如何实施预测性维护？哪儿做预测性维护测试

预测性维护是一种面向维护活动的策略设计，核心在于将预测结果作为整个维修维护活动的输入或参考，实现对整个维护策略或流程的优化。从这个层面来看，预测性维护的价值不仅仅在于其技术实现，更在于它对整个企业维护经营活动的积极影响。因此，将准确率作为预测性维护项目成败的唯一指标是有局限性的。

 

另外，预测性维护价值链路较长且复杂，涉及数据收集、模型训练、维护策略制定等多个环节，不同于数据来源稳定、工作目标单一的应用场景，比如视觉检测，主要关注合格率，可以将准确性作为关键衡量指标。建议企业在追求模型准确性的同时，从多角度更全面地评估预测性维护项目的成效。包括：项目实施后设备故障率的降低程度、维护成本的节约情况、生产效率的提升程度等指标；模型的稳定性、可靠性、易用性、可解释性等。

 

一、在建立预测性维护计划之前，组织需要采取以下几个步骤

 

1.分析需求和设备历史记录；

 

2.审查所有关于停机时间、设备故障、损失（产量和能源）、潜在的法规罚款以及工作场所安全的记录；

 

3.确定定义和概念，并为 PdM 建立案例；

 

4.教育主要利益相关者并获得支持；

 

5.完成设备清单并评估当前设备状况；

 

6.选择计划初期实施的设备根据具体系统和/或组件开发系统细节；

 

7.评估现有的预防性或预测性维护情况；

 

8.决定纳入哪些系统以及检查哪些项目；

 

9.确定计划的关键性，并建立 PdM 的频率和计划类型;

 

10.评估所需的资源并分配人员角色和责任;

 

11.组织实施该计划并将其整合到调度系统中;

 

12.教育并获取运营和维护部门的支持;

 

13.升级设备并进行培训;

 

14.创建计算机化维护管理系统（CMMS）。

 

二、成功实施预测性维护的8个步骤

 

1. 确定关键设备

 

对资产实施 PdM 需要对技术进行前期投资，包括传感器、网络、分析引擎、云计算能力和计算机化维护管理系统 (CMMS)。考虑到所需的技术投资，为 PDM 所选的资产应具有较高的价值、较高的维修和更换成本，或对运营至关重要。用于技术的资金应被持续预防性维护、延长停机时间和反应性维护成本的降低所抵消。

 

2. 收集现有维护数据，为之前的绩效提供基准

 

预测性维护需要来自在役经验和稳态运行的数据，以比较当前的运行情况。虽然分析引擎会随着时间的推移收集运行数据，但维护记录或 CMMS 数据可为创建和训练运行模型提供基线。

 

3. 识别故障模式

 

考虑到创建的数据量以及传感器和监控的成本，PDM 是一种有针对性的维护策略。重点关注特定故障模式的发生频率、严重程度或成本，以及在故障发生前识别组件劣化的难易程度。如果标准的预防性维护任务可以防止故障的发生，那么 PDM 增加的成本和复杂性就是不必要的。然而，如果迄今为止的故障模式都是随机和昂贵的，那么 PDM 可能会提供解决方案。

 

4. 安装适当的传感器

 

七种最常见的现成传感器可测量接近度、音频、光、力、湿度、加速度和温度，其中许多还可测量多种物理数据源。此外，还为特定应用开发了定制传感器。这些传感器通常测量扭矩、磨损、裂纹或油液状态，并使用超声波、射线、磁粉检测和剪切成像技术。传感器数据可用于推断资产的未来状态，并支持明智的运行和维护干预决策。

 

5. 记录数据并建立机器学习 (ML) 模型

 

我们将从传感器获得大量原始数据，需要对其进行清理和汇总，使其具有意义和可操作性。这一过程需要对数据集进行缩减采样或过度采样，并同步传感器数据和维护记录数据，算法选择是训练和测试模型准确性之前的下一步。一旦选择了最佳模型，就可以对其进行部署和监控，以衡量模型是否发生偏移，是否需要重新训练。

 

6. 让机器学习算法不断改进

 

虽然有多种机器学习方法，但半监督学习是常见的方法。分析引擎在数据科学家标记或分类的数据上开始训练，然后继续自我管理数据组织和学习。随着时间的推移，模型会变得更加准确，得到来自多种操作场景的更多数据的支持，并通过相关的维护结果得到增强。

