預測性維護(Predictive Maintenance,簡稱PdM)是一種先進的維護策略。它通過收集設(shè)備運行數(shù)據(jù),利用數(shù)據(jù)分析和建模技術(shù),識別出設(shè)備的潛在故障或性能下降趨勢,從而提前進行維護操作,以避免設(shè)備故障導致的生產(chǎn)中斷或安全事故。預測性維護通常關(guān)注設(shè)備的某一特定部分或系統(tǒng),并對其進行有針對性的監(jiān)測和診斷,側(cè)重于設(shè)備的故障預測和預防性維護,并實現(xiàn)運維成本最優(yōu)。因此,與事后維修、周期性預防維護、基于狀態(tài)的維護相比,預測性維護可以最大限度地減少意外停機時間,延長設(shè)備壽命,并降低維護成本。
近年來,隨著傳感器、人工智能、工業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的蓬勃發(fā)展,預測性維護受到市場廣泛關(guān)注與重視。據(jù)物聯(lián)網(wǎng)市場調(diào)研機構(gòu)IoT Analytics最新一版的《2023—2028年預測性維護和資產(chǎn)性能市場報告》顯示,預計到2028年,預測性維護市場將以每年17%的速度增長。
然而,作為一門融合了計算機科學、數(shù)據(jù)科學、大數(shù)據(jù)、人工智能、工業(yè)軟件和物聯(lián)網(wǎng)、工程領(lǐng)域?qū)<抑R以及統(tǒng)計學等多個學科的復雜技術(shù),預測性維護的推進不僅需要企業(yè)具備高水平的技術(shù)能力和綜合性的跨領(lǐng)域技術(shù)人才,也需要一套系統(tǒng)化的落地實施方法論。
與眾多以數(shù)據(jù)驅(qū)動為核心的技術(shù)類似,預測性維護的推進主要涵蓋需求定義、模型開發(fā)及部署上線等關(guān)鍵環(huán)節(jié)(如下圖)。本文將結(jié)合預測性維護系統(tǒng)的建立過程,總結(jié)預測性維護落地實施的七大策略,以期為企業(yè)提供啟示與借鑒。
1、確立明確的目標,做好前期評估
確立明確的實施目標,是防止預測性維護項目方向偏移的關(guān)鍵。在項目實施前,企業(yè)應(yīng)分析現(xiàn)有維護體系的主要痛點和不足:是設(shè)備故障導致生產(chǎn)節(jié)拍頻繁被打斷?或是產(chǎn)品品質(zhì)一致性難以保證?亦或是運維成本過高?針對這些痛點,企業(yè)需要明確通過預測性維護解決的關(guān)鍵問題,是實現(xiàn)故障預測?還是產(chǎn)能或產(chǎn)品質(zhì)量改善?其核心目標仍應(yīng)圍繞“提質(zhì)增效,降本減存”等方面。
在確定核心目標后,企業(yè)還應(yīng)進行執(zhí)行前的可行性研究和評估。全面評估企業(yè)當前制造水平,識別企業(yè)與推進預測性維護之間的技術(shù)差距,制定分階段實施計劃,并估算投入成本與預期回報之間的關(guān)系,是否值得投入。還應(yīng)考慮現(xiàn)有人員配備情況,以及特殊設(shè)備對應(yīng)的預測性維護技術(shù)的成熟度。
2、選擇合適且速贏的場景切入
對于預測性維護來說,建模方法千萬條,選對場景第一條。建議企業(yè)選擇最需要關(guān)注且能夠快速見效的實施對象。
