞紐。

4）預測性資料是一種分析性資料，它将算法應用于存儲的資料，以便更好地了解機器應該如何工作，以及在故障發生前它可能在做什麼。然後，這些資料以警報和報告的形式提供給操作員。

5）工程師和專家使用根本原因分析來調查和決定哪種行為是最合适的。

機械上的資料通過通信路徑從傳感器傳輸到中央存儲區域。 然後，将來自MES系統的資料內建到中央資料存儲系統中，以提供更進階别的生産機械資料。

一旦将預測資料應用于此，就可以提供有關如何減少機器停機時間的分析。

為了有效地部署預測性維護系統，使用者必須首先評估每台機器的故障可能意味着什麼。這應該将制造資産、傳感器資料、通信程式、預測分析和儀表闆警報彙總在一起。

使用可視化系統，工程團隊将能夠以圖形形式檢視生産線。這應該包括資料流、儀表闆和系統邏輯（其中一組規則将在發現異常時進行監視和警報），以産生有關系統應如何有效運作的藍圖。

從這裡開始，任何曆史機器資料或預測分析都可以應用到藍圖中，以在發生故障之前預測機器的行為。

預測性維護的優勢

當企業使用預測性維護時，該組織有兩個巨大的優勢，包括：

1）減少機器停機時間。自動執行戰略性維護計劃已被證明可以減少20-50％的維護時間，同時将相關的維護成本降低約5-10％。

2）保持效率。依靠分析資料來提高機械效率，這意味着不再需要不必要的維護。 這意味着可以延長機器的使用壽命，并且可以在不使用機器時安排對發現的任何問題進行維修。

制造業如何使用預測性維護？

在過去的幾年中，制造企業已在各種情況下實施了預測性維護解決方案，從工廠範圍的實施到對單個關鍵機器零件的監控。

對于大規模生産産品的組織（例如食品或玩具）而言，預測性維護是減少産品缺陷并消除浪費的絕佳方法。

這就是所謂的“品質4.0（Quality 4.0）”，通過實施這樣的解決方案，工廠裡的人可以看到什麼時候生産的不合格品會超過他們的門檻值，以及可能的原因。

對于那些生産零件和機械的人來說，預測性維修的常用方法是設定技術來監視和檢查運動裝置和電機的狀态。生産力、電力、健康狀況和内部磨損都受到監測。

通用行業預測性維護物聯網方法

有兩種常用的預測性維護方法，即機器學習和基于規則。

基于規則

這也稱為狀态監視。一旦激活了特定規則，此方法将使用傳感器收集傳感器資料并基于預定義設定發送警報。

基于規則的維護意味着生産團隊必須與工程和客戶服務部門緊密合作，以了解可能最終導緻機器故障的原因和因素。

一旦确定了這些原因，就可以建立系統的虛拟模型，該模型會映射出IoT元件如何确定這些原因和行為。

例如，如果溫度讀數低于或高于被認為可以接受的讀數，系統可以向儀表闆發送警告，然後由能夠在發生進一步損壞之前解決問題的人員選擇儀表闆。

雖然這種方法确實提供了某種程度的自動和預測性維護，但它仍然依賴于對必須監測哪些機械和環境狀況的了解。

機器學習

工業人工智能可以應用于預測性維護，就像它可以應用于制造過程的幾乎所有其他方面一樣。

盡管相對而言，我們才剛剛開始了解和使用這種技術，但世界各地的許多企業都看到了機器學習的巨大好處。

AI是與預測性維護解決方案一起工作的理想合作夥伴。

它為使用者提供了一系列技術，可幫助他們了解和分析在制造過程中收集到的大量資料，以使他們産生有助于維持生産水準的準确、可操作的見解。

這些通常稱為機器學習算法。

什麼是機器學習算法？

在預測分析中使用的人工智能和機器學習主要有兩種類型：有監督和無監督。這兩種方法都很有用，具體取決于場景以及測試和曆史資料的可用性。

預測性維護中的進階AI算法用于了解機器的運作方式。然後，此資訊将用作識别性能實時波動的準繩。這些算法必須具有曆史或測試資料以及輸出資料，以分析諸如溫度、壓力、發動機轉速群組件狀況之類的内容。

随着物聯網的不斷發展，企業開始在制造業中采用工業4.0的方法。人工智能和ML的進步将有助于預測維護，最終為企業提供一個極大的優勢，超過任何沒有向工業4.0邁進的企業。

原文連結