了解预测性维护如何彻底改变工厂设备管理！
让我们比较一下 A 工厂和 B 工厂更换轴承的方法。A 工厂遵循标准时间表，每隔 每 10,000 小时更换一次轴承，没有进行精确优化。而 B 工厂则收集相关数据并评估 轴承的实际状况、运行条件和机器的整体状况。
结果--优化了更换工作，节省了大量资金，并实现了完美的生产。
"利用预测性维护 (PdM) 转变公司的长期盈利能力"。
通过最大限度地提高设备可用性和消除大多数故障，PdM 优化了材料、人力和时间资源的使用。 人力和时间资源。根据美国能源部的一项研究（第 52 页），PdM 带来的好处令人印象深刻：
投资回报乘以 10 - 维护成本减少 25% 至 30 - 故障减少 70% 至 75 - 计划外停产减少 35% 至 45 - 产量提高 20% 至 25
当然，这些优势需要初始投资和学习阶段。与机器学习一样 PdM 依靠数据发展壮大。 - 现在就选择智能投资，收获丰厚回报。
今天选择智能投资，明天就能收获最佳性能。
要成功实施预测性维护解决方案，您需要在两个关键阶段进行战略性思考。 必要的！
1.确定理想的行动范围。
- 确定对机器停机影响最大的操作。
- 找出经常出现故障的机器。
- 分析影响质量缺陷的操作。
- 评估成本最高的业务。
2.鼓励人的基本参与。
- 让维护人员积极参与数据的使用和开发。
- 将预测性维护解决方案转化为直观的界面，将复杂的分析模型与每个人都能理解的语言联系起来 每个人都能理解的语言。
- 在学习阶段，利用他们的专业知识描述事件特征，提高故障预测的准确性，减少误报。 提高故障预测的准确性，减少误报。
让您的预测性维护部署成为一种流畅的协作体验，让团队中的每个成员都成为绩效的关键参与者。 绩效的关键角色。
嘘！这里有一些有用的提示！
为了产生立竿见影、可量化的效果，可选择针对几台关键设备开展试点项目。然后 选择效益明显的设备。因为，数据是基石 正确选择传感器至关重要！
通过有针对性的仪器，您可以最大限度地提高效率，限制所需的传感器数量。对于旋转机器 最佳配置可以监测振动、温度甚至声发射。
您的预测性维护项目始于战略性选择，并得到相关数据和优化传感器的支持。 传感器。敢于采用积极主动、可衡量的方法彻底改变您的运营。
1/ 确定并报告相关数据
选择传感器
数据是预测性维护项目的核心。根据所安装传感器的不同，可以通过限制传感器的数量来建立有效的监控，或者相反，利用各种传感器来扩大分析范围。例如，对于旋转机器而言，尽可能限制传感器数量的高效仪器设备可以监测 ： 振动 温度 甚至声发射。
根据机器类型，还可安装其他传感器来收集数据（非详尽清单）： 压力 电流 旋转部件的扭矩 机油/润滑油质量 发动机电路分析 超声波和声学分析 电磁测量。
传感器通信模式
有多种可能的架构可以使传感器将收集到的数据传输到云端或第三方企业资源规划系统。选择取决于 ： 工厂的规模 其配置：例如，是否有多个楼层、 是否有法拉第笼、 可用的广域网类型（4G/5G、LPWAN......）。 与数据、数据传输和存储（保密性）相关的内部安全规则的限制/约束
由于物联网传感器是无线的，因此不仅具有经济优势，而且易于部署：平均只需 5 分钟。
因此，有两种经典的部署方法： 云：可通过任何联网设备访问集中数据。这是一个数字平台，可通过 API 与 ERP 或 CMMS 系统集成。 内部部署：数据存储在工厂自己的服务器上。不过，它并不依赖于互联网连接，可确保最高级别的保密性。
2/ 数据分析和学习预测模型
这是预测性维护的最重要阶段，当然也是选择预测性维护解决方案的最重要标准。
创建预测（或预后）算法是一项艰巨而耗时的工作。其目的是建立一个考虑到众多变量及其相互影响方式的模型。
最初，安装的传感器生成的数据可通过设置阈值按原样使用。然后，处于待机模式的传感器会唤醒，并根据编程和配置的时间段进行完整的采集和分析：例如，振动分析为 10 分钟，这是一个很好的折中方案，因为频率越高，传感器电池的负荷就越大。
如果其中一个读数超过阈值，就会发出警报。这就是所谓的基于状态的维护。它可以实时监控机器的状态。通常还可以监测漂移：一系列读数未超过阈值，但显示出上升或下降趋势，则表明可能出现轻微恶化。
阈值可通过 3 种方式设置： 制造商传达的标准 维护团队积累的经验 从预测模型中学习
另一方面，基于状态的维护无法识别故障源，这就迫使维护团队检查机器以了解故障的性质。通过跨阈值操作，机器运行的外部来源将被考虑在内。因此，对机器的撞击或附近的噪声源等都可能产生错误警报。因此，维护团队的参与非常重要。收集、分析和用于监控超出阈值的数据可用于改进所选维护解决方案之前获得的模型。
其最终目的是通过考虑实际情况（即被监控机器的行为）来预测故障。
这些算法遵循一套预先确定的规则，将机器的当前行为与其预期行为进行比较。通过测量到的偏差，可以监控将导致故障的逐渐恶化过程。根据偏差、当前运行条件、过去的故障数据以及数据模型中的所有其他变量，算法会尝试预测故障点。
因此，所选预测性维护解决方案的经验至关重要。正是这种以往的经验使算法能够迅速成熟，或者在最佳情况下，能够将即插即用型预测性维护解决方案应用于常见类型的机器，如电机、泵或空气处理装置。
3/ 从试点到全厂实施的过渡
几周/几个月过去了，解决方案似乎很有前途，或者已经提供了令人满意的维护建议，详细说明了问题的根源、严重程度、随时间的演变以及未来的估计：就这样决定了，将对关键机器或几乎所有设备进行部署。这需要一定的组织能力。
不过，虽然规模不一样，但阶段是一样的。传感器的安装和预测算法的学习与几周或几个月前建立的试点项目非常相似。但需要特别注意的是，要对现在可以使用预测性维护工具的团队进行培训。
预测性维护并不能取代维护团队，而是技术人员工具箱中的一个额外元素。它可以让技术人员专注于技术性更强的工作。更妙的是，在一些公司，物联网传感器的部署有助于提高某些领域的安全性。
投资回报率显然是项目的核心。如果试点工作进行得当，在推广项目之前很容易估算出投资回报率。商业案例可用于估算工厂层面的效益，甚至是同一集团内一组工厂的效益。
