浅谈预测性维护在智能工厂中的应用

◆李维峰

（中国飞行试验研究院陕西 710089）

制造业中的维护和可靠性专业人员面临许多挑战，但是任何维护组织的目标始终是相同的：最大化资产可用性。所谓资产，简而言之就是固定资产，即车间中将原材料变成成品的机器。

如今，不良的维护策略可能会使工厂的整体生产能力降低5%至20%。最近的研究还表明，计划外的停机时间每年给工业制造商造成的损失估计为500亿美元。这引出了一个问题：“一台机器使用多久之后需要下线维修？”传统上，这种困境迫使大多数维护组织陷入一种折中的局面，他们不得不在最大化零件的使用寿命或者通过尽早更换可能的零件来最大化正常运行的时间二者之间进行选择。基于时间的预防性维护已证明对大多数设备组件无效。

通常，通过运行工具或机器组件直到它们失效，可以最大程度地利用它们。但是随着零件开始振动，过热和破裂，这可能会导致灾难性的机器损坏。而且，尽管对于某些资产而言，运行失败可能是一种可接受的方法，但计划外停机几乎总是更昂贵且更耗时间进行纠正。相反，您可能会考虑更频繁地更换零件和维修设备。但这不仅会随着时间的流逝而增加更换成本，还会增加计划内的停机时间和运营中断。

备件管理提出了类似的挑战，感觉就像是持续不断的平衡行为。在预算有限的情况下，维护专业人员必须评估所需的零件以及何时购买它们。如果在需要时没有备件或订购备件，则在等待更换零件时，资产的停机时间可能为数天至数周甚至数月之久[1]。这通常会导致备件库存的积累，这不仅占用了营运资金，而且增加过多和过时的风险。

预测性维护（PdM）旨在通过授权公司最大程度地延长零件的使用寿命，同时避免计划外的停机时间并最大程度地减少计划内的停机时间来打破这些折衷。随着用于制造业的工业4.0的出现，公司能够利用新技术来实时监视和深入了解其运营，从而将典型的制造工厂转变为智能工厂。简而言之，智能工厂就是配备了能够使机器对机器（M2M）和机器对人（M2H）通信与分析和认知技术相结合的技术，从而使我们可以正确，及时地做出决策。

PdM（已经在我们耳边萦绕多年）利用多源数据，例如关键设备传感器，企业资源计划（ERP）系统，计算机化维护管理系统（CMMS）和生产数据。智能工厂管理系统将此数据与高级预测模型和分析工具结合在一起，以预测故障并主动解决。此外，随着时间的流逝，新的机器学习技术可以提高预测算法的准确性，从而带来更好的性能。

相比之下，传统的预防性维护（PM）程序通常需要非常耗时的手动数据处理和分析，才能从收集的数据中获得真正的洞察力。尽管许多人在这些策略上取得了一些成功，但它们通常严重依赖于经验进行估计，或者需要深度知识和对每台独立设备的不断分析，以保持准确性。

为了实现最大化机器可用性的维护目标，著名的德勤公司甚至确定了在工业4.0时代[2]运营的所有制造公司的两个主要业务目标：

1）经营业务；

2）增长业务。

一般增长业务聚焦于业务上线的增长，而经营业务则旨在消减成本。PdM技术可以从多个来源和旧系统中提取数据，以提供实时的高级见解，从而使计算机系统可以轻松地进行日常工作，从而使维护管理人员可以更有效地部署资源。

1 技术探索

根据设计或默认情况，跨行业的维护组织处于不同的成熟阶段。有些可能正在基于估计或OEM建议进行定期维护检查，而其他一些可能会使用针对每种固定资产量身定制的基于统计的程序。但是，其他一些公司，尤其是航空航天和能源领域的公司，已经在对其资产进行连续监视技术，但是可能仅监视数据的输出，而不是利用先进的预测模型。

像其他任何事情一样，从预防性维护和以可靠性为中心的维护的一些基础开始，同时采取一两个合适的资产试行PdM，就存在着朝着可靠性优化的方向迈出的步骤。这些试点之一的主要资产应该是运营不可或缺的组成部分，并且必须以一定的规律性失败才能创建基线预测算法。

现在，PdM的想法听起来很诱人。但是它如何工作？组成智能工厂的许多技术不一定是新技术，而是变得更实惠，更健壮，更先进，并且已集成到业务中。与20年前相比，计算，存储和网络带宽现在都只花费几分之一，这使试点和扩展在财务上可行。

