現代社會嚴重依賴機械，交通、能源供應、農業生產、工業制造都離不開機械設備的驅動。當機器發生故障出現非計劃停機時，不僅會影響生產，甚至可能帶來巨大經濟損失。隨著人工智能的興起，非計劃停機時間將極大減少，AI將改變現有維護方式。

設備的維護對機器的實用性至關重要。但是，決定何時維修、是否需要更換零件、是否在不影響生產的情況下進行，通常難以平衡的行為。過往更多根據經驗、猜測來決定維護的時機。目前很多組織正在研究通過人工智能和機器學習來減少低效和設備故障。

常見的維護模式

今天，大多數維護可以分為三類：

1.反應性維護

反應性維護（即計劃外停機）是一種設備運行到出現故障再進行維護的方法。它可能具有很強的破壞性，因為當設備在沒有警告的情況下發生故障時，企業必須停止生產運行。這種被動方法可以保持較低的日常維護成本，僅在需要時需要技術人員，但可能帶來巨大的生產損失。

2.計劃性維護

通過定期評估維護降低故障風險。雖然停機的風險仍然存在，但企業更有可能在問題變大之前先發制人地解決問題。盡管這可以最大限度地延長機器的使用壽命，但不能避免機器停止使用時損失大量生產時間。

3.主動性維護

主動維護旨在提高維護效率，通過分析設備的數據和以往出現的故障，優化維護資源。它不需要遵守固定的時間表，而是通過使用數據來審查和增強運營。對于設備數量多的公司來說，主動維護似乎是最具成本效益的策略。然而，這種方法是有限的，因為它只能控制可能導致設備故障的因素，而不是通過設備本身狀態進行判斷。

那如何實現更智能的運維？工業互聯網技術和人工智能可以填補這塊空白。

人工智能改變維護方式

根據某市場咨詢公司數據，2017年全球人工智能市場價值19.9億歐元，預計到2025年將達到300億歐元。AI的增長將是巨大的，因為它能夠應用于所有行業，包括工業設備的維護。許多嚴重依賴機械設備的的行業正在投資預測性維護。這是因為借助人工智能，維護可以從單純的預防性或主動性維護成為預測性的。通過預測性維護，僅在必要時進行維修。

預測性維護

預測性維護是通過連接多源傳感器和支持人工智能的工具來實現的，這些工具可以分析設備中起作用的數個變量，可以實時收集、組合和分析來自各種來源的數據，以便企業能夠在設備故障發生之前預測故障。當數據顯示性能下降時，工程師可以選擇在產線生產的合適時間停機維護。

圖.工程師根據設備實時狀態制定維護計劃（全景網）

這種預見維修的能力將有助于降低和控制維護成本。如果預測性維護認為故障迫在眉睫，則可以根據問題所在自動執行許多操作，例如，發送工單，通知相關技術人員訂購更換零件。

隨著時間的推移，預測性維護可以通過AI機理建立完整的設備維護模型，使企業進一步了解如何提高效率并最終實現零非計劃停機時間。這是因為人工智能可以預測設備的真實壽命，從而推斷出進行維修的最佳時間是什么，以及如何計劃操作以最小化維修窗口。

此外，通過從預測性維護中收集的數據，企業管理者可以更好地了解為什么使用相同設備的不同團隊會帶來不同的收益。同樣，這些額外的數據可以為企業提供他們需要的洞察力，以弄清楚如何帶來額外的收入。它可以幫助項目規劃、人員配備需求、庫存管理和客戶服務。

預測性維護應用

隨著工業互聯網作為我國推進智能制造的核心抓手，各行業的工業領軍企業越來越重視生產設備的數據采集和聯網。目前，我國預測性維護市場整體還處于起步階段，東智PreMaint是聚焦設備領域的智能管理平臺，獲得工信部“工業互聯網APP優秀解決方案”與“工業APP創新應用大賽一等獎”。

PreMaint可滿足企業構建融合的設備數據應用系統，實時感知設備機臺的運行工況和工藝健康狀態，實現從監控到預警、故障診斷、維保維修處理、工藝自動優化的功能閉環，有效延長設備使用壽命、提高產品良率，避免非計劃停機和工況不穩定帶來的損失。

以下是PreMaint預測性維護在多個行業的應用：

半導體行業

半導體面板屬于高端制造業，現場設備大多從國外進口，設備數據采集成本高。針對PUMP真空泵的非計劃停機問題，現場PUMP設備數據以每秒5萬Hz的采樣頻率實時上傳到PreMaint專有云，振動信號的細微變化都可以被東智PreMaint專家平臺識別分析，系統內置的AI算法有效識別設備的劣化趨勢并進行故障智能診斷。

新能源鋰電行業

鋰電池生產前端工序核心設備包括雙螺桿漿料制作或攪拌機、涂布機和輥分切一體機等。為保證設備的高效運轉，基于AI+機理的東智PreMaint智能診斷專家系統，通過對設備的狀態監測和故障智能診斷，實現設備智能運維，將極大減少設備非計劃停機，確保電池的一致性并提高生產良率。

石油化工

預測性維護有助于減少設備的停機時間和能源消耗，更主動的預測性維護模型可以增加設備壽命和操作安全性，促進機泵設備的優化提升。PreMaint基于邊云智能協同的機泵群預測性維護解決方案植入石化機泵群，融合設備多源數據，強化機泵的故障預測與健康管理，為智能運營提供有效支撐。

來源/本文內容參考AUTOMATION，有刪改，本文僅用于個人學習交流，如有侵權請聯系刪改。

審核編輯黃宇