预测性维护(PDM) - 主动维护做出预测

预测性维护(PDM)似乎总是喜欢完美的使用情况为vwin免佣百家乐 (物联网),更特别为物联网产业(IIoT)和环境的正常运行时间在那里特定资产是非常关键和故障可以有重要的影响有以下几个原因。

的预测性维护成功的基础是预测精度,并与企业维护过程的预测模型的输出的连接(扬·布里安IDC Manufacturing Insights的)

难怪预测维护仍然是中最常提到的用例之一徳赢中国 。PdM不仅仅是关于智能制造,虽然。产业/与预测性维护的用例区段还包括运输,石油和天然气,加工行业整体,和充足的细分关键电源环境。简而言之:在场景和用例,其中的PdM使得大部分 - 商业价值 - 感。

其中许多经常在工业4.0的范围内引用的主要技术(能够)起到预测性维护以及其演进作用:大数据,AI和ML(人工智能和机器学习),物联网,云计算,数据分析以及越来越多的边缘计算和数字双胞胎。

IIoT然而,与预测分析和ML相结合,是预测维护更成熟阶段的主要驱动力。

预测性维护

可操作的,常常实时,预先定义的要素数据从传感器和预测分析的算法收集应用时可能发生的事情进行预测 - 从而主动维护,堪称在此情况下的预测,是必要的。

背后预测性维护的想法很简单,并具有足够的吸引力,类似于其他形式的主动维护与一些额外的好处(和缺点):可避免与所有相关后果的设备意外故障,并发生什么事,而不是事实前后,可以进行维护(反应性和运行至故障维修),当这样被认为是有用的,并可能因此,预测性维护是维护方法能够做到这种主动维护一个和最需要的时间和技能来实现。换句话说:它下才有真正意义上的使用是很重要的。预测性维护肯定不是维修的圣杯,它有它的极限了。

维护4.0的范围预测性维护

预测性维护的使用并不像解决方案提供商所希望的那样普遍,而客户(除了特定的垂直领域和细分领域)迄今接受它的速度比物联网早期预期的要慢。然而,情况又开始改变了。

在本文的范围,我们定义预测性维护的东西也被称为维护4.0或4.0的PdM,在相关性与技术的提及和相关系统(例如,CMMS或计算机化维护管理系统)

由于人工智能和数据点的增加的进步,先进的分析变得越来越重要和弥补整体预测性维护预算的较大份额噪声比(IoT)分析

究其原因:预测性维护,因此是不是新的,传统意义上的简单,因为在所有甚至没有必然的关系,这些技术 - 人的视觉和仪器 - 检查也使预测性维护。随着IIoT,机器学习等什么,现在通常被称为预测性维修其实是在PDM系统更高级的阶段,随着更多的数据源。其他人将使用基于状态监测和预测性维护互换。

然而,随着目测和仪器检验一起,实时状态监测作为说了,等等,被称为的PdM 4.0看作是在PDM中的演变,从而更为“现代”和成熟的预测性维护状态(它不是唯一的模式),与4.0显然是指工业4.0和其智能工厂,并使用PDM 4.0作为成熟的,如果你愿意的预测性维护进化第四阶段。

PdM 4.0及其在预测维护成熟度演化中的目标——来源见下面的介绍
PdM 4.0及其在预测维护成熟度演化中的目标——来源见下面的介绍

的反应性维护缺点(也称为故障维修)因此设备/资产已经获得细分后修复非常清楚。这并不意味着被动维护不好,当然。

相反,被动维护在很多情况下是战略选择的一部分维护的类型取决于很多因素比如设备故障的后果投资主动维护方法在商业上或其他方面是否有趣(如果有,是哪一个)。它总是混合使用,有时预测性维护甚至都不可能实现,更别说是一个好的选择了。

但是,对于那些关键的资产,由于这样或那样的原因,它们需要随时可用(大量例子表明,设备故障可能导致天文数字成本,巨大的声誉损害,甚至更糟)在美国,其他选择更好,即使它们需要更多的计划和预先投资。这一切都取决于从更广泛的角度来看资产的重要性。

状态监测和复杂的生产资产的预测性维护还远未即插即用的解决方案

预测性维护也是在故障发生前采取行动的方法之一(主动维护),而不是事实后。主动维护另一种形式的预防性维护也侧重降低该出错的机会。

有时候,这样的维护方法将与冗余相结合,从而组织着眼于如何继续操作,即使不会的东西分解方法。这可以,例如,是在赌注是非常高的环境中的情况。例如:作为Aimen阿布杜拉的EL-阿齐姆解释在接受记者采访时变电站自动化,以确保整个电网正在正确的环境和最佳条件内,在关键基础设施,主要硬件经常重复使用不同的算法(来自其他供应商)确保如果第二出现故障或暂停服务的人会工作。

