预测性维护是一种预防代价高昂的制造设备故障的方法，它可以通过分析整个生产过程中的数据来提前查明异常行为，以确保可以采取适当的措施来避免长时间的生产停机。
在制造环境中广泛采用IoT之前，专业人员和机器操作员必须经常定期安排维护时间，以便确定可能需要维修的内容。
是什么让预测性维护如此重要?
人们认为，所有手动安排的机器维护中有一半实际上是徒劳的。考虑到这种形式的维护还占用了大量资源，时间和生产力，因此，许多生产专业人士已从这种方法转向工业4.0方法就不足为奇了。
利用物联网技术来监视生产线上的机器状况、简化维护计划并收集实时数据，这意味着制造商可以降低成本，最大化产量并提高产品质量。
预防性维护与预测性维护
早在互联网出现之前，制造企业就一直在进行预防性和预测性维护。但是，了解这两种维护之间的区别仍然很重要。
预防性维护依赖于目视检查和常规的机械健康检查。然而，这只能在设备的工作状态中提供有限的范围，因为工程师只能修复已经发生的故障，而不是将要发生的故障。
预测性维护使用分析方法，利用实时和历史数据突出显示机器没有正常运行的地方，以便提前修复。
预测性维护的工作原理
为了使用预测性维护解决方案来监控设备，需要以下工具包：
1）用于收集机器或产品数据的传感器。
2）需要数据传输，以使通信系统将安全数据从机器移至数据存储系统。
3）数据存储系统是在现场或通过云收集和存储信息的中央枢纽。
4）预测性数据是一种分析性数据，它将算法应用于存储的数据，以便更好地理解机器应该如何工作，以及在故障发生前它可能在做什么。然后，这些数据以警报和报告的形式提供给操作员。
5）工程师和专家使用根本原因分析来调查和决定哪种行为是最合适的。
机械上的数据通过通信路径从传感器传输到中央存储区域。 然后，将来自MES系统的数据集成到中央数据存储系统中，以提供更高级别的生产机械数据。
一旦将预测数据应用于此，就可以提供有关如何减少机器停机时间的分析。
为了有效地部署预测性维护系统，用户必须首先评估每台机器的故障可能意味着什么。这应该将制造资产、传感器数据、通信程序、预测分析和仪表板警报汇总在一起。
使用可视化系统，工程团队将能够以图形形式查看生产线。这应该包括数据流、仪表板和系统逻辑（其中一组规则将在发现异常时进行监视和警报），以产生有关系统应如何有效运行的蓝图。
从这里开始，任何历史机器数据或预测分析都可以应用到蓝图中，以在发生故障之前预测机器的行为。
预测性维护的优势
当企业使用预测性维护时，该组织有两个巨大的优势，包括：
1）减少机器停机时间。自动执行战略性维护计划已被证明可以减少20-50％的维护时间，同时将相关的维护成本降低约5-10％。
2）保持效率。依靠分析数据来提高机械效率，这意味着不再需要不必要的维护。 这意味着可以延长机器的使用寿命，并且可以在不使用机器时安排对发现的任何问题进行维修。
制造业如何使用预测性维护？
在过去的几年中，制造企业已在各种情况下实施了预测性维护解决方案，从工厂范围的实施到对单个关键机器零件的监控。
对于大规模生产产品的组织（例如食品或玩具）而言，预测性维护是减少产品缺陷并消除浪费的绝佳方法。
这就是所谓的“质量4.0（Quality 4.0）”，通过实施这样的解决方案，工厂里的人可以看到什么时候生产的不合格品会超过他们的阈值，以及可能的原因。
对于那些生产零件和机械的人来说，预测性维修的常用方法是设置技术来监视和检查运动设备和电机的状态。生产力、电力、健康状况和内部磨损都受到监测。
通用行业预测性维护物联网方法
有两种常用的预测性维护方法，即机器学习和基于规则。
基于规则
这也称为状态监视。一旦激活了特定规则，此方法将使用传感器收集传感器数据并基于预定义设置发送警报。
基于规则的维护意味着生产团队必须与工程和客户服务部门紧密合作，以了解可能最终导致机器故障的原因和因素。
一旦确定了这些原因，就可以创建系统的虚拟模型，该模型会映射出IoT组件如何确定这些原因和行为。
例如，如果温度读数低于或高于被认为可以接受的读数，系统可以向仪表板发送警告，然后由能够在发生进一步损坏之前解决问题的人员选择仪表板。
虽然这种方法确实提供了某种程度的自动和预测性维护，但它仍然依赖于对必须监测哪些机械和环境状况的理解。
机器学习
工业人工智能可以应用于预测性维护，就像它可以应用于制造过程的几乎所有其他方面一样。
尽管相对而言，我们才刚刚开始理解和使用这种技术，但世界各地的许多企业都看到了机器学习的巨大好处。
AI是与预测性维护解决方案一起工作的理想合作伙伴。
它为用户提供了一系列技术，可帮助他们理解和分析在制造过程中收集到的大量数据，以使他们产生有助于维持生产水平的准确、可操作的见解。
这些通常称为机器学习算法。
什么是机器学习算法？
在预测分析中使用的人工智能和机器学习主要有两种类型：有监督和无监督。这两种方法都很有用，具体取决于场景以及测试和历史数据的可用性。
预测性维护中的高级AI算法用于了解机器的运行方式。然后，此信息将用作识别性能实时波动的准绳。这些算法必须具有历史或测试数据以及输出数据，以分析诸如温度、压力、发动机转速和组件状况之类的内容。
随着物联网的不断发展，企业开始在制造业中采用工业4.0的方法。人工智能和ML的进步将有助于预测维护，最终为企业提供一个极大的优势，超过任何没有向工业4.0迈进的企业。
原文链接
