預測性維護使用傳感器、網(wǎng)關和管理系統(tǒng)來預測制造、石油和天然氣以及食品加工行業(yè)何時會發(fā)生設備故障。

預測性維護徹底改變了傳統(tǒng)的基于條件的設備維護，但物聯(lián)網(wǎng)和機器學習可以進一步提高工人的生產(chǎn)率和安全性。

物聯(lián)網(wǎng)通過預測性維護的監(jiān)控和維護工業(yè)設備，減少硬件故障的可能性。

在傳感器可用且價格降低之前，維護團隊通常完成基于條件的維護。團隊將對關鍵設備進行物理檢查，或依靠壓力計等基本技術來確定情況。預測性維護早期依賴于優(yōu)秀實踐、行業(yè)平均值或等待設備中斷以確定何時執(zhí)行維護。

許多組織已經(jīng) 預測性維護系統(tǒng)是不可或缺的一部分 他們的業(yè)務戰(zhàn)略。預測性維護技術（如機器學習模型）的進步可能會刺激進一步的投資。

盡管COVID-19大流行導致變化，使各組織不得不減少業(yè)務和人員編制預算，但預測性維護方面的總體支出預計將隨著數(shù)年的增長而增加。到 2022 年，Gartner 預測基于 IoT 的預測維護支出將從 2018 年的 34 億美元增加至 129 億美元。

組織需要哪些基于 IoT 的預測性維護？

IT 管理員可以部署 IoT 傳感器進行預測性維護，以監(jiān)控機械指標（如振動、泄漏和燃油水平），以檢測設備是否充分發(fā)揮其潛力。使用沖擊脈沖監(jiān)測和紅外的傳感器有助于及早發(fā)現(xiàn)火災和有毒空氣污染。

IoT 傳感器連接到支持多種連接方法的網(wǎng)關，包括有線、Wi-Fi、蜂窩和低功耗廣域網(wǎng)。這些網(wǎng)關從設備收集數(shù)據(jù)并將其發(fā)送到云管理系統(tǒng)，如 Microsoft Azure、IBM 云和 RackWare 混合云平臺。

在云中，組織可以使用高級分析功能來檢查信息的財富。這一流程提供的情報可以減少設備故障，為員工創(chuàng)建更安全的工作環(huán)境。 計算機化維護管理系統(tǒng) 軟件（有時稱為企業(yè)資產(chǎn)管理軟件）也可以使用此數(shù)據(jù)為企業(yè)提供集中式工作請求、自動資產(chǎn)跟蹤和報告。

工程師仍必須探索預測性維護公式，尤其是在機器學習領域。AI 技術更進一步地推進預測性維護，并基于分析見解，規(guī)定在問題發(fā)生之前解決問題的潛在操作。

例如，計算機軟件初創(chuàng)公司 Augury 籌集了資金，以擴大其用于無線傳感器的預測性維護產(chǎn)品，這些傳感器可記錄電機、壓縮機和泵的振動、溫度和磁力指標。組織可以使用這些傳感器將數(shù)據(jù)上傳到云軟件，這 報告機器的健康狀況。

基于物聯(lián)網(wǎng)的預測性維護適用于各種行業(yè)

許多組織已經(jīng)使用或考慮跨大型和小型工作現(xiàn)場實施預測性維護硬件和軟件。受益于預測性維護興起的行業(yè)包括石油和天然氣行業(yè)、食品和飲料行業(yè)、制造公司、IT 服務和能源行業(yè)。

IoT 是隨著預測性維護的出現(xiàn)而成長起來的，這是一種監(jiān)控和維護工業(yè)設備的方法，用于降低硬件故障的可能性。

石油和天然氣公司一直走在使用預測性維護的組織的前沿。例如，殼牌石油使用來自C3.ai和 Microsoft Azure 云軟件的技術來預測壓縮機和閥門何時需要維護。硬件和軟件都可以監(jiān)控引導鉆頭穿過頁巖礦床的設備。

化工廠在一些地方，如 如諾克斯維爾， 田納西州， 或埃森， 德國，安裝傳感器以縮短維修時間。在這些工廠中，用于維護的工具通常創(chuàng)建隔離和未連接的數(shù)據(jù)孤島。借助基于 IoT 的預測性維護，持續(xù)向云傳輸數(shù)據(jù)可使工作人員更準確地識別工作條件和錯誤。

食品加工業(yè)是預測性維護的又一主要采用者。組織使用傳感器，例如檢測機械內(nèi)部高溫的紅外攝像機;聲學監(jiān)測，以根化設備內(nèi)的液體、氣體或真空泄漏;和振動或油分析，以確保設備的可靠性，這是食品制造的必要條件。
責編AJX