所有关键组件运用云服务和人工智能的结合，具备采用预测性维护的条件

预测性维护正在超越工业应用。更容易访问、更具成本效益的解决方案将改变我们与技术的联系方式。

当我们想到大批量生产时，我们通常会想象一个运转平稳的工厂，每台机器都运转正常，能够高效、批量地生产成品。对于经营这样一家工厂的人来说，他们的目标是使工厂能够以最佳速度运行，并减少停机时间。不过，每台带有活动部件的机器都会遭受一些磨损，并且不可避免地需要维护或更换一些部件。问题是什么时候做这些事更为恰当：您是按照固定的时间表来做，还是等机器开始出现故障迹象？

维护方法

第一种方法是根据固定的预定计划安排维护任务，这种计划忽略了设备的实际状况。想象一下在固定的时间间隔或里程内定期检查汽车。这种方法的优点是计划简单，但也有明显的缺点，即维护可能发生得太晚，导致设备损坏和工人危险，或者可能在不必要时进行了维护。

一种智能的方法是基于状况的维护。这种方法根据机器的预估状况来安排维护活动，通常通过检查或使用来自嵌入式传感器的数据进行预估。这样做的好处是在发生故障之前进行维护，并且只在必要时进行，但缺点是维护仅在机器开始出现故障迹象之后才开始，并且必要的维护干预措施可能对于生产计划来说不是最佳的。

第三种方法是预测性维护。这里的目的是在尽可能早的时间预测未来某个时间所需的维护措施。它是一种基于状态监测与故障模式动态预测模型相结合的方法。尽管确实需要更复杂的整体系统，但它具有优化机器寿命和提高工厂生产效率的优势。

预测性维护的主要承诺是，它可以在适当的时间安排纠正性维护，同时通过防止设备故障来最大化设备的使用寿命。了解何时需要维护机器以及需要做什么，可以在适当的人员和部件准备就绪的情况下，最佳地计划维护工作。

构建预测性维护系统

为了建立预测维护系统，需要许多要素。首先，必须在目标机器上安装自动状态监测系统，例如，这种监测系统可以包括用摄像头进行目视检查、用加速度计测量振动、用麦克风测量噪音水平或超声波，以及测量热量或湿度。

接下来，需要一些嵌入式处理来处理原始数据的首次分析，将原始数据转化为可以与监控系统共享的有用信息，例如，嵌入式软件可以连续比较机器随时间变化的振动特征，以确定何时发生变化。此外，通过将处理能力嵌入传感器单元，可以大大减少需要传送的数据量。这对于视觉检查尤其重要，因为在视觉检查中，数据量很快会变得无比巨大。

再接下来，必须将数据传送到本地和远程监控系统。也必须安全有效地进行这种通信，同时要考虑工厂的基础设施，以确定哪种连接方式更适合该任务。例如，在缺少传感器布线的现有工厂，最好将无线通信作为一种经济高效、快速实现传感器网络连接的方式。

最后，必须构建设备故障模式的预测模型。工程师可以在理论故障模型基础上结合从实际现场中收集的数据，来构建此模型。当有大量可靠的数据集与传感器数据和实际故障机制相关联时，可以使用机器学习技术来创建更精确的预测性维护模型。

随着所有关键组件的可用性以及云服务和人工智能的结合，广泛采用预测性维护的条件现已具备。
责任编辑:pj