預(yù)測性維護(hù)（Predictive Maintenance，簡稱PdM）是一種先進(jìn)的維護(hù)策略。它通過收集設(shè)備運(yùn)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(jìn)行維護(hù)操作，以避免設(shè)備故障導(dǎo)致的生產(chǎn)中斷或安全事故。預(yù)測性維護(hù)通常關(guān)注設(shè)備的某一特定部分或系統(tǒng)，并對其進(jìn)行有針對性的監(jiān)測和診斷，側(cè)重于設(shè)備的故障預(yù)測和預(yù)防性維護(hù)，并實(shí)現(xiàn)運(yùn)維成本最優(yōu)。因此，與事后維修、周期性預(yù)防維護(hù)、基于狀態(tài)的維護(hù)相比，預(yù)測性維護(hù)可以最大限度地減少意外停機(jī)時間，延長設(shè)備壽命，并降低維護(hù)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(yù)測性維護(hù)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(jī)構(gòu)IoT Analytics最新一版的《2023—2028年預(yù)測性維護(hù)和資產(chǎn)性能市場報告》顯示，預(yù)計到2028年，預(yù)測性維護(hù)市場將以每年17%的速度增長。
　　
　　然而，作為一門融合了計算機(jī)科學(xué)、數(shù)據(jù)科學(xué)、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(xué)等多個學(xué)科的復(fù)雜技術(shù)，預(yù)測性維護(hù)的推進(jìn)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(shí)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(yù)測性維護(hù)的推進(jìn)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(yù)測性維護(hù)系統(tǒng)的建立過程，總結(jié)預(yù)測性維護(hù)落地實(shí)施的七大策略，以期為企業(yè)提供啟示與借鑒。
　　
　　預(yù)測性維護(hù)實(shí)施路徑
　　（參考資料:馮建設(shè)博士PHM課程資料，e-works整理）
　　
　　1、確立明確的目標(biāo)，做好前期評估
　　
　　確立明確的實(shí)施目標(biāo)，是防止預(yù)測性維護(hù)項(xiàng)目方向偏移的關(guān)鍵。在項(xiàng)目實(shí)施前，企業(yè)應(yīng)分析現(xiàn)有維護(hù)體系的主要痛點(diǎn)和不足：是設(shè)備故障導(dǎo)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(yùn)維成本過高？針對這些痛點(diǎn)，企業(yè)需要明確通過預(yù)測性維護(hù)解決的關(guān)鍵問題，是實(shí)現(xiàn)故障預(yù)測？還是產(chǎn)能或產(chǎn)品質(zhì)量改善？其核心目標(biāo)仍應(yīng)圍繞“提質(zhì)增效，降本減存”等方面。
　　
　　在確定核心目標(biāo)后，企業(yè)還應(yīng)進(jìn)行執(zhí)行前的可行性研究和評估。全面評估企業(yè)當(dāng)前制造水平，識別企業(yè)與推進(jìn)預(yù)測性維護(hù)之間的技術(shù)差距，制定分階段實(shí)施計劃，并估算投入成本與預(yù)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(yù)測性維護(hù)技術(shù)的成熟度。
　　
　　2、選擇合適且速贏的場景切入
　　
　　對于預(yù)測性維護(hù)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(shí)施對象。
　　
　　首先，企業(yè)需根據(jù)當(dāng)前生產(chǎn)表現(xiàn)相關(guān)指標(biāo)，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(jī)，要深入分析是特定部件頻繁故障導(dǎo)致的停機(jī)，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(yù)測性維護(hù)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(dǎo)致長時間停機(jī)和高額經(jīng)濟(jì)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(jī)時間及經(jīng)濟(jì)損失（如下圖）。
　　
　　預(yù)測性維護(hù)實(shí)施對象選擇方法
　　（來源:馮建設(shè)博士PHM課程資料）
　　
　　其中，對于故障發(fā)生頻率高，不易維修且經(jīng)濟(jì)損失大的設(shè)備，更應(yīng)考慮設(shè)備設(shè)計的問題，需改進(jìn)設(shè)計；對于故障發(fā)生頻率高，但經(jīng)濟(jì)損失小，且容易更換的設(shè)備，準(zhǔn)備更多備件即可；對于故障發(fā)生頻率低，經(jīng)濟(jì)損失小，維修維護(hù)容易的設(shè)備，采用傳統(tǒng)維護(hù)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(shí)施預(yù)測性維護(hù)能夠更顯著地凸顯其價值。
