對于不斷被迫減少停機時間（導致更頻繁地使用設(shè)備）和降低維護成本（通常隨著設(shè)備的使用而增加）的工業(yè)設(shè)備運營商而言，預測性維護已從“錦上添花”轉(zhuǎn)變?yōu)橐欢ㄓ小?/p>

一旦實施，有效的預測性維護系統(tǒng)能夠預測和識別潛在的設(shè)備故障，使操作員能夠提前安排維修，防止災(zāi)難性系統(tǒng)故障，并最大限度地減少對工廠運營的干擾——最終有利于公司的底線。

對預測性維護的可衡量收益的懷疑仍然存在，高管們經(jīng)常將預測性維護錯誤地標記為“黑匣子”解決方案。他們描繪了一個應(yīng)用程序正在接收機器的操作數(shù)據(jù)并以某種方式預測其剩余壽命。就高管們對流程的理解程度而言，他們無法想象算法如何能夠擁有足夠的設(shè)備故障數(shù)據(jù)來發(fā)揮作用。

實際上，這種“黑盒子”的刻板印象不僅不準確，而且忽略了領(lǐng)域知識或解決方案目標環(huán)境特有的專業(yè)知識所起的作用。舉一個例子，開發(fā)、監(jiān)控和維護工廠運營的工業(yè)工程師在開發(fā)預測和檢測設(shè)備潛在故障的算法方面發(fā)揮著關(guān)鍵作用。

軟件如何彌合數(shù)據(jù)/工程知識差距

預測性維護通常由具有數(shù)學背景的數(shù)據(jù)科學家領(lǐng)導，他們有時可能缺乏算法所支持領(lǐng)域的專業(yè)知識。因此，工程師帶來的價值是他們的領(lǐng)域知識，這使他們成為開發(fā)預測性維護的有效算法的關(guān)鍵。軟件扮演著彌合這些數(shù)據(jù)科學家和工程師之間鴻溝的角色。

是的，公司在訓練這些算法時需要知道故障數(shù)據(jù)是什么樣的。鑒于設(shè)備很少發(fā)生故障，這種類型的數(shù)據(jù)通常不可用，并且僅出于收集數(shù)據(jù)的目的而故意讓設(shè)備發(fā)生故障在經(jīng)濟上是不可行的。這就是MATLAB等仿真軟件的用武之地，因為它使工程師更容易將與其專業(yè)領(lǐng)域相關(guān)的數(shù)據(jù)輸入預測模型，并使數(shù)據(jù)科學家更容易使用這些數(shù)據(jù)來訓練模型。

不熟悉數(shù)據(jù)科學的用戶仍然可以使用該軟件來實現(xiàn)不同的數(shù)據(jù)處理技術(shù)，識別潛在問題并測試潛在的解決方案。不熟悉預測性維護的用戶也可以使用它生成模擬故障數(shù)據(jù)，增強算法的預測性維護能力，確保算法有效訓練所需的真實數(shù)據(jù)更少。

例如，油田服務(wù)公司Baker Hughes使用 MATLAB 開發(fā)泵健康監(jiān)測軟件，將設(shè)備停機成本降低了 40%，并減少了現(xiàn)場對額外卡車的需求。同時，包裝和紙制品制造商Mondi能夠使用 MATLAB 開發(fā)一種預測性維護應(yīng)用程序，能夠在幾個月內(nèi)識別潛在的設(shè)備問題。

2021 年預測性維護的下一步是什么？

大多數(shù)預測性維護算法目前位于使用它們的工業(yè)空間和設(shè)施中——最好靠近設(shè)備，例如從本地發(fā)電機、生產(chǎn)設(shè)施或提取設(shè)備收集數(shù)據(jù)的邊緣服務(wù)器。雖然這可以為開始進行預測性維護奠定堅實的基礎(chǔ)，但除了本地之外，組織還應(yīng)該考慮云解決方案。托管在云中可能對一些需要強大處理器來產(chǎn)生洞察力的尖端算法有益，例如人工智能 （AI） 驅(qū)動的軟件。

因此，除了工業(yè)控制器和邊緣計算設(shè)備數(shù)量的增加外，公司應(yīng)該期望看到更多的競爭對手采用云系統(tǒng)，以優(yōu)化其生產(chǎn)軟件的功能。盡管由于數(shù)據(jù)所有權(quán)和安全性等因素，一些制造商對云表示懷疑，但他們?nèi)詰?yīng)為基于云的預測性維護的現(xiàn)實做好準備。由于云能夠從多個來源收集數(shù)據(jù)，因此可以更有效地訓練預測性維護算法。

當然，預測性維護只是將人工智能納入其生產(chǎn)線的企業(yè)將獲得的眾多好處之一。忽視人工智能的組織越來越處于競爭劣勢，除非他們以某種方式探索人工智能集成，否則將繼續(xù)保持這種劣勢。好消息是，人工智能及其好處，包括預測性維護，都在每家公司的范圍內(nèi)，并且有足夠多的資源來幫助他們學習。

審核編輯：郭婷