傳統(tǒng)上的工廠設(shè)備維護(hù)要么是被動的，即在故障發(fā)生后進(jìn)行，要么是基于嚴(yán)格時間表的預(yù)防性維護(hù)。在現(xiàn)代制造業(yè)中，計劃外停機(jī)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(jī)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(jìn)的預(yù)測性維護(hù)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(zhǔn)。維護(hù)策略也從被動修復(fù)演變?yōu)楦悄?、?shù)據(jù)驅(qū)動的方法。

預(yù)測性維護(hù)：用數(shù)據(jù)思考維護(hù)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(jī)器的維護(hù)不僅僅涉及在損壞后或按照時間表進(jìn)行維修。預(yù)測性維護(hù)（PdM）是一種主動維護(hù)策略，與反應(yīng)性維護(hù)（在問題發(fā)生后解決問題）或預(yù)防性維護(hù)（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(jī)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(hù)和優(yōu)化。

PdM的核心原則是從基于時間的維護(hù)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(jī)器學(xué)習(xí)算法在那里對其進(jìn)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(hù)團(tuán)隊能夠從細(xì)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(hù)可以將機(jī)器停機(jī)時間減少30-50%，并將機(jī)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(jìn)的每一步都將對工業(yè)環(huán)境中的設(shè)備預(yù)測性維護(hù)產(chǎn)生重大影響。下面，我們將對兩項技術(shù)逐一進(jìn)行介紹。

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

穩(wěn)健的預(yù)測性維護(hù)（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(jī)器學(xué)習(xí)模型以及企業(yè)資源規(guī)劃（ERP）和計算機(jī)化維護(hù)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(hù)（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(zhǔn)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。現(xiàn)代物聯(lián)網(wǎng)部署遠(yuǎn)遠(yuǎn)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(hù)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(dá)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(hù)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(yuǎn)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(hù)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(hù)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(yuǎn)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(hù)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(jī)器學(xué)習(xí)：預(yù)測性維護(hù)背后的大腦

預(yù)測性維護(hù)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(jī)器學(xué)習(xí)構(gòu)成了預(yù)測性維護(hù)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(xì)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(jìn)行預(yù)測，從而實現(xiàn)主動維護(hù)干預(yù)。

機(jī)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(jìn)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(jìn)入，模型將其與既定基線進(jìn)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(hù)團(tuán)隊能夠識別新出現(xiàn)的問題并主動安排維護(hù)，從而最大限度地減少代價高昂的停機(jī)時間。

通過分析歷史和實時數(shù)據(jù)，機(jī)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(jìn)行預(yù)測性維護(hù)的公司節(jié)省了高達(dá)12%的維護(hù)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(jī)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(jī)，需要進(jìn)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(hù)人員觸發(fā)即時警報，最大限度地減少停機(jī)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(hù)。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(jī)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(jī)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(hù)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(hù)策略轉(zhuǎn)向主動維護(hù)策略，從而顯著減少停機(jī)時間并提高生產(chǎn)率。

在汽車制造業(yè)，AIoT和預(yù)測性維護(hù)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(jī)器人手臂，預(yù)測其維護(hù)需求的準(zhǔn)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(hù)可以將維護(hù)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(hù)（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。