　　
　　此外，企業(yè)還需對實(shí)施對象進(jìn)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(xiàng)目，不僅可以驗(yàn)證技術(shù)方法論的可行性，還能增強(qiáng)團(tuán)隊(duì)繼續(xù)執(zhí)行項(xiàng)目的信心，并快速檢驗(yàn)特定場景是否具備大規(guī)模實(shí)施的可行性。
　　
　　3、突破小數(shù)據(jù)瓶頸
　　
　　對于預(yù)測性維護(hù)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(yù)測模型提供更豐富的信息和更準(zhǔn)確的故障模式識別，從而提高預(yù)測的準(zhǔn)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(shí)或可行的。
　　
　　因此，推進(jìn)預(yù)測性維護(hù)，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(shí)現(xiàn)異常監(jiān)控和報警，還是故障模式判定？不同的預(yù)期目標(biāo)、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(jìn)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(dǎo)致故障的各種原因進(jìn)行一一列舉，并找到與故障成因最相關(guān)的因素，進(jìn)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(zhǔn)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(yuǎn)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(qiáng)模型的魯棒性和泛化性
　　
　　模型的準(zhǔn)確性和可靠性是衡量預(yù)測性維護(hù)項(xiàng)目成功的關(guān)鍵因素。為有效提高模型的準(zhǔn)確性，除了加強(qiáng)數(shù)據(jù)采集和處理、深入研究設(shè)備機(jī)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(yàn)證機(jī)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(qiáng)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(xùn)練數(shù)據(jù)上表現(xiàn)良好，而且在新的、真實(shí)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(xué)習(xí)、深度學(xué)習(xí)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(jī)制來確保模型的持續(xù)有效性，包括判斷訓(xùn)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(dāng)前的工作狀況。模型在運(yùn)行過程中，還應(yīng)對模型進(jìn)行持續(xù)的修正、迭代和完善。
　　
　　5、注重與現(xiàn)有維護(hù)運(yùn)營體系的緊密融合
　　
　　為確保預(yù)測性維護(hù)項(xiàng)目成功復(fù)制推廣，企業(yè)應(yīng)注重預(yù)測性維護(hù)技術(shù)與企業(yè)現(xiàn)有的維護(hù)運(yùn)營體系緊密結(jié)合，包括與其他維護(hù)方式的有效協(xié)同，與現(xiàn)場維護(hù)人員操作習(xí)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(hù)人員是維護(hù)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(hù)人員的操作習(xí)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(xùn)和學(xué)習(xí)。還需加強(qiáng)對維護(hù)人員的培訓(xùn)和教育。另外，實(shí)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(yù)測準(zhǔn)確率作為項(xiàng)目成敗的唯一標(biāo)準(zhǔn)
　　
　　預(yù)測性維護(hù)是一種面向維護(hù)活動的策略設(shè)計，核心在于將預(yù)測結(jié)果作為整個維修維護(hù)活動的輸入或參考，實(shí)現(xiàn)對整個維護(hù)策略或流程的優(yōu)化。從這個層面來看，預(yù)測性維護(hù)的價值不僅僅在于其技術(shù)實(shí)現(xiàn)，更在于它對整個企業(yè)維護(hù)經(jīng)營活動的積極影響。因此，將準(zhǔn)確率作為預(yù)測性維護(hù)項(xiàng)目成敗的唯一指標(biāo)是有局限性的。
　　
