傳統(tǒng)上的工廠設(shè)備維護要么是被動的，即在故障發(fā)生后進行，要么是基于嚴格時間表的預(yù)防性維護。在現(xiàn)代制造業(yè)中，計劃外停機可能會花費數(shù)百萬美元。根據(jù)德勤的一項研究，工業(yè)制造商每年因計劃外停機損失約500億美元，其中近一半是設(shè)備故障造成的。

人工智能（AI）和物聯(lián)網(wǎng)（IoT）的融合，通常稱為AIoT，正在徹底改變制造業(yè)。再加上先進的預(yù)測性維護能力，這些技術(shù)為運營效率、成本降低和整體生產(chǎn)力設(shè)定了新的標(biāo)準。維護策略也從被動修復(fù)演變?yōu)楦悄堋?shù)據(jù)驅(qū)動的方法。

預(yù)測性維護：用數(shù)據(jù)思考維護的新方法

我們正處于制造業(yè)的一個新階段，在這個階段，機器的維護不僅僅涉及在損壞后或按照時間表進行維修。預(yù)測性維護（PdM）是一種主動維護策略，與反應(yīng)性維護（在問題發(fā)生后解決問題）或預(yù)防性維護（無論實際磨損情況如何都安排干預(yù)措施）不同，其目的是通過分析從機器及其操作環(huán)境中收集的數(shù)據(jù)來預(yù)測設(shè)備故障，從而實現(xiàn)主動維護和優(yōu)化。

PdM的核心原則是從基于時間的維護方法轉(zhuǎn)變?yōu)榛跔顟B(tài)的方法，工業(yè)物聯(lián)網(wǎng)（IIoT）和人工智能的融合是這種變革方法背后的主要驅(qū)動力。部署在整個工廠車間的IIoT傳感器收集各種參數(shù)的連續(xù)數(shù)據(jù)流，如溫度、壓力、振動和電流，然后，這些數(shù)據(jù)被傳輸?shù)街醒肫脚_，人工智能和機器學(xué)習(xí)算法在那里對其進行分析，以識別模式、預(yù)測故障并估計設(shè)備的剩余使用壽命（RUL）。

這種數(shù)據(jù)驅(qū)動的方法使維護團隊能夠從細微的異常和性能下降中快速識別潛在的問題，并在重大故障發(fā)生之前主動將其解決。麥肯錫的一項研究發(fā)現(xiàn)，預(yù)測性維護可以將機器停機時間減少30-50%，并將機器壽命延長20-40%。

PdM的兩項核心技術(shù)是物聯(lián)網(wǎng)/傳感技術(shù)和數(shù)據(jù)分析技術(shù)。這些技術(shù)每天都在發(fā)展，它們前進的每一步都將對工業(yè)環(huán)境中的設(shè)備預(yù)測性維護產(chǎn)生重大影響。下面，我們將對兩項技術(shù)逐一進行介紹。

物聯(lián)網(wǎng)傳感器：預(yù)測性維護系統(tǒng)的“眼睛和耳朵”

穩(wěn)健的預(yù)測性維護（PdM）系統(tǒng)架構(gòu)需要各種組件的無縫集成，包括工業(yè)物聯(lián)網(wǎng)（IIoT）平臺、人工智能/機器學(xué)習(xí)模型以及企業(yè)資源規(guī)劃（ERP）和計算機化維護管理系統(tǒng)（CMMS）等現(xiàn)有企業(yè)系統(tǒng)。這種集成有助于簡化雙向數(shù)據(jù)流，使整個組織能夠做出明智的決策，優(yōu)化整個資產(chǎn)生命周期。

工業(yè)物聯(lián)網(wǎng)（IIoT）是現(xiàn)代預(yù)測性維護（PdM）系統(tǒng)的基石，而放置在整個操作環(huán)境中的物聯(lián)網(wǎng)傳感器則充當(dāng)著系統(tǒng)的眼睛和耳朵，持續(xù)監(jiān)測對評估設(shè)備健康至關(guān)重要的各種參數(shù)。這些參數(shù)超越了溫度和壓力等基本指標(biāo)，涵蓋了振動、位置、速度、流體性質(zhì)等更復(fù)雜的測量。這些數(shù)據(jù)構(gòu)成了后續(xù)人工智能驅(qū)動分析的“原材料”。

