错误！故障！突发的异常！预测性维护系统的目标是为制造企业提供对其实物资产（通常是设备机器）未来故障的预测，从而大大减少生产过程中的突发停运。米兰理工学院教授达维德-基亚罗尼（Davide Chiaroni）将其定义为 “一种新的维护理念”，它可以利用物联网传感器等新工具，能够收集大量的数据，在此基础上用机器学习和预测分析工具进行研究。
原文：Predictive maintenance is a key to saving future resources: 发表于 Renewable Matter 作者：Simone Fant
译：数字基座
监控、测量和预测性维护
“预测性维护是以测量为基础的，”自2013年以来专注于循环经济的Schmidt MacArthur奖学金的MIP项目负责人Chiaroni解释说。”它不是专注于对工厂或设备资产运行的某种假设（译注：比如假设一定间隔就会有故障发生），而是实施一系列实际的、持续的监测，从而反映出资产的状态，进而进行干预。” 在过去，通常是由人来执行标准维护作业，检查特定机器状况。类似于我们修理检查汽车。”xtream公司首席数据科学家Emanuele Fabbiani解释说：“基于状态的维护（CBM)和预测性维护（PdM）是目前采用的两种最新的、实质性的维护方式。“两者都是基于相同的基本概念，但在基于状态的维护中，我们的想法是在传感器告诉我有必要时再进行维护。相反，预测性维护更进一步。预测模型可以告诉我机械何时会出现故障，所以我能够预测资产状态的演变”。
预测性维护有几个好处，对经济效益很明显，它可以大大减少与机器故障有关的成本和设备维修时间。此外，通过实时监测机器的健康状况，可以延长其使用寿命。根据Statista研究部的数据，到2024年，全球预测性维护市场预计将达到约235亿美元，2018年至2024年的年增长率接近40%。
能够从错误中改进的机器学习的重要性
物联网设备和应用的逐步普及，加上先进的分析工具的出现以及人工智能和机器学习技术的出现，在工业设备中集成不同类型的传感器，并将这些传感器联网成为可能。”物联网允许将任何类型的设备连接到网络上，”Fabbiani补充说。”基于收集到的数据，中央系统处理预测模型，不断计算对维护策略进行持续优化。”
到2024年，全球预测性维护市场预计将达到约235亿美元，2018年至2024年的年增长率接近40%。
在预测性维护的场景下，物联网传感器收集数据，然后机器学习将分析这些数据，让我们知道什么设备需要被维护。”工作方式有很多种，”基亚罗尼说。”机器学习来做维护不是必须的，但肯定的是，如果想执行一种自适应的维护方法——它能适应安装在不同位置不同工况的设备情况，那机器学习就是基础条件了。” 然而，目前数学和工程机理模型仍然非常有价值。”一切都还在发展，”Fabbiani告诉Renewable Matter，”但将物理和工程知识与机器学习建模相结合的混合方式似乎是最有希望的。” 网络安全是另一个问题。”运营成本是一件事，但如果这些做法有效的话，所有这些的成本要比停机巨大的损失或故障的风险要低得多。”
在交通工具领域的优势
目前，预测性维护是一种主要应用于B2B（企业对企业）市场。考虑到成本效益比，对消费类产品进行预测性维护很少见。”如今的大众市场仍在经历一些困难，”Chiaroni解释说。”一方面，对维护服务收费并不容易。另一方面，在操作比较分散的地方（如为洗衣机提供服务）在经济上是否有价值很复杂。” 然而，在汽车领域，将部件是根据预测模型来评估是可行的。
Chiaroni说：”今天，我们在循环经济的背景下将预测性维护与汽车行业联系起来。例如，目前在发动机上已经有实践。Rolls-Royce公司通过应用发动机租赁服务来做到这一点，甚至在飞机上也是如此。其中包括以预测性视角进行的维护。从再利用、再使用和再制造的逻辑看，我们可以有选择性地干预一台设备，并在适当配置更新后继续使用。”这种方法带来了毋庸置疑的好处，在用户方面，你有可能减少机器的停机时间，并获得更好的性能，在制造商方面，能够以预测的方式进行干预，监测机器及其部件的寿命。
海上风力发电机的维护前沿阵地
目前，预测性维护的最有趣的应用场景主要在大型基础设施之间进行，特别是在能源领域。科学研究已经把目光投向了海上风电领域，通过预测性维护以解决风力发电机在维护方面的巨大实际问题。作为UPTIME工程公司的总经理，Franz Langmayr对此深有体会，该公司目前在Romeo财团工作，该项目由欧盟通过“地平线2020计划”支持。通过开发先进的技术解决方案，Romeo团队正在努力降低海上风电场的运营和维护成本。”在近海领域，预测性维护特别重要，”Langmayr解释说，”因为与陆上条件不同，不容易接触到风机。当故障发生在寒冷的季节时，往往涡轮机在几个月内都无法进入。” 涡轮机的停机时间，往往是由容易解决的故障引起的，造成了巨大的经济损失。
“一但故障发生，至少会在海上航行半天，也就是说为了解决一个问题会浪费了大量的能源。需要进行大量的实地研究，目前海上风机装机容量远远大于陆上涡轮机，但故障处理就会导致浪费。“
只是在过去的4到5年，人们才开始将机器学习应用于预测性维护。
该项目的基本想法是收集所有关于风机状态的相关数据，将其发送到一个中央生态系统，并通过分析工具和机器学习，弄清它们的含义。”我们面临的挑战是以一种能够充分理解的方式来收集它们，以产生结果，”Langmayr补充说，”在这个行业中，做预测性维护已经变得至关重要。例如，如果一阵风突然使风叶变形，我们可以控制能量，以避免涡轮机电机的齿轮比过热”。这种类型的维护也使我们能够了解某些部件是否接近其寿命的终点，或者它们是否可能失效以及如何失效。
石油和天然气行业
几年来，预测性维护一直是石油和天然气行业的重点。根据GlobalData主题研究公司发布的《石油和天然气行业预测性维护报告》的评估，油价波动正在推动预测性维护技术的采用，以帮助企业通过优化维护规划和提高生产力来降低运营成本。
“只是在过去的四到五年里，人们才开始将机器学习应用于预测性维护，”Energy Sme高级数字顾问Massimiliano Conti解释道。”石油和天然气行业有100年的历史，所以要真正衡量预测性维护的好处还需要一段时间。” 目前用于石油和天然气作业的设备和基础设施是几十年前建造的。这些机器是基于当时的设计、材料和技术。这种老设备必然会出现故障，因此需要不断检查和监测。”从技术角度来看，”Conti继续说，”维护涉及转动机器（压缩机、泵等），它们为原油开采、运输和提炼过程服务。当流体被移动时，机器会出现故障，导致速度减慢甚至停工。很明显，这些都会对经济和环境产生影响。停止一个没有按照既定协议停止的化学过程会导致失控的二氧化碳排放到大气中“。
对于一个即使在未来可能被可再生能源取代的行业，像预测性维护这样的积极方法，也是管理大型工厂的一种更可靠、更安全的方式。
