当今为何需要这项技术？
在当今的产业环境中，维护问题常导致生产停滞和供应链中断，这不仅影响工作效率，还可能导致生产力下降、维护预算超标和成本增加。设备的可靠性已成为企业竞争力的关键。随着计算能力的增强和成本的降低，以及技术和数据科学人才的增加，我们有了巨大的优化空间。
为了提升资产的可靠性，许多公司正在采用数据驱动的决策方法，努力捕捉和利用资产健康信号来跟进市场趋势。但是，如果这些信号未能得到关键利益相关者的适当重视，它们的潜在价值可能无法充分发挥。在许多资产密集型行业，大量数据的积累而未被有效利用已成为常态。
如果不利用这些收集的数据，公司的投资可能会变成组织的负担。人工智能（AI）驱动的预测性维护已被证明是一种有效的方式，不仅可以从大量数据中提取价值、延长资产和基础设施的使用寿命，还能提高投资回报率。此技术还有助于延长传感器、处理机器、云环境和软件的寿命，这些都是挖掘数据中隐藏洞察力所必需的。
本文将探讨维护领域的最新趋势，并提供构建围绕维护的稳健系统的建议。我们还将详细介绍如何创建预测性维护策略的具体步骤，帮助您在迈向工业4.0的道路上做出明智的选择并取得成功。
原文：cl-Dfactory-5-steps.pdf (deloitte.com)
资产数据的益处
预测性维护策略通过整合关键设备传感器、企业资源规划（ERP）系统、计算机化维护管理系统（CMMS）以及生产数据，实现故障预测和主动解决问题。这种策略利用数据连接点、先进的预测模型和分析工具，显著提升故障管理效率。
采用预测性维护策略可以让组织内团队更高效地工作，专注于关键任务，并自动化生成工作订单。这不仅提升了操作的安全性和合规性，还提高了现场工作效率，延长了设备使用寿命，并增强了资产健康状况的可视性。此外，该策略还大幅减少了设备的维护时间、由维护引起的生产时间损失、备件及维护材料的成本和提前期，为所有相关方提供了合适的计划时间窗口。
通过这种策略，组织能够改善关键绩效指标（KPI），诸如减少关键设备的非计划停机时间、改善维护积压和计划的合规性、消除昂贵的意外事件、缩短因备件订购延迟或资源限制导致的工作订单周期，以及提高整体设备效率（OEE）。一旦组织和实践者认识到预测性策略能够显著提升维护部门的绩效和公司业绩，他们将更加信服这种方法，并通过优化流程和技术来实现数据驱动决策的潜力。这些益处不仅具有吸引力，而且完全可实现。
实施预测性维护策略的第一步：关键问题
为了制定有效的预测性维护策略，首先需要考虑以下关键问题：
- 我选择的设备能否提供正确的信号？
- 设备提供的数据质量和准确度是否足够，是否便于分析？
- 我是否掌握了设备的历史故障信息？
- 该设备是否适合实施预测性维护？
- 该设备是否经常出现问题，或者维护团队是否已经尝试了所有可能的改进措施？
- 是否进行了故障模式、原因及影响分析？
- 对于已知的资产故障模式，是否明确了故障到功能失效（P-F）间隔？
- 提议的设备在运营中是否至关重要，或者对未来的发展或项目是否具有重要性？
这些问题有助于缩小初始设备选择范围。一旦确定了初步的候选设备，接下来需要深入研究，以确定哪些设备的维护策略能为组织带来最大的收益。这不仅涉及维护成本的考量，还包括设备如何支持实现组织的整体目标。
最后，需要决定：
- 设备数量：我们计划将多少设备纳入预测性维护策略？建议选择3-5个设备作为起始案例，并根据评审过程中的发现逐步扩展。
通过这一系列问题和步骤的考虑，可以确保预测性维护策略的有效实施，从而提高设备效率和降低运营风险。
实施预测性维护策略的第二步：筛选和精炼原始数据
