自工業(yè)革命以來，維護經(jīng)理一直在與設備故障作斗爭?；蛟S您就是其中之一。雖然過去幾代人的問題在今天仍然很普遍，但工業(yè) 4.0技術為經(jīng)濟高效、可擴展的解決方案帶來了新的希望，使維護經(jīng)理能夠預測問題，并在問題導致計劃外停機之前加以解決。

來自無線傳感器、手持工具、監(jiān)測和數(shù)據(jù)采集 (SCADA)系統(tǒng)等不斷增長的狀態(tài)監(jiān)測數(shù)據(jù)流，再加上現(xiàn)代軟件和分析，正在為工廠車間變革奠定基礎。今天，預測性維護能讓維護經(jīng)理實時監(jiān)測資產(chǎn)狀況數(shù)據(jù)，以防故障發(fā)生。

然而，即將到來的人工智能和機器學習技術有望帶來更大的互聯(lián)可靠性時代。過去，數(shù)據(jù)收集和數(shù)據(jù)分析是兩個截然不同的流程。雖然數(shù)據(jù)收集具有可擴展性，但專家執(zhí)行分析的成本和有限的可用性，使得有效覆蓋僅適用于一小部分關鍵資產(chǎn)。未來，傳感器和軟件不僅可以在機器故障發(fā)生之前進行預測，而且還可以幫助團隊診斷問題并推薦解決方案。這種做法被稱為規(guī)范性維護。

機器學習與商業(yè)智能

如今，許多維護經(jīng)理已經(jīng)在應用商業(yè)智能 (BI) 技術來支持分析和改進決策。商業(yè)智能包括可視化工具，可以更容易地利用現(xiàn)有數(shù)據(jù)，對于許多維護組織來說，這是一種很有吸引力的方法，因為他們的公司已經(jīng)在使用BI工具，而且系統(tǒng)可以相對用戶友好。

雖然商業(yè)智能工具和技術對于收集、可視化和分析數(shù)據(jù)很有用，但仍然需要人類專家來執(zhí)行分析，這限制了覆蓋的廣度和深度。結合機器學習(ML)技術，通過依靠算法而不是人類專家來執(zhí)行分析，解決了BI方法的可擴展性限制。這些算法可以通過多種方法開發(fā)，包括無監(jiān)督學習技術，這些技術極大地擴展了可以分析的場景以及預測的準確性和精確度。

在當今的維護世界中，利用機器學習意味著首先要確定有助于預測設備故障的正確數(shù)據(jù)集。只有這樣，才有可能創(chuàng)建一個可重復的機器學習流程，以捕獲、分析、診斷和解決業(yè)務問題。

處理大數(shù)據(jù)

有無數(shù)可用的數(shù)據(jù)源提供與分析資產(chǎn)健康狀況和實現(xiàn)預測性維護相關的信息。與以往相比，更多的團隊正在處理來自更多來源的更多數(shù)據(jù)。通常，團隊的現(xiàn)有數(shù)據(jù)不適合機器學習工作，團隊不應該簡單地嘗試使其數(shù)據(jù)適合。

幸運的是，現(xiàn)在有許多公司正在開發(fā)先進的狀態(tài)監(jiān)測傳感器，可以幫助組織開始這一旅程。借助當今先進的狀態(tài)監(jiān)測傳感器，團隊可以進行全天候測量，從而清楚地了解資產(chǎn)健康狀況和性能，而無需花費額外的人力。振動傳感器和其他狀態(tài)監(jiān)測裝置使團隊可以輕松快速地對資產(chǎn)進行故障排除。來自無線狀態(tài)監(jiān)測傳感器的測量結果可以自動發(fā)送到云端，從而減少錯誤和手動操作的需要。

機器學習如何改變資產(chǎn)可靠性

振動傳感器是新狀態(tài)監(jiān)測項目的常見起點，但其他可能性包括超聲波、油分析、熱成像和電機測試。了解資產(chǎn)如何發(fā)生故障(其主要故障模式)可以告訴您需要觀察哪些指標，從而知道哪種測量方法最適合該資產(chǎn)。

通過機器學習，資產(chǎn)在人們需要參與之前就可以收集、分析和診斷數(shù)據(jù)。工程師在系統(tǒng)分配工單之前驗證診斷。完成維修后，技術人員可以輸入他們的發(fā)現(xiàn)，而該算法可以從其接收的輸入和驗證中學習。

但是，該怎么做呢?

機器學習入門

與其推出一個全組織規(guī)模的機器學習計劃，不如從小處著手，并逐步擴大規(guī)模，這樣更有可能取得成功。以下是一些通用步驟，將使任何人受益，無論他們的起點如何：

(1) 完成資產(chǎn)關鍵性分析：按重要性層次對資產(chǎn)健康和維護進行優(yōu)先級排序，為團隊提供重點和方向。根據(jù)每項資產(chǎn)在特定組織中的用途對其進行評級，包括故障時的業(yè)務影響。資產(chǎn)關鍵性分析可以深入了解哪些資產(chǎn)是狀態(tài)監(jiān)測的主要關注對象。

(2) 規(guī)劃試點項目：從上面確定的一小組資產(chǎn)開始。確定最常見的故障模式和適當?shù)臓顟B(tài)監(jiān)測技術來檢測它們。您將需要一個可持續(xù)的、可重復的數(shù)據(jù)收集流程。確定適合您需求、規(guī)模和預算的狀態(tài)監(jiān)測傳感器和策略。確定您的模型創(chuàng)建方法，選項包括加入數(shù)據(jù)科學資源、將開發(fā)外包給第三方或采用現(xiàn)成的解決方案。

(3) 建立框架和評估標準：創(chuàng)建一個工程分析框架，使您能夠測試資產(chǎn)診斷的準確性，并建立對解決方案的信心。評估可能需要哪些步驟才能將此驗證納入您組織的標準流程和工作流程中。

定義試點成功的標準。這可以包括試點的持續(xù)時間、覆蓋的資產(chǎn)數(shù)量、正確識別的故障數(shù)量、錯誤診斷故障的閾值、遺漏故障的閾值等。

(4) 啟動試點階段：成功試點的時間表會有很大差異。它取決于部署狀態(tài)監(jiān)測技術的交付周期、數(shù)據(jù)收集的頻率、儀表化資產(chǎn)的數(shù)量、目標故障模式的頻率以及許多其他因素。一個明確的項目時間表和商定的里程碑對于保持組織中的支持以使試點工作順利完成至關重要。確保在整個試點過程中進行開放式溝通，以便您的團隊了解最終目標和實現(xiàn)目標的進度。

(5) 與利益相關方一起審查結果：一旦您有了試點項目的數(shù)據(jù)，并且您的團隊擁有了一些經(jīng)驗，那么您就可以為進一步的擴展計劃提供理由。與您的團隊一起，回顧成功案例和改進機會，并確定改進設置的方法。

(6) 推出更大的計劃：回到您的資產(chǎn)關鍵性分析，以確定如何擴大您的狀態(tài)監(jiān)測計劃。您可以在一個設施內或多個設施之間擴展您的計劃，具體取決于您組織的需求和優(yōu)先級。

資產(chǎn)管理的未來

對于組織來說，了解不斷變化的維護和可靠性態(tài)勢至關重要。認識到包括機器學習在內的新興工具和技術的好處，是組織在快速變化的時代生存和發(fā)展的關鍵。

維護的最終目標——保持一切正常運行——沒有改變。但是，這些技術將使維護團隊更聰明地工作，而不是更努力地工作。