的PdM 4.0 - 在预测性维护状态监测的下一步

至于说,预测性维护通常被称为状态监控可实时状态监测被看作是在PDM中4.0的更大的预测性维护的监控画面更早的成熟阶段。

我们不会过多的阐述上,现在因为这两个基于状态的监控和预测监测,因为它是今天理解是远远无所不在的,但如果你想了解更多看看这个博客文章由Jan布里安,研究总监,IDC Manufacturing Insights的对企业维护在制造角色转变。

状态监测和预测维护比较简单:

状态监测看起来在预先定义的参数(例如,振动分析和诊断,油分析,电机状态监测和电机电流特征分析,热分析,或任何类型的技术,监测设备)并比较预定义的阈值,由此通过可视化的机器的状态可以被检查的参数。

预测维护使用ML发动机,监测设备的这些参数被用作基础,但真正的区别在于机器学习和预测所表达的是在特定的时间框架和特定的概率内可能发生的事情。通常,这也意味着预测维护使用的数据源和数据集比来自状态监测的传感器数据和来自前一阶段(仪器检查)的数字记录数据要多。

差别可能看起来很小,但其实不然。预测式维护使用监视数据,但它更多地使用数据,更重要的是,它对数据的作用更大。事实上,预测。

在这个博客的底部呈现进多一点详细,使差异与实现预测性维护时需考虑什么额外的信息更多实实在在的。

预测性维护市场和一些忠告

物联网Analytics预计市场预测性维护解决方案,到2024年将达到$ 23.5B。

下面显示的图形,它是进一步估计,2024年,PDM系统采用者将$ 188B在其他福利费用最高节省诸如改善合规性和增强的安全性。您还可以看到一些关于采用预测性维护的挑战和变化。

预防性维护计划预计将在2024企业节省$ 188Bn随着市场的成熟 - 源和更多信息
预防性维护计划预计将在2024企业节省$ 188Bn随着市场的成熟 -来源和更多信息

显然,市场上还有更多的研究。请继续关注更多细节,以及使用PdM最多的行业,以及关于预测性维护使用的额外战略建议。同时,请查看以下承诺的演示,这主要是基于普华永道的工作。

但是,要考虑到一些挑战对PdM的采用有负面影响,这是下一个贡献的粮食。现在,让我们以IDC的Jan Burian给各位决策者的一些建议作为总结:“况监测和复杂的生产资产的预测性维护还远未即插即用的解决方案。关于定制和最后微调细致的准备是至关重要的成功因素。部署先进的状态监测第一,然后看看到预测模型可以部署。想建资​​产和流程的数字双胞胎,结合了资产聚集数据,生产工艺,生产环境”。更多内容请见他的文章

选择正确的维护策略与了解各类开始,有不少确实如此。上的预防性和预测性维护顶部,有反应性的(运行至故障),无风险和条件为基础,以可靠性为中心的,共生产维护和甚至更多。

数据和准备预测维护

维护策略的精确组合取决于资产及其在各种场景中的位置和重要性。很明显,预测性维护数据从各个角度都很重要:数据的收集和分析、各种数据源、利用它们并与现有系统集成的能力、与数据相关的可用技能、所需的数据系统和数据质量。

如果你不使用PDM中4.0尚未感预测性维护,但在未来考虑这样做的时候,企业的情况是更清晰,已经开始储存这将是相关,一旦你去有效的PDM中的数据。

缺乏数据的技能和有关数据质量问题是预测性维护部署的重要挑战

显然,这不只是聚会。一个在预测性维护的巨大挑战,考虑到各种数据源和参与,例如,机器的OEM,要充分利用预测性维护所有数据集的组合。通常,数据被收集,但然后保持在数据湖没有任何正在采取的行动。事实上,为什么组织不准备PDM的4.0一个主要的原因是他们不使用他们已有的数据,仍然依赖Excel中,例如,从而看到在收集更多的数据没有用。

收集的数据是一回事,整合,尤其是能够获得所需的洞察力和价值的另一个。这也是为什么预测性维修没有采取如被广泛采用的,只要研究表明预期的原因

为了使预测性维修成功,该组织 - 和部门(IT,数据科学家,企业,运营商,...)与合作伙伴参与 - 需要大数据技术,商业智能,数据仓库等的处置水平的必要技能此外,这是至关重要的,必须有一个无条件的关注数据质量。