 

7. 实施警报阈值

 

半监督学习方法使用维护、工程和数据科学人员之间商定的警报阈值或界限来触发初始预测。随着时间的推移，预测将不断完善，并随着维护结果反馈到模型中，使发现的情况与预测的资产状态保持一致，从而变得越来越准确。

 

8. 使用 CMMS 发出异常检测工单

 

PDM 依赖于三个步骤的迭代，这三个步骤被称为 "物理-数字-物理循环"。从物理世界收集数据并将其数字化。在数字部分对数据进行清理、共享和分析，以获得可操作的洞察力或预测。最后一步需要将这些数字洞察力带回物理世界，以实施具体行动。

 

三、预测性维护的优势有哪些

 

1、降低维护成本

 

设备管理EAM的预测性维护功能的核心是通过收集设备运行数据，运用数据分析技术，对设备的健康状态进行监测和预测。通过提前发现潜在故障，可以避免设备突然停机带来的生产损失。此外，预测性维护可以减少定期维护的频率，从而降低维护成本。

 

2、提高生产效率

 

一方面，设备管理EAM预测性维护通过对设备进行实时监测，可以及时发现并解决潜在问题，避免生产线的停机时间。另一方面，还可以优化设备的维护计划，确保设备在最佳状态下运行，从而提高工业制造的生产效率。

 

3、提升产品质量

 

通过对设备运行数据的分析，可以发现设备参数对产品质量的直接影响。通过调整设备参数，可以提高产品的合格率，从而提升产品质量。

 

4、增强设备可靠性

 

通过实时监测设备的运行状态，可以及时发现并解决潜在故障，延长设备的使用寿命。此外，预测性维护可以优化设备的维修策略，确保设备在可靠性较高的状态下运行。

 

四、预测性维护的未来趋势

 

传感器技术、数据分析和AI的不断进步将进一步增强预测性维护的能力。在未来几年，制造商可以期待看到：

 

1、 更复杂的预测模型。

 

AI将在开发准确和上下文感知的模型方面发挥更大的作用，这些模型不仅可以预测故障，还可以预测性能下降和异常。

 

2、自学习和自适应系统。

 

预测性维护系统将随着时间的推移不断学习和适应，根据新数据和不断变化的运行条件完善其预测和建议。

 

3、与其他系统集成。

 

预测性维护系统将与其他运营技术和企业资源规划（ERP）系统集成，创建生产过程的整体视图，并实现实时决策。

 

4、 即时维护。

 

随着预测性维护管理技术的日益成熟，可通过移动设备进行监控并获取最新见解，从而使维护人员能够在问题出现之前进行实时调整。

 

预测性维护有助于改善工业运营。通过采用分阶段实施的方法并为高级分析奠定必要的基础，制造商可以释放其巨大潜力。

 

通往预测性维护成功的旅程并非一刀切的方法。企业可以首先从确定特定需求和痛点开始。在此基础上，他们可以选择最符合其资源和目标的切入点。

 

通过实现显著的设备可靠性、运营效率、安全性和成本效益，采用先进的数据驱动型预测性维护方法的制造企业可以提升其自动化水平，并在不断发展的工业环境中获得竞争优势。

 

附：仪综所算法测评实验室是国内唯一一家可以实施预测性维护算法测评的第三方检测服务机构，预测性维护算法测评国家标准GB/T 43555-2023 《智能服务 预测性维护 算法测评方法》由仪综所牵头起草并发布，检测标准归口标委会为全国工业过程测量控制和自动化标准化技术委员会(SAC/TC124)，仪综所为该标委会秘书处单位。实验室基于GB/T43555-2023 《智能服务 预测性维护 算法测评方法》检测标准建设了预测性维护算法测试平台并具备完善的测试服务能力，可以有效保障算法测试业务的顺利开展。仪综所智能运维研究团队围绕科研、标准、检测、实训等不断深耕，形成了智能运维系统服务能力，构建的覆盖通用标准、算法测试、绩效评价的预测性维护标准体系，致力于解决解决用户不会用、不敢用、不想用的问题。科研创新助推标准水平不断提升，促进算法测试技术完善，持续服务预测性维护技术进步与应用，为我国新质生产力发展添力赋能。