數(shù)據(jù)點缺失或傳感器故障可能會導(dǎo)致預(yù)測不準確，并可能對設(shè)備健康狀況產(chǎn)生代價高昂的誤解。選擇合適的傳感器并優(yōu)化其位置是確保PdM系統(tǒng)有效性的關(guān)鍵步驟?，F(xiàn)代物聯(lián)網(wǎng)部署遠遠超出了安裝幾個溫度計的范圍，工業(yè)級傳感器可以測量振動、壓力、液位、電壓、腐蝕，甚至濕度和空氣質(zhì)量等環(huán)境條件。這些設(shè)備比以往任何時候都更小、更實惠、更耐用。

TE Connectivity的830M1三軸狀態(tài)監(jiān)測加速計是低成本、可安裝在板上的加速計，專為嵌入式狀態(tài)監(jiān)測和預(yù)防性維護應(yīng)用而設(shè)計。壓電（PE）加速度計的范圍為±25g至±2000g，在所有三個軸上具有高達15kHz的平坦頻率響應(yīng)。830M1加速度計具有三個獨立的穩(wěn)定壓電陶瓷晶體，帶有低功耗電子元件，密封在完全密封的LCC封裝中。與MEMS設(shè)備相比，830M1具有更高的分辨率、動態(tài)范圍和帶寬。如果預(yù)期應(yīng)用需要振動和溫度傳感器信號，則LCC封裝內(nèi)包含RTD溫度傳感器。

無線網(wǎng)狀網(wǎng)絡(luò)允許數(shù)百甚至數(shù)千個傳感器無縫通信，而不需要昂貴的電纜，而能量收集傳感器則從振動、熱量或光線中獲取能量，從而降低了與電池更換相關(guān)的維護成本。TE Connectivity的69xxN系列無線壓力傳感器為工業(yè)監(jiān)控帶來了實用的創(chuàng)新。這些緊湊型傳感器采用LoRaWAN技術(shù)設(shè)計，可無縫適應(yīng)從狹小空間到遠程基礎(chǔ)設(shè)施的各種環(huán)境。它們提供了廣泛的壓力傳感范圍，減少了對多個傳感器的需求，簡化了系統(tǒng)集成。 69xxN無線LoRaWAN壓力傳感器的防護等級為IP66/67，超過了重工業(yè)CE要求。典型應(yīng)用包括油井、管道和其他狀態(tài)監(jiān)測。

無線網(wǎng)狀網(wǎng)絡(luò)允許數(shù)百甚至數(shù)千個傳感器無縫通信，而不需要昂貴的電纜，而能量收集傳感器則從振動、熱量或光線中獲取能量，從而降低了與電池更換相關(guān)的維護成本。TE Connectivity的69xxN系列無線壓力傳感器為工業(yè)監(jiān)控帶來了實用的創(chuàng)新。這些緊湊型傳感器采用LoRaWAN技術(shù)設(shè)計，可無縫適應(yīng)從狹小空間到遠程基礎(chǔ)設(shè)施的各種環(huán)境。它們提供了廣泛的壓力傳感范圍，減少了對多個傳感器的需求，簡化了系統(tǒng)集成。 69xxN無線LoRaWAN壓力傳感器的防護等級為IP66/67，超過了重工業(yè)CE要求。典型應(yīng)用包括油井、管道和其他狀態(tài)監(jiān)測。

人工智能和機器學(xué)習(xí)：預(yù)測性維護背后的大腦

預(yù)測性維護管理是一個受益于人工智能優(yōu)化的領(lǐng)域。人工智能和機器學(xué)習(xí)構(gòu)成了預(yù)測性維護的核心智能，通過復(fù)雜的算法分析來自工業(yè)設(shè)備中嵌入的物聯(lián)網(wǎng)傳感器的連續(xù)數(shù)據(jù)流，快速檢測出設(shè)備故障前的細微異常。而這些異常通常是人類難以察覺，但可以表明潛在的問題，如軸承磨損、潤滑劑退化或初期裂紋等。通過識別這些模式，人工智能算法在潛在故障發(fā)生之前即可進行預(yù)測，從而實現(xiàn)主動維護干預(yù)。

