IIoT可預測運維報告摘要

2013年4月，在德國舉行的 Hanover Messe 會議上，工業4.0的指導原則釋出。 在過去的五年裡，工業4.0已經從德國政府的政策轉向了全球的高管級戰略。而今天，我們已處于第三個浪潮中————積極的實施。

工業4.0被認為是第四次工業革命，行業分析師預測了一個重大而廣泛的經濟影響。工業物聯網、人工智能和機器學習在可預測運維4.0中的應用是工業4.0的核心元素。本文旨在找出改變的進階别戰略和業務驅動因素與實施現實之間的差距。

僅在2017年和2018年，認知分析的重大進步就被應用到預測運維領域，在國内就是高大上的AIOps。與此同時，工業4.0已經被全球工業設施的進階管理者所接受。對于 PdM4.0和維護4.0提出的關切是出于關于部署的可行性和資源缺乏的實際考慮。

可預測運維的現狀

可預測運維的IIoT仍處于早期階段，專業人士認為采用動力很小。PdM4.0的承諾得到了承認，但對目前的可預測雲維系統幾乎不存在不滿。傳統的 PdM 包括振動監測、油渣分析和熱成像，目前尚未被取代。微軟Excel 仍被認為是預測模組化的預設選項。

評估現行的可預測運維

維護4.0可能是執行者戰略願景的核心要素，可以被包含在工廠的技術路線中。 然而，從實際的角度來看，它并沒有被廣泛使用。可預測運維的方法仍然是傳統的方式，如振動監測，油渣分析和熱成像。工廠依然依賴手工統計模型，使用Excel 的預測分析遠遠超過了先進的統計模型和機器學習。

統計模型很少用于預測分析，尤其是在工廠一線。 最常見的方法是各種形式的回歸分析。第二常見的方法是模式識别(例如紅外熱成像和離/線上電機電路分析)或視覺分析/識别(圖像或資料圖形顯示的故障)。下一個最常見的方法是相對比較(從一台機器到另一台機器或一組機器)。之後是對限制或範圍的測試，這與回歸分析有關，雖然可能會形成一種趨勢，如果參數資料突然高于警報或警報呈現的水準，行動将以後者為基礎，而不是趨勢。

統計過程控制(SPC)在許多程式中都有使用，在 SCADA 系統中很常見。這是一種圖形分析方法，可以由平台上的人員實踐，隻需要簡單的數學和繪圖技巧。

最強大的方法叫做相關分析。這包括在相同操作條件下同時采用兩種不同技術的分析結果，及時确認故障或來自同一類技術(如振動分析和沖擊脈沖分析)，以追蹤相同的故障。

當使用IIoT/雲計算技術時，所使用的進階分析分析包括視覺分析(例如異常值)、聚類分析(如基于密度的空間、層次或其他常用方法，如 k-Means)、資料挖掘(例如基于分析或關聯規則的分析)、時間序列分析和統計分析(包括回歸，如最小二乘法和多元線性分析)。

人工統計模型将逐漸被機器學習和預測分析所取代。 随着目前在機器學習、人工智能、傳感器和連接配接領域的技術進步速度，将進入一個可以快速、經濟地部署的現有預測分析工具時代。

評估可預測運維方案的名額

運維人員将營運效率/節約成本視為評估預測運維方案的主要名額。

對于可以預測性運維方案來說，最重要的衡量标準是，從較低的停機時間中節省的資金要與營運效率一樣高。 此外，正常運作時間增長的收益甚至高于備件和其他管理方式的改進。即使運維人員對PdM4.0沒有保持與管理層相同的熱情，他們也明白增加運作時間、提高産量收益率和降低停機時間的戰略價值。

工業4.0中運維技術的前景

工業4.0中維護技術的主要變化是對自動化工作和流程的改進。相比之下，部署機器人或無人機輔助檢查的可能性較小。數字孿生體的概念沒有引起太多的關注，大多數運維人士預計未來5年内不會出現大規模的部署。

對自動故障報告的采用而言，45%的受訪者預計會有全面部署，另有22%的答複者預計會出現大部分部署情況。在采用機器人輔助修複技術方面，35% 的人預期不會采用，而另外17% 的人認為隻有部分采用。

必須先弄好基本的東西， 收集更多的資料并不一定能解決任何問題，直到學會如何收集正确的資料來幫助解決真正的問題。監測需要集中化，或者通過遙感(不是完全自動的，但是不必在現場監測工廠) ，或者通過機器學習算法進行自動化狀态監測。

