預測性維護正在超越工業(yè)應用。更容易訪問、更具成本效益的解決方案將改變我們與技術的聯(lián)系方式。

當我們想到大批量生產(chǎn)時，我們通常會想象一個運轉平穩(wěn)的工廠，每臺機器都運轉正常，能夠高效、批量地生產(chǎn)成品。對于經(jīng)營這樣一家工廠的人來說，他們的目標是使工廠能夠以最佳速度運行，并減少停機時間。不過，每臺帶有活動部件的機器都會遭受一些磨損，并且不可避免地需要維護或更換一些部件。問題是什么時候做這些事更為恰當：您是按照固定的時間表來做，還是等機器開始出現(xiàn)故障跡象？

維護方法

第一種方法是根據(jù)固定的預定計劃安排維護任務，這種計劃忽略了設備的實際狀況。想象一下在固定的時間間隔或里程內定期檢查汽車。這種方法的優(yōu)點是計劃簡單，但也有明顯的缺點，即維護可能發(fā)生得太晚，導致設備損壞和工人危險，或者可能在不必要時進行了維護。

一種智能的方法是基于狀況的維護。這種方法根據(jù)機器的預估狀況來安排維護活動，通常通過檢查或使用來自嵌入式傳感器的數(shù)據(jù)進行預估。這樣做的好處是在發(fā)生故障之前進行維護，并且只在必要時進行，但缺點是維護僅在機器開始出現(xiàn)故障跡象之后才開始，并且必要的維護干預措施可能對于生產(chǎn)計劃來說不是最佳的。

第三種方法是預測性維護。這里的目的是在盡可能早的時間預測未來某個時間所需的維護措施。它是一種基于狀態(tài)監(jiān)測與故障模式動態(tài)預測模型相結合的方法。盡管確實需要更復雜的整體系統(tǒng)，但它具有優(yōu)化機器壽命和提高工廠生產(chǎn)效率的優(yōu)勢。

預測性維護的主要承諾是，它可以在適當?shù)臅r間安排糾正性維護，同時通過防止設備故障來最大化設備的使用壽命。了解何時需要維護機器以及需要做什么，可以在適當?shù)娜藛T和部件準備就緒的情況下，最佳地計劃維護工作。

構建預測性維護系統(tǒng)

為了建立預測維護系統(tǒng)，需要許多要素。首先，必須在目標機器上安裝自動狀態(tài)監(jiān)測系統(tǒng)，例如，這種監(jiān)測系統(tǒng)可以包括用攝像頭進行目視檢查、用加速度計測量振動、用麥克風測量噪音水平或超聲波，以及測量熱量或濕度。

接下來，需要一些嵌入式處理來處理原始數(shù)據(jù)的首次分析，將原始數(shù)據(jù)轉化為可以與監(jiān)控系統(tǒng)共享的有用信息，例如，嵌入式軟件可以連續(xù)比較機器隨時間變化的振動特征，以確定何時發(fā)生變化。此外，通過將處理能力嵌入傳感器單元，可以大大減少需要傳送的數(shù)據(jù)量。這對于視覺檢查尤其重要，因為在視覺檢查中，數(shù)據(jù)量很快會變得無比巨大。

再接下來，必須將數(shù)據(jù)傳送到本地和遠程監(jiān)控系統(tǒng)。也必須安全有效地進行這種通信，同時要考慮工廠的基礎設施，以確定哪種連接方式更適合該任務。例如，在缺少傳感器布線的現(xiàn)有工廠，最好將無線通信作為一種經(jīng)濟高效、快速實現(xiàn)傳感器網(wǎng)絡連接的方式。

最后，必須構建設備故障模式的預測模型。工程師可以在理論故障模型基礎上結合從實際現(xiàn)場中收集的數(shù)據(jù)，來構建此模型。當有大量可靠的數(shù)據(jù)集與傳感器數(shù)據(jù)和實際故障機制相關聯(lián)時，可以使用機器學習技術來創(chuàng)建更精確的預測性維護模型。

隨著所有關鍵組件的可用性以及云服務和人工智能的結合，廣泛采用預測性維護的條件現(xiàn)已具備。
責任編輯:pj