機器學(xué)習(xí)模型在這一過程中起著至關(guān)重要的作用，它學(xué)習(xí)設(shè)備的正常運行條件，并識別潛在問題的偏差。這些模型基于歷史數(shù)據(jù)進行訓(xùn)練，結(jié)合振動、溫度、壓力和電流等各種參數(shù)，以建立健康性能的基線。隨著新數(shù)據(jù)流的進入，模型將其與既定基線進行比較，標(biāo)記出任何超出可接受參數(shù)的偏差。這使得維護團隊能夠識別新出現(xiàn)的問題并主動安排維護，從而最大限度地減少代價高昂的停機時間。

通過分析歷史和實時數(shù)據(jù)，機器學(xué)習(xí)模型甚至可以預(yù)測一臺設(shè)備在需要大修或更換之前可能有效運行多久。普華永道發(fā)表的一項研究表明，使用人工智能進行預(yù)測性維護的公司節(jié)省了高達12%的維護成本，整體設(shè)備效率（OEE）提高了9%。

在實際工作環(huán)境中，如果沒有響應(yīng)式監(jiān)控，系統(tǒng)可能會因?qū)嶋H故障或誤報而經(jīng)歷計劃外停機或系統(tǒng)故障，影響運營效率和操作員安全。例如，太陽能逆變器中的誤報可能會導(dǎo)致系統(tǒng)停機，需要進行檢查，從而影響生產(chǎn)率。因此，基于邊緣的PdM系統(tǒng)可以在現(xiàn)場分析傳感器數(shù)據(jù)，從而快速檢測異常并為維護人員觸發(fā)即時警報，最大限度地減少停機時間。

Texas Instruments公司在實時MCU（如TMS320F28P550SJ）中增加了本地運行CNN模型，這種集成的基于邊緣AI的故障檢測功能，可以幫助提高故障檢測率，幫助避免誤報，同時提供更好的預(yù)測性維護。借助邊緣人工智能，這些系統(tǒng)可以學(xué)習(xí)并適應(yīng)其環(huán)境，以優(yōu)化實時控制，提高整體系統(tǒng)的可靠性、安全性和效率，同時減少停機時間（見圖6）。

圖：實時控制系統(tǒng)中的邊緣AI故障監(jiān)測解決方案（圖源：TI）

本文小結(jié)

據(jù)統(tǒng)計，在汽車行業(yè)，一小時的生產(chǎn)損失可能導(dǎo)致超過230萬美元的損失。AIoT融合了物聯(lián)網(wǎng)的數(shù)據(jù)收集和連接優(yōu)勢與人工智能的分析能力。在制造業(yè)中，這種協(xié)同作用導(dǎo)致了更智能的工廠運營。

嵌入機械中的傳感器收集實時數(shù)據(jù)，人工智能算法分析這些數(shù)據(jù)以優(yōu)化各種過程。這種持續(xù)的反饋循環(huán)通過識別瓶頸、預(yù)測維護需求和簡化生產(chǎn)工作流程來提高運營效率。這些技術(shù)的集成使工廠能夠從被動維護策略轉(zhuǎn)向主動維護策略，從而顯著減少停機時間并提高生產(chǎn)率。

在汽車制造業(yè)，AIoT和預(yù)測性維護已經(jīng)顯示出令人印象深刻的成果。例如，復(fù)雜的人工智能算法監(jiān)控裝配線上的機器人手臂，預(yù)測其維護需求的準確率超過99%。這確保了不間斷的生產(chǎn)和成本的節(jié)約。德勤的一項研究發(fā)現(xiàn)，預(yù)測性維護可以將維護成本降低5%至10%，將設(shè)備正常運行時間延長10%至20%，并將設(shè)備生命周期延長20%至40%。

預(yù)測性維護（PdM）曾經(jīng)是一個被降級為科幻小說中的未來主義概念，現(xiàn)在它已經(jīng)是一個有形的現(xiàn)實，在各個領(lǐng)域都提供了變革的潛力。從優(yōu)化制造業(yè)的生產(chǎn)線和提高能源的電網(wǎng)穩(wěn)定性到簡化運輸和物流的運營，各組織正在充分利用PdM來實現(xiàn)可觀的投資回報率，并推動運營效率的顯著提高。