在接下來的十年裡，自動化将消除極少數的職業。焊工、切割機、焊料工90% 的任務都具有自動化的技術潛力，59% 的制造業工作都易受自動化的影響。

發展一個精确的數字孿生是昂貴且費時的。因為即使在相當新的工廠中，配置控制也很少能達到應有的程度。圖紙通常可能已經過時和性能規格随着時間的推移被不精确地記錄下來，在幾個操作周期之後，被忽略了資産被超越了原始設計的限制。 要建構一個精确的數字孿生，需要對目前的性能和條件要求進行廣泛的研究，而不僅僅是引用原始的生産規格。

除此之外，由于确定投資回報的工作很少，而且在一個包含必須完成的所有步驟的綜合計劃中也很少，在一項全面計劃中很少做到，因為這項計劃包含了所有必須完成的步驟，以便在機器邊緣(靠近機器)、工廠(防火牆之前)和雲端都能夠降低成本。

IIoT 可預測運維的視角

運維人員和進階管理人員的觀點之間存在着脫節。IIoT被視為延遲采用 PdM4.0的一個重要因素。

許多公司和維護組織都在支援 IIoT 裝置，有些可能沒有意識到是 IIoT，例如電力監控、保護裝置和監控網絡。 當裝置應用程式在會議上出現時，通常會有相當多的投票率。 然而，(讨論)諸如正确的設定或者更糟糕的是，與連接配接裝置相關的安全問題，就缺乏出席率。 人們認為這些問題是"别人的問題"。

IIoT有可能以一種戲劇性的方式改變這個行業，但隻有通過加強傳感器連接配接性來有效地利用資料量，才有可能實作這一目标。

IIoT可預測運維的部署實施

大資料科學家的技能不足，以及對工業4.0缺乏了解是影響PdM4.0部署的兩個最重要因素。 運維人士對軟體的複雜性和擷取傳感器資料缺乏關注。

從資源的角度來看，組織希望擁有預測分析所需的核心基礎設施，而不是他們有足夠的資料科學家來部署IIoT的預測分析。

一般而言，PdM需要有系統地關注裝置，确定和建立名額，并為實施提供資金/支援。許多 IIoT 服務提供商(除了大品牌，大部分是 oem)都有 IT、軟體和商業分析方面的背景，與工業工程協會有點脫節。世界上有92% 或64萬台機器沒有網絡連接配接。 另一個統計資料是意大利機器的平均壽命為13年。 這将導緻欲望與能力之間的鴻溝。

大公司将有資源來試用新的系統和機器，并評估跨生産設施的采用能力。小公司将具有采納和适應的靈活性。中等規模的企業投資于低成本的解決方案.

建立數字化營運能力的最大挑戰是:

• 高層管理人員缺乏明确的數字操作願景和支援
• 不明确的經濟效益和數字投資
• 高資金投入需求
• 與使用外部資料有關的資料安全和資料隐私的問題
• 人才不足

可預測運維的影響

運維人士對物聯網可預測運維持有積極的看法。

操作裝置效率的提高是人們普遍期待的。實時利用和分析資料有助于更好的決策。 從組織角度來看，人們對專業運維人士的角色和職責将發生變化的擔憂是有限的。總的來說，對于 IIoT 可預測運維将迫使資訊技術和業務技術組織趨于一緻的觀點沒有得到多少支援。

專業人士都認為标準的運維實踐會因工業4.0而改變，盡管對于這種變化的程度有不同的意見。人們越來越強調建立一緻的過程，以有意義的方式收集和使用資料(手動第一，然後，在有用的地方，自動化)。

目前，許多工廠收集大量的資料，而且資料的使用很少或者有限。 增加更多的傳感器會增加更多的資料，而不是資訊。

建議

一些加速部署 IIoT 可預測運維方案的建議：

• 讓運維專業人士參與組織的PdM4.0政策的開發。這不僅有助于確定整個組織的支援，而且還可以為具體采用提供實際的洞察力
• 與多個供應商一起實作概念證明，并根據預先确定的标準評估結果
• 培養在建立功能性和規範性檔案、征求建議書和概念證明方面的專業人員
• 建立機器學習的應用中心
• 發展和培育一個工業4.0供應商和解決方案的生态系統，以便能夠在需要時迅速評估和采用互補技術
• 成立一個工作組，代表業務技術和資訊技術，探索技術解決辦法
• 制定操作名額，以衡量PdM4.0的采用情況。這不僅應包括部署(涵蓋的資産數量) ，而且還涉及到基礎設施(人員、流程、技術等)
• 将人工智能和機器學習的元素納入到運維技能的開發項目中