江苏龙网

  1. 首页 > 资讯 > 科技 > >

|对话行业领袖 | 预测性维护从理论到实践的四个关键挑战

最近 ， 你总是听到关于预测性维护及其价值的讨论 。在预测性维护中 ， 设备操作人员可以预见即将发生的故障 ， 抢先安排维修 ， 尽量减少对工厂运行的干扰 ， 最重要的是能保护设备免受灾难性故障的影响 。借助一双慧眼 ， 我们可以对预测性维护的价值或者说期望价值达成共识吗？当谈到在生产中对现场设备实施预测性维护时 ， 我们的慧眼很快就会失去洞察力 。事实证明 ， 很少有公司在运营中真正实施了预测性维护 ， 而这就带来一个问题 ， 为什么会这样呢？
在与行业领袖的对话中 ， 有个一致主题 ， 即设备制造商和运营商必须克服四个关键挑战 。只有克服这些挑战 ， 才能成功地与数据科学界合作 ， 并在运行中实施预测性维护解决方案 。
1. 协作以利用现有的专业领域知识
公司如何帮助促进数据科学家和领域专家之间的合作 ， 从而设计出基于统计方法和领域知识相结合的强大预测性维护算法？数据科学家和领域专家如何紧密合作 ， 以确保预测性维护应用的关键部分——数据分析方法和领域知识——得到充分利用？成功的预测性维护应用程序将两者结合起来：基于统计的数据分析方法（如机器学习） ， 以及研发工程师对其设备的专业知识（在许多情况下 ， 这些知识已经在仿真模型中获取） 。使用纯数据分析方法进行预测性维护 ， 将会遗漏制造和支持设备的工程和运营团队内部所掌握的重要信息 。
2. 在没有故障数据的情况下训练算法
机器学习的一个关键方面是利用来自现场的数据进行算法训练 。这包括来自正常生产使用的“健康”数据 ， 以及针对操作设备时可能发生的各种错误场景捕获的故障数据 。但是 ， 如果目标是永远不允许设备在一开始就发生故障 ， 那么要从哪里获得故障数据呢？对于将预测性维护应用于从风力涡轮机到空气压缩机等工业系统的组织来说 ， 这正成为一个日益重要的难题 。为了解决这一难题 ， 可以使用仿真模型来生成故障数据 ， 从而在没有现场实测故障数据的情况下训练算法 。
|对话行业领袖 | 预测性维护从理论到实践的四个关键挑战
文章图片

文章图片

图 1. 在 Simulink 和 Simscape 中建立三缸泵的仿真模型 ， 用于训练故障分类机器学习算法 ， 以克服故障测量数据的缺失 。? 1984–2019 The MathWorks, Inc.
3. 部署用于实际使用的算法
一旦在桌面电脑上设计并训练了预测性维护算法 ， 就需要将其部署到设备上 。这一步的工作在很大程度上取决于现有 IT 和 OT 基础设施 。有些算法需要在实时硬件平台上运行（例如 ， 在嵌入式控制器、工业 PC 或 PLC 上） ， 有些算法需要并入现有的非实时设备和系统中（例如 ， 在 Windows 或 Linux 上运行的边缘设备）或云中 。越来越多的公司选择使用高效的工具链自动生成 C 或 IEC 61131 - 3 代码、.net 组件 ， 或独立可执行程序 ， 例如 ， 以下这家国际包装和纸品制造商 ， 在其塑料制造工厂中使用预测性维护系统来减少浪费和机器停机时间 。
|对话行业领袖 | 预测性维护从理论到实践的四个关键挑战
文章图片

文章图片

图 2. 基于 MATLAB 的人机界面 ， 使设备操作员能够在潜在故障发生之前收到警告 。? 1984–2019 The MathWorks, Inc.
4. 制定预测性维护的业务案例
【|对话行业领袖 | 预测性维护从理论到实践的四个关键挑战】在开始预测性维护之前 ， 每个公司都必须回答的一个重要问题是：我如何用它来创造收入？如果你不能回答这个“神奇的问题” ， 那么你为构建复杂的预测性维护解决方案所做的所有努力都将很快中止 。了解你的业务情况并制定将预测性维护转化为收益的策略 ， 这将有助于说服你公司的管理层 ， 证明在实现预测性维护应用方面进行投资是合理的 。对于设备运营商来说 ， 要确保其设备在运行过程中出现故障的几率很低 ， 这通常就能成为投资的理由 。但对于设备制造商来说 ， 这颇具挑战性了 。我曾经看到过一些好的想法 ， 它们有助于你制定预测性维护的方案：将服务费与运营商（即其客户）所运行设备的预测性维护挂钩；利用 IP 保护来销售已部署的预测性维护算法；转向全新的基于使用的商业模式（例如 ， 以立方米为单位销售压缩空气而不是销售压缩机 ， 或销售电梯使用时间而不是整个电梯） 。


推荐阅读


上一篇：Array|元创时代发布针对TYPE-C接口的速度辨识企业标准：雷速标识

下一篇：Array,Array|余承东宣布华为重磅新品：历时三载打造、8月19日发布