首先,企業(yè)需根據(jù)當前生產(chǎn)表現(xiàn)相關(guān)指標,明確監(jiān)控的層級,是部件級、設(shè)備級、產(chǎn)線級還是工廠級。例如,針對設(shè)備停機,要深入分析是特定部件頻繁故障導致的停機,還是產(chǎn)線間缺乏有效的生產(chǎn)協(xié)同而引起的,找到關(guān)鍵瓶頸,確定需要監(jiān)控的關(guān)鍵部件或環(huán)節(jié)。
其次,預測性維護并不適用于所有對象。它更適用于故障發(fā)生頻率不高,但一旦發(fā)生會導致長時間停機和高額經(jīng)濟損失的設(shè)備。企業(yè)可以通過四象圖來作判定設(shè)備優(yōu)先級,縱軸代表部件故障發(fā)生頻率,橫軸表示故障發(fā)生造成的停機時間及經(jīng)濟損失(如下圖)。
其中,對于故障發(fā)生頻率高,不易維修且經(jīng)濟損失大的設(shè)備,更應(yīng)考慮設(shè)備設(shè)計的問題,需改進設(shè)計;對于故障發(fā)生頻率高,但經(jīng)濟損失小,且容易更換的設(shè)備,準備更多備件即可;對于故障發(fā)生頻率低,經(jīng)濟損失小,維修維護容易的設(shè)備,采用傳統(tǒng)維護方式更具性價比。而對于故障發(fā)生頻率低,但影響重大的設(shè)備,實施預測性維護能夠更顯著地凸顯其價值。
此外,企業(yè)還需對實施對象進行可行性評估,包括考慮設(shè)備數(shù)據(jù)收集的情況,如數(shù)據(jù)的完整性、可靠性,基于收集的數(shù)據(jù)能否評估部件的衰退程度,以及考慮應(yīng)用開發(fā)成本、故障發(fā)生模式等。
值得的一提的是,選擇快速見效的項目,不僅可以驗證技術(shù)方法論的可行性,還能增強團隊繼續(xù)執(zhí)行項目的信心,并快速檢驗特定場景是否具備大規(guī)模實施的可行性。
3、突破小數(shù)據(jù)瓶頸
對于預測性維護而言,數(shù)據(jù)量多少足夠?是否越多越好?從理論上看,“足夠”的數(shù)據(jù)量可以為預測模型提供更豐富的信息和更準確的故障模式識別,從而提高預測的準確性。然而,在工業(yè)領(lǐng)域,獲取足夠大的數(shù)據(jù)量并不總是現(xiàn)實或可行的。
因此,推進預測性維護,企業(yè)需要解決小數(shù)據(jù)的問題。即通過定義問題的邊界,來確定數(shù)據(jù)采集的范圍。如是監(jiān)控某個關(guān)鍵部件、設(shè)備,還是整條產(chǎn)線?是實現(xiàn)異常監(jiān)控和報警,還是故障模式判定?不同的預期目標、不同的監(jiān)控對象/層級、不同的需求,對于傳感器的部署,數(shù)據(jù)來源的設(shè)計,采集頻率、數(shù)據(jù)量大小的要求等都不一樣,可結(jié)合競爭性測算對成本、潛在收益等進行綜合評估來確定。另外,還可以基于原因分析,開展有針對性的數(shù)據(jù)采集。企業(yè)基于對設(shè)備基理的深入理解,對可能導致故障的各種原因進行一一列舉,并找到與故障成因最相關(guān)的因素,進行數(shù)據(jù)采集。通過這種方式,數(shù)據(jù)采集的范圍更精確,模型的準確度也更高。
總之,數(shù)據(jù)收集是一個逐步積累的過程,數(shù)據(jù)量也并非越多越好,“正確的數(shù)據(jù)”遠比有量無質(zhì)的“大數(shù)據(jù)”更好,無關(guān)的數(shù)據(jù)反而會讓模型的性能偏離。
4、增強模型的魯棒性和泛化性
