预测性维护：工业 4.0下人工智能如何改变机器设备维护方式

生产设备出问题这种事一定会发生！这是生产领域不可避免的问题。但如何做好提前准备就可以决定故障造成影响的规模。如果能在故障变成绊脚石之前找到它们，可能就会完全消除中断生产的风险。

这正是预测性维护的目的：利用数据，使技术人员能够预测何时何地可能发生的潜在问题，这意味着可以及时采取必要的纠正措施。

预测性维护有两个主要的使用情况：

哪些行业可以从使用预测性维护中受益？这是将在本文中探讨的问题，但在这之前，先总结一下关键的收获。

总的来说：预测性维护可以帮助各行业的公司进行机器设备维护，保养流程优化，节省时间和成本。

预测性维护如何改造工业4.0

先从定义开始：什么是工业4.0？

工业4.0是指制造业中自动化技术的兴起。这是一种变革，它使利用机器收集的数据来实现更快、更灵活、更高效的生产线成为可能。这将实现公司以更低的成本生产更高质量的产品。而这一变革不仅提高了生产力，也改变了经济状况。它正在促进下一次工业革命。

然而，这场革命的核心是机器设备。虽然这些机器设备可以使我们的工作更容易，但它们的故障灾难是一个令人头痛的问题，有时可能会转变为工业生产的偏头痛。预测性维护旨在避免这种灾难，但要做到这一点，需要基于大量的机器设备运行数据。

由于自动化技术的兴起，这一点现在已经成为可能，这就是为什么预测性维护能够改变工业4.0。

预测性维护策略首先是预防，然后是优化。

在前期，它能使生产线简化维护工作，以防止容易忽略的潜在故障，从而减少整体停机时间。因此，它可以帮助企业优化机器运行的整体效能。这种方法使管理者能够大大降低故障的带来的风险，从而消除这种中断可能带来的消极后果。

事实上，通过麦肯锡公司的研究表明，预测性维护可以在长期内节省高达40%的维护成本，以及减少高达5%的新机器和设备的资本性支出。这是一个巨大的成本节约。但是，企业如何才能最大限度地利用这种技术战略呢？

...让我们进一步来看看。

预测性维护需要大量的数据才能有效，这是毋庸置疑的。如果还没有实现设备运行大数据的收集，建议不要着急一步跨入预测性维护。

需要收集什么类型的数据？可以通过机器设备上的传感器来收集任何数据。这些传感器可以监测一系列的参数，例如：

这样的数据例子不胜枚举，关键不在于测量什么，而在于如何将数据投入使用。大多数公司实施SCADA系统或通过MES（Manufacturing Execution System 生产执行系统）收集数据，创建可视化，支持过程控制，并触发警报。然而，SCADA及MES系统有几个显著缺点：

机器学习可以实时分析数据。不仅找到历史数据和当前读数之间的关系，而且可以实时提醒员工注意故障风险。更好的是这一切不需要人工干预：机器学习仅根据数据来工作。不再需要手动调整或配置，这一切通过算法会自动进行。

这些都是在理论上的美好勾勒。未来我们将通过实际的应用范例看看，机器学习和预测性维护在实践中是如何产生作用的。

欢迎关注公众号或微信号“AI设备维护”，精彩文章第一时间推送。

本文由博客一文多发平台 OpenWrite 发布！