在开始处理原始数据之前，为所选设备建立一个基本的数据框架至关重要，这一步适用于任何成熟度水平的维护部门。以下步骤将帮助您有效跟踪信息，将维护活动与设备联系起来，可视化相关风险，并且最重要的是，帮助您深入理解故障模式。我们建议对选定的设备执行这些步骤，这种方法已被证实可以迅速提取出有价值的信息。
进入第二步，数据清洗和标注对于后续创建合适的数据特征极为关键。此阶段的目标是构建一个数据库，其中包含设备的健康信号数据集和已标记的故障历史记录，确保每个故障事件都能与相对应的故障模式准确关联。这样的处理不仅清晰地定义了数据结构，也为高效的数据分析和故障预测提供了坚实的基础。
故障事件历史记录标记
此过程包括在故障事件历史中识别各种故障模式，并对这些模式进行及时的标记。这样可以确保收集的信号数据能够直接与特定的故障模式相关联。
通常，故障历史数据需要经过一定的清理过程，以筛选出有意义的信息，并剔除那些无法提供价值见解的数据。精确的故障事件分类不仅支持未来的维护策略，而且依赖于可靠的故障模式和影响分析，这种分析还能揭示操作变量之间的重要相关性。如果目前缺少这类信息，可以考虑从工单历史记录中挖掘相关数据。
值得注意的是，数据标记是制定预测性维护策略中极为耗时的一环。您的组织可能需要花费数小时来整理和准备现有数据，以达到这一目的。
选择原始变量和构建数据矩阵
在对故障事件进行分类之后，接下来的任务是分析由传感器捕获的运营变量，例如压力、流量、温度和振动等，并探索这些变量与已知故障模式之间的可能联系。为了方便这种分析，我们使用数据矩阵工具，这一工具有助于简化变量与故障模式关系的分析，并预测故障发生前变量的行为。
数据矩阵支持的分析：这一过程同样依赖于可靠的故障模式和影响分析。回顾引发特定故障的事件链条，可以提供深入的见解，帮助我们识别变量行为和故障模式之间的潜在联系。
此外，数据集中每个测量点的时间间隔也至关重要。这一特征有助于模型中准确地模拟变量行为与时间的关系。根据经验，我们通常建议大部分变量的测量间隔设置在10到30分钟之间，但振动分析除外，因为它需要更频繁的数据来分析频率。
数据标记的经济性考量：最后，在标记数据时，虽然更多的数据通常更有助于分析，但标记过程本身会消耗大量资源，包括时间和金钱。因此，您需要设定明确的目标，并基于可投入的资源来衡量模型的质量。需要记住的是，在某些情况下，增加更多的数据并不一定能带来额外的价值。
实施预测性维护政策的第三步：特征开发
特征开发是制定有效预测性维护策略的关键步骤，它在模型构建中发挥着至关重要的作用。这些特征是训练机器学习算法所需数据集的基础，也是模型解读设备行为的核心。进行特征开发的团队需要具备相应的数据科学和技术知识，以便构建出适用的特征集。
定义特征：首先，我们需要确定哪些特征将用于喂养未来的学习算法。这些特征可以是简单的传感器数据，也可以是基于变量间理论关系的复杂信号组合，例如雷诺数或效率等。此外，描述性统计指标，如方差、均值、中位数和众数，以及更复杂的数学变换，比如短时傅里叶变换或小波变换，都可以作为特征。
特征选择和降维：需要注意的是，特征之间的高相关性可能会不必要地延长模型训练时间。为了解决这个问题，我们可以采用降维技术进行特征选择，这样不仅可以减少变量的数量，还能保留关键信息。
特征与系统兼容性：此外，开发的特征必须与组织使用的企业资源规划（ERP）系统或计算机化维护管理系统（CMMS）兼容。特征开发完成后，它们的预测能力将被测试，表现良好的特征将被选用来进一步发展预测性维护策略。
实施预测性维护政策的第四步：算法选择