模型的準確性和可靠性是衡量預測性維護項目成功的關(guān)鍵因素。為有效提高模型的準確性,除了加強數(shù)據(jù)采集和處理、深入研究設(shè)備機理、優(yōu)化模型結(jié)構(gòu)和參數(shù)設(shè)置以及建立有效的模型驗證機制等措施,確保模型在動態(tài)工況下的自適應(yīng)更新能力同樣至關(guān)重要,即提高模型的魯邦性和泛化性。
魯棒性強的模型能夠抵御各種干擾和變化,保持穩(wěn)定性能;而泛化性好的模型則能夠適用于不同的數(shù)據(jù)分布,不僅在訓練數(shù)據(jù)上表現(xiàn)良好,而且在新的、真實的數(shù)據(jù)分布上也能保持性能。在業(yè)界,主要利用貝葉斯優(yōu)化、遷移學習、深度學習的神經(jīng)網(wǎng)絡(luò)等方法,確保數(shù)據(jù)分布發(fā)生變化時模型的魯棒性和泛化性。不過,還需要建立一套完善的模型評估機制來確保模型的持續(xù)有效性,包括判斷訓練數(shù)據(jù)分布是否發(fā)生變化,以及更新后的模型是否滿足當前的工作狀況。模型在運行過程中,還應(yīng)對模型進行持續(xù)的修正、迭代和完善。
5、注重與現(xiàn)有維護運營體系的緊密融合
為確保預測性維護項目成功復制推廣,企業(yè)應(yīng)注重預測性維護技術(shù)與企業(yè)現(xiàn)有的維護運營體系緊密結(jié)合,包括與其他維護方式的有效協(xié)同,與現(xiàn)場維護人員操作習慣相匹配,以及與企業(yè)其他業(yè)務(wù)系統(tǒng)的集成等方面。
現(xiàn)場維護人員是維護活動的直接執(zhí)行者,他們對系統(tǒng)的接受程度和使用熟練度直接影響系統(tǒng)的效能。因此,系統(tǒng)在設(shè)計時應(yīng)充分考慮現(xiàn)場維護人員的操作習慣和需求,提供簡潔直觀的用戶界面,確保易用性,以便他們能夠迅速上手,無需長時間的培訓和學習。還需加強對維護人員的培訓和教育。另外,實現(xiàn)系統(tǒng)與企業(yè)其他業(yè)務(wù)系統(tǒng)(如ERP、MES等)的無縫對接,是確保數(shù)據(jù)一致性和流程協(xié)同的關(guān)鍵。
6、避免將預測準確率作為項目成敗的唯一標準
預測性維護是一種面向維護活動的策略設(shè)計,核心在于將預測結(jié)果作為整個維修維護活動的輸入或參考,實現(xiàn)對整個維護策略或流程的優(yōu)化。從這個層面來看,預測性維護的價值不僅僅在于其技術(shù)實現(xiàn),更在于它對整個企業(yè)維護經(jīng)營活動的積極影響。因此,將準確率作為預測性維護項目成敗的唯一指標是有局限性的。
另外,預測性維護價值鏈路較長且復雜,涉及數(shù)據(jù)收集、模型訓練、維護策略制定等多個環(huán)節(jié),不同于數(shù)據(jù)來源穩(wěn)定、工作目標單一的應(yīng)用場景,比如視覺檢測,主要關(guān)注合格率,
可以將準確性作為關(guān)鍵衡量指標。建議企業(yè)在追求模型準確性的同時,從多角度更全面地評估預測性維護項目的成效。包括:項目實施后設(shè)備故障率的降低程度、維護成本的節(jié)約情況、生產(chǎn)效率的提升程度等指標;模型的穩(wěn)定性、可靠性、易用性、可解釋性等。
7、加強與AI技術(shù)的整合與應(yīng)用
AI技術(shù)的快速發(fā)展,為實現(xiàn)更加準確和高效的預測性護提供了全新的可能性。AI技術(shù)具有強大的數(shù)據(jù)處理、模式識別和學習能力,能夠為預測性維護提供強大的技術(shù)支持。