　　另外，預(yù)測性維護(hù)價值鏈路較長且復(fù)雜，涉及數(shù)據(jù)收集、模型訓(xùn)練、維護(hù)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(biāo)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(zhǔn)確性作為關(guān)鍵衡量指標(biāo)。建議企業(yè)在追求模型準(zhǔn)確性的同時，從多角度更全面地評估預(yù)測性維護(hù)項(xiàng)目的成效。包括：項(xiàng)目實(shí)施后設(shè)備故障率的降低程度、維護(hù)成本的節(jié)約情況、生產(chǎn)效率的提升程度等指標(biāo)；模型的穩(wěn)定性、可靠性、易用性、可解釋性等。
　　
　　7、加強(qiáng)與AI技術(shù)的整合與應(yīng)用
　　
　　AI技術(shù)的快速發(fā)展，為實(shí)現(xiàn)更加準(zhǔn)確和高效的預(yù)測性護(hù)提供了全新的可能性。AI技術(shù)具有強(qiáng)大的數(shù)據(jù)處理、模式識別和學(xué)習(xí)能力，能夠?yàn)轭A(yù)測性維護(hù)提供強(qiáng)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(jì)性的同時，采集到所需要的數(shù)據(jù)；數(shù)據(jù)采集測點(diǎn)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(fù)和異常值，提高數(shù)據(jù)的質(zhì)量。
　　
　　特征提?。篈I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(jī)器學(xué)習(xí)算法可自動發(fā)現(xiàn)隱藏的模式和關(guān)聯(lián)。
　　
　　模型訓(xùn)練與驗(yàn)證：基于不同的場景應(yīng)用，AI使用機(jī)器學(xué)習(xí)算法，如回歸分析、決策樹、支持向量機(jī)、隨機(jī)森林和深度學(xué)習(xí)等來訓(xùn)練模型。通過交叉驗(yàn)證等技術(shù)，AI可以評估模型的穩(wěn)健性和準(zhǔn)確性。模型上線后，AI可通過遷移學(xué)習(xí)、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(qiáng)化學(xué)習(xí)可以根據(jù)預(yù)測結(jié)果，幫助制定維護(hù)策略，指導(dǎo)現(xiàn)場的運(yùn)營活動；大模型還可以幫助工程師生成典型的點(diǎn)巡檢運(yùn)維SOP（標(biāo)準(zhǔn)操作程序）。
　　
　　總之，技術(shù)終究只是實(shí)現(xiàn)目標(biāo)的工具，推進(jìn)預(yù)測性維護(hù)的關(guān)鍵在于如何設(shè)定更清晰的改善目標(biāo)，如何與企業(yè)現(xiàn)有的維護(hù)運(yùn)營體系融合，如何推動組織文化的轉(zhuǎn)變，實(shí)現(xiàn)企業(yè)運(yùn)維模式的全面革新和升級。在這一過程中，專業(yè)知識和實(shí)踐經(jīng)驗(yàn)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(yùn)維的最新理念和技術(shù)，e-works特別推出了“智能運(yùn)維與設(shè)備健康管理高級研修班”。
　　
　　“智能運(yùn)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(yùn)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(yùn)維及制造服務(wù)化轉(zhuǎn)型實(shí)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(diǎn)包括：
　　
　　●一站式學(xué)習(xí)智能運(yùn)維與設(shè)備健康管理的先進(jìn)管理理念與前沿技術(shù)應(yīng)用。深入學(xué)習(xí)設(shè)備故障診斷與健康管理、預(yù)測性維護(hù)技術(shù)、智能運(yùn)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(xué)習(xí)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(dǎo)學(xué)員掌握實(shí)踐經(jīng)驗(yàn)與技巧。
　　
　　●深入學(xué)習(xí)設(shè)備管理的高階應(yīng)用——設(shè)備的預(yù)測性維護(hù)。學(xué)習(xí)預(yù)測性維護(hù)的定義、技術(shù)概念、系統(tǒng)開發(fā)流程、企業(yè)實(shí)施的路徑與方法等。
　　
　　●結(jié)合企業(yè)轉(zhuǎn)型熱點(diǎn)，學(xué)習(xí)產(chǎn)品/裝備服務(wù)化轉(zhuǎn)型的拓展應(yīng)用。
　　
　　當(dāng)前培訓(xùn)班報名已進(jìn)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(xiàng)目經(jīng)理等參加。
　　
　　詳情及報名：https://www.e-works.net.cn/report/20240822znyw/znyw.html