选择合适的分析方法是预测性维护策略中的一个关键步骤。这一选择通常基于哪种算法能最有效地描述和预测设备故障。可用的算法包括线性回归、支持向量机（SVM）、K近邻（KNN）、决策树和神经网络等。我们的目标是在测试样本中找到预测性能最佳的算法，这样的算法不仅能准确预测关键事件，还能提供对其输入和输出的清晰解释。
迭代过程和效率考量: 选择算法是一个迭代的过程。在这个过程中，一个关键的考虑是高准确率往往意味着更长的训练时间——更复杂或更强大的模型通常需要更多的计算资源和时间。因此，在选择学习算法时，我们不仅需要考虑达到目标的效果，还需要考虑到资源的可用性。
实施和测试: 选定合适的学习算法之后，我们会使用准备好的数据来训练模型，并利用测试集来检验模型的效果，确保所选算法能够符合设计要求并正常工作。通过这种方式，我们能够创建出反映设备健康状况的可靠指标，从而推动预测性维护策略的实施。这样的策略帮助我们更好地预测和防止设备故障，确保生产效率和设备安全。
实施预测性维护政策的第五步：部署策略
随着我们接近实施过程的最后阶段，成功部署预测性维护策略需要考虑以下几个关键方面：
- 集成资产健康指标：建议将资产健康指标集成到过程控制仪表板中，确保当指标达到预设阈值时能够触发警报。这样的集成不仅增强了监控效率，还可以实时更新维护团队关于资产状态的认知。
- 自动化工单生成：实施一个在整个组织中易于复制的自动化工单生成系统至关重要。该系统应有效利用现有的通信渠道，确保从洞察到行动的转变既快速又高效。
- 明确职责分配：定义清晰的RACI（负责、批准、咨询、通知）模型，确保每位团队成员都清楚自己的责任和行动时机。这种角色定义有助于优化流程和增强团队协作。
- 数据整合与扩展：将健康指标同步到组织的ERP（企业资源规划）系统或CMMS（计算机化维护管理系统）是关键步骤。这不仅简化了将预测性维护策略扩展到其他兼容资产的过程，还可以激活当前未充分利用的复杂工具，这些工具可能彻底改变组织的维护方式。
- 策略的上线与运行：一旦预测性维护策略部署并开始运行，下一步是在组织的资产管理系统中完全实施它，并实现洞察与工单系统的无缝集成。这样可以确保维护团队有足够的时间准备和执行任务，从而延长资产的使用寿命，减少停机时间，并最终提高资产的投资回报率。
关键收获：实施预测性维护策略
预测性维护提供了巨大的机遇，但同时也要求组织进行深刻的变革。在采纳这种新的维护管理方法时，业务领导者应考虑以下原则：
逐步实施和扩展
开始时，应在较小的规模上实施策略，例如在单一资产或位置进行试点，并逐步学习和调整。一旦策略在组织的ERP或CMMS系统中稳定运行，就可以更容易地扩展到其他工厂和类似资产。随着时间的推移，根据不同的运营环境调整模型，并利用从互联运营中获得的数据来优化流程和维护。这种方法不仅有助于组织逐步适应新技术，如人工智能，还能在更广泛的范围内实现成功并创造更大的价值。
培养新技能
技术的发展正在改变工作角色和所需的技能。根据德勤和制造业研究所的研究，技术和计算机技能以及解决问题的能力是当前最为紧缺的两项技能。组织需要积极培养这些新技能，以应对人才短缺的挑战。
识别并填补差距
识别组织中的差距，如偏见或技能缺失，并利用这些发现来提升资产的成熟度，使其成为未来实施预测性维护策略的理想候选者。持续的改进是组织文化健康和成功的重要部分。
实现组织的步调一致
采用预测性维护需要团队之间的高度意识和战术协调。这种心态的转变至关重要，特别是在运营和维护职能分离的团队中。确保所有员工都理解预测性维护的广泛愿景，并接受基于数据和资产健康指标透明度的更全面、更广泛的方法，是项目成功的关键。领导层在这一过程中扮演着至关重要的角色，确保策略的成功实施和持续优化。