數(shù)據(jù)采集與處理:AI可以根據(jù)不同的需求和場景,制定并優(yōu)化采集策略,包括傳感器的布置,在保證經(jīng)濟性的同時,采集到所需要的數(shù)據(jù);數(shù)據(jù)采集測點優(yōu)化,如優(yōu)化傳感器和監(jiān)控設(shè)備的布置和數(shù)量;識別和糾正數(shù)據(jù)中的錯誤、重復和異常值,提高數(shù)據(jù)的質(zhì)量。
特征提取:AI輔助的特征工程可以幫助提取關(guān)鍵特征和選擇最優(yōu)性能參數(shù),剔除冗余信息;通過機器學習算法可自動發(fā)現(xiàn)隱藏的模式和關(guān)聯(lián)。
模型訓練與驗證:基于不同的場景應(yīng)用,AI使用機器學習算法,如回歸分析、決策樹、支持向量機、隨機森林和深度學習等來訓練模型。通過交叉驗證等技術(shù),AI可以評估模型的穩(wěn)健性和準確性。模型上線后,AI可通過遷移學習、貝葉斯優(yōu)化等方法支持模型的持續(xù)迭代更新。
決策支持:強化學習可以根據(jù)預測結(jié)果,幫助制定維護策略,指導現(xiàn)場的運營活動;大模型還可以幫助工程師生成典型的點巡檢運維SOP(標準操作程序)。
總之,技術(shù)終究只是實現(xiàn)目標的工具,推進預測性維護的關(guān)鍵在于如何設(shè)定更清晰的改善目標,如何與企業(yè)現(xiàn)有的維護運營體系融合,如何推動組織文化的轉(zhuǎn)變,實現(xiàn)企業(yè)運維模式的全面革新和升級。在這一過程中,專業(yè)知識和實踐經(jīng)驗的積累也至關(guān)重要。為了幫助企業(yè)和工程師們更好地掌握智能運維的最新理念和技術(shù),e-works特別推出了“智能運維與設(shè)備健康管理高級研修班”。
“智能運維與設(shè)備健康管理高級研修班”將邀請業(yè)內(nèi)知名技術(shù)專家與優(yōu)秀企業(yè),圍繞“智能運維與設(shè)備健康管理的關(guān)鍵技術(shù),設(shè)備狀態(tài)監(jiān)測和故障診斷、智能運維及制造服務(wù)化轉(zhuǎn)型實施要,以及設(shè)備狀態(tài)監(jiān)測、PHM技術(shù)、MRO平臺的應(yīng)用與落地方法”展開精彩授課。具體亮點包括:
●一站式學習智能運維與設(shè)備健康管理的先進管理理念與前沿技術(shù)應(yīng)用。深入學習設(shè)備故障診斷與健康管理、預測性維護技術(shù)、智能運維等前沿數(shù)字化技術(shù)在設(shè)備管理中的應(yīng)用。
●講深講透設(shè)備狀態(tài)監(jiān)測與故障診斷。從設(shè)備的數(shù)據(jù)采集、監(jiān)測到設(shè)備健康狀態(tài)評估、故障診斷的方法,全面學習設(shè)備狀態(tài)監(jiān)測與故障診斷的路徑與方法,并通過具體案例分析指導學員掌握實踐經(jīng)驗與技巧。
●深入學習設(shè)備管理的高階應(yīng)用——設(shè)備的預測性維護。學習預測性維護的定義、技術(shù)概念、系統(tǒng)開發(fā)流程、企業(yè)實施的路徑與方法等。
●結(jié)合企業(yè)轉(zhuǎn)型熱點,學習產(chǎn)品/裝備服務(wù)化轉(zhuǎn)型的拓展應(yīng)用。
當前培訓班報名已進入倒計時!e-works誠摯邀請制造企業(yè)生產(chǎn)/設(shè)備主管及技術(shù)骨干、CIO、IT經(jīng)理、EAM/PHM項目經(jīng)理等參加。
詳情及報名:https://www.e-works.net.cn/report/20240822znyw/znyw.html