让我们探究组成智能工厂并使PdM成为可能的一些技术。

2 物联网

物联网（IoT）可能是PdM难题中最大的部分。我们所知道的互联网已将您的笔记本电脑和移动设备连接到大型服务器场，这些服务器场中充满了用HTML编码的网站数据。物联网类似，但是数据是从资产到企业服务器的连续流。物联网使用温度，振动或电导率等传感器将机器的物理动作转换为数字信号。数据还可以从其他来源流式传输，例如机器的可编程逻辑控制器（PLC），制造执行系统（MES）终端，CMMS甚至是ERP系统。物联网完成了“物理到数字再到物理（P-D-P）”这个循环的前半部分（如图1所示）。这种智能工厂概念是在德勤关于“数字供应网络的兴起”的讨论中引入的。一旦通过传感器将物理动作转换为数字信号，即可对其进行处理，汇总和分析。凭借价格合理的带宽和存储能力，可以传输大量数据，从而不仅可以全面了解单个工厂中的资产情况，还可以显示整个生产网络。

图1 P-D-P循环

3 分析与可视化

P-D-P循环的第二步是使用高级分析和预测算法分析和可视化数字信号。高级商业智能（BI）工具不再仅适用于数据科学家。许多分析平台已开始为非结构化数据，认知技术，机器学习和可视化集成高级解决方案。与生产过程有更多联系的运营分析师可以使用专门为日常用户创建的现代API（应用程序接口）轻松创建仪表板。

另一个趋势是数据移回边缘。与在使用点存储工具的精益技术类似，数据计算将在“边缘”进行，这意味着它在生成它的机器上进行处理。结果可以直接传达给机器操作员和维护技术人员。随着数据开始接近ZB量级，边缘计算通过将一些处理工作分配给网络的外部节点来减轻核心网络流量并提高应用程序性能，从而减轻了计算机网络的总体负担。

4 闭环P-D-P循环

最后，在对信号进行处理，分析和可视化之后，是时候将这些结果转化为实际行动了。在某些情况下，得出的数字结论可能会指示机器人或机器更改其功能。在其他情况下，维护警报将促使技术人员采取行动。考虑一种情况，在这种情况下，预测算法将触发公司CMMS系统中维护工作订单的创建，检查ERP系统中是否有备用零件，并自动为任何所需的其他零件创建采购请求。然后，维护经理只需批准工作流中的项目并派遣适当的技术人员，这些操作都是自动化的，并且可以在计划外停机之前执行。

5 潜在优势

思考之初，挑战似乎难以克服。但是，数字化转型的好处远大于风险。这些好处包括：

1）节省物料成本（运营和MRO物料支出中的5-10%）；

2）降低存货成本；

3）设备正常运行时间和可用性增加（10-20%）；

4）减少维护计划时间（20-50%）；

5）降低了总体维护成本（5%至10%）；

6）改进的HS＆E合规性；

7）减少花费在暴力信息提取和验证上的时间；

8）花更多的时间在数据驱动的问题解决上；

9）与计划，绩效和责任制的明确联系；

10）对数据和信息更有信心，从而拥有决策权。

6 成功的七个关键要素

单靠技术无法使您完全实现预测性维护，您还需要关注流程和组织的变化。成功的维护组织应该能够在需要的任何时间和地点部署所有适当的资源（人力资源，技术说明/参考材料，备件和工具）以支持运营。为此，有许多关键领域需要解决。公司常常会花时间和金钱在主要技术增强上，例如更健壮的计算机管理的维护系统（CMMS）或可靠性软件，而没有首先将注意力集中在组织的某些更基本要素上。应该理解的是，没有“葵花宝典”式的计算机解决方案可以减轻对某些初期地面工作的需求，包括确定哪种类型的维护组织和方法学适合特定操作。为了优化维护组织，应考虑七个主要重点领域（参见图2）。

维护策略和过程是任何成功的维护组织的核心要素。这里需要特别注意的是，虽然技术是关键的推动力（也是本文的重点），但它只是成功的七个支柱之一。没有基本的构建模块，对技术的投资可能永远不会产生预期的结果。还应该理解，并非所有公司都要求其资产具有相同级别的可靠性。一个不错的起点是评估组织的任务要求和维护计划的成熟度。问问自己以下一些问题：

1）我们的资产需要多可靠？我们的可用性目标是什么？

2）我们的技术人员是否具备执行所需工作的正确技能？

3）我们是否在正确的时间在正确的位置提供了正确的备件？

4）我们的流程是否文件齐全，可访问且有用？

5）我们有合适的工具来完成这项工作吗？

6）我们如何确定何时该更换资产而不是维护资产？

7）我们已经拥有哪些数据没有得到有效利用？

8）我们是否已确定生产系统中的关键资产？

9）是否有一些关键资产可以从PdM试点中受益？

10）PdM在我们整个企业中的价值是什么？

无论是大企业还是小企业，如果没有考虑基础维护策略和流程以及与之相关的技术，任何维护组织都无法成功。

图2 成功的七个关键要素

7 总结

智能工厂和PdM是未来。并且选择是无止境的。但是，确定下一步应该是什么，或者如何通过投资于维护优化来提升价值可能会让人不知所措。本浅析了预测性维护在智能工厂中的应用，抛砖引玉，希望能引起业内专家的注意，共同讨论研究。