预测性维护的困惑：了解工作流程剖析

我们将探讨工程师在实施预测性维护时面临的三个常见障碍，以及最终如何最好地避免这些障碍，从根本缺乏知识开始。

预测性维护使公司能够减少机器停机时间，消除不必要的维护，并实现许多其他业务优势。然而，公司在将技术纳入其运营时经常面临流程和数据方面的挑战。

本博客系列将探讨工程师在实施预测性维护时面临的三个常见障碍，并最终如何最好地避免这些障碍。我们从预测性维护工作流程的解剖学基本缺乏知识开始。

通过了解工作流程使您的业务受益

许多工程师没有接受过有关预测性维护工作流程以及如何最好地利用它们的适当教育。这可能是因为公司尚未意识到此类投资的价值，无法超越该投资的风险，或者认为预测性维护对于当前的业务需求来说过于先进。

无论出于何种原因，您都可以采取具体步骤来最大限度地降低风险并尽快开始使用预测性维护工作流。入门的第一步是了解预测性维护的五个核心开发阶段（图 1）：

访问传感器数据 – 可以从多个来源（如数据库、电子表格或 Web 存档）收集数据，但必须采用正确的格式并正确组织才能进行适当的分析。但是，请务必记住，大型数据集可能需要内存不足处理技术。

预处理数据 – 真实世界的数据很少是完美的;必须删除异常值和噪声才能获得正常行为的真实情况。此外，由于统计和机器学习建模技术在流程后期使用，因此这些模型的质量将取决于预处理数据的质量。

提取特征 – 通常不是将传感器数据直接输入机器学习模型，而是从传感器数据中提取特征。虽然可以从数据中提取的特征数量基本上是无限的，但常见的技术来自统计学、信号处理和物理学等领域。

训练模型 – 构建将设备分类为正常或故障的模型，可以检测异常或估计组件的剩余使用寿命。在此步骤中尝试各种机器学习技术很有用，因为对于给定的问题，事先很少清楚最佳模型类型是什么。

部署模型 – 根据系统要求，预测模型可以部署到嵌入式设备或与企业 IT 应用程序集成。这里需要考虑许多权衡，因为嵌入式设备提供快速响应并减少通过互联网传输数据的需求，而集中式IT方法使将来更新模型变得更加容易。

图1.基本的预测性维护工作流。

黄金法则：随心所欲

了解预测性维护工作流的各个开发阶段是实施的重要第一步，但对许多人来说，充分理解、开发和集成工作流的想法似乎令人生畏。通过利用现有工具和软件，工程师可以快速有效地将预测性维护纳入其日常工作。

MATLAB 等工具具有预测性维护功能，使工程师能够在熟悉的环境中工作。他们还提供参考示例、算法以及技术支持、培训和咨询团队的访问权限。额外的指导可以使基础知识到位，因此您和您的团队可以确信您以最佳方式解决问题。

审核编辑：郭婷