预测性维护正在彻底改变制造业

传统上的工厂设备维护要么是被动的，即在故障发生后进行，要么是基于严格时间表的预防性维护。在现代制造业中，计划外停机可能会花费数百万美元。根据德勤的一项研究，工业制造商每年因计划外停机损失约500亿美元，其中近一半是设备故障造成的。

人工智能（AI）和物联网（IoT）的融合，通常称为AIoT，正在彻底改变制造业。再加上先进的预测性维护能力，这些技术为运营效率、成本降低和整体生产力设定了新的标准。维护策略也从被动修复演变为更智能、数据驱动的方法。

预测性维护：用数据思考维护的新方法

我们正处于制造业的一个新阶段，在这个阶段，机器的维护不仅仅涉及在损坏后或按照时间表进行维修。预测性维护（PdM）是一种主动维护策略，与反应性维护（在问题发生后解决问题）或预防性维护（无论实际磨损情况如何都安排干预措施）不同，其目的是通过分析从机器及其操作环境中收集的数据来预测设备故障，从而实现主动维护和优化。

PdM的核心原则是从基于时间的维护方法转变为基于状态的方法，工业物联网（IIoT）和人工智能的融合是这种变革方法背后的主要驱动力。部署在整个工厂车间的IIoT传感器收集各种参数的连续数据流，如温度、压力、振动和电流，然后，这些数据被传输到中央平台，人工智能和机器学习算法在那里对其进行分析，以识别模式、预测故障并估计设备的剩余使用寿命（RUL）。

这种数据驱动的方法使维护团队能够从细微的异常和性能下降中快速识别潜在的问题，并在重大故障发生之前主动将其解决。麦肯锡的一项研究发现，预测性维护可以将机器停机时间减少30-50%，并将机器寿命延长20-40%。

PdM的两项核心技术是物联网/传感技术和数据分析技术。这些技术每天都在发展，它们前进的每一步都将对工业环境中的设备预测性维护产生重大影响。下面，我们将对两项技术逐一进行介绍。

物联网传感器：预测性维护系统的“眼睛和耳朵”

稳健的预测性维护（PdM）系统架构需要各种组件的无缝集成，包括工业物联网（IIoT）平台、人工智能/机器学习模型以及企业资源规划（ERP）和计算机化维护管理系统（CMMS）等现有企业系统。这种集成有助于简化双向数据流，使整个组织能够做出明智的决策，优化整个资产生命周期。

工业物联网（IIoT）是现代预测性维护（PdM）系统的基石，而放置在整个操作环境中的物联网传感器则充当着系统的眼睛和耳朵，持续监测对评估设备健康至关重要的各种参数。这些参数超越了温度和压力等基本指标，涵盖了振动、位置、速度、流体性质等更复杂的测量。这些数据构成了后续人工智能驱动分析的“原材料”。

数据点缺失或传感器故障可能会导致预测不准确，并可能对设备健康状况产生代价高昂的误解。选择合适的传感器并优化其位置是确保PdM系统有效性的关键步骤。现代物联网部署远远超出了安装几个温度计的范围，工业级传感器可以测量振动、压力、液位、电压、腐蚀，甚至湿度和空气质量等环境条件。这些设备比以往任何时候都更小、更实惠、更耐用。

TE Connectivity的830M1三轴状态监测加速计是低成本、可安装在板上的加速计，专为嵌入式状态监测和预防性维护应用而设计。压电（PE）加速度计的范围为±25g至±2000g，在所有三个轴上具有高达15kHz的平坦频率响应。830M1加速度计具有三个独立的稳定压电陶瓷晶体，带有低功耗电子元件，密封在完全密封的LCC封装中。与MEMS设备相比，830M1具有更高的分辨率、动态范围和带宽。如果预期应用需要振动和温度传感器信号，则LCC封装内包含RTD温度传感器。

无线网状网络允许数百甚至数千个传感器无缝通信，而不需要昂贵的电缆，而能量收集传感器则从振动、热量或光线中获取能量，从而降低了与电池更换相关的维护成本。TE Connectivity的69xxN系列无线压力传感器为工业监控带来了实用的创新。这些紧凑型传感器采用LoRaWAN技术设计，可无缝适应从狭小空间到远程基础设施的各种环境。它们提供了广泛的压力传感范围，减少了对多个传感器的需求，简化了系统集成。 69xxN无线LoRaWAN压力传感器的防护等级为IP66/67，超过了重工业CE要求。典型应用包括油井、管道和其他状态监测。

无线网状网络允许数百甚至数千个传感器无缝通信，而不需要昂贵的电缆，而能量收集传感器则从振动、热量或光线中获取能量，从而降低了与电池更换相关的维护成本。TE Connectivity的69xxN系列无线压力传感器为工业监控带来了实用的创新。这些紧凑型传感器采用LoRaWAN技术设计，可无缝适应从狭小空间到远程基础设施的各种环境。它们提供了广泛的压力传感范围，减少了对多个传感器的需求，简化了系统集成。 69xxN无线LoRaWAN压力传感器的防护等级为IP66/67，超过了重工业CE要求。典型应用包括油井、管道和其他状态监测。

人工智能和机器学习：预测性维护背后的大脑

预测性维护管理是一个受益于人工智能优化的领域。人工智能和机器学习构成了预测性维护的核心智能，通过复杂的算法分析来自工业设备中嵌入的物联网传感器的连续数据流，快速检测出设备故障前的细微异常。而这些异常通常是人类难以察觉，但可以表明潜在的问题，如轴承磨损、润滑剂退化或初期裂纹等。通过识别这些模式，人工智能算法在潜在故障发生之前即可进行预测，从而实现主动维护干预。

机器学习模型在这一过程中起着至关重要的作用，它学习设备的正常运行条件，并识别潜在问题的偏差。这些模型基于历史数据进行训练，结合振动、温度、压力和电流等各种参数，以建立健康性能的基线。随着新数据流的进入，模型将其与既定基线进行比较，标记出任何超出可接受参数的偏差。这使得维护团队能够识别新出现的问题并主动安排维护，从而最大限度地减少代价高昂的停机时间。

通过分析历史和实时数据，机器学习模型甚至可以预测一台设备在需要大修或更换之前可能有效运行多久。普华永道发表的一项研究表明，使用人工智能进行预测性维护的公司节省了高达12%的维护成本，整体设备效率（OEE）提高了9%。

在实际工作环境中，如果没有响应式监控，系统可能会因实际故障或误报而经历计划外停机或系统故障，影响运营效率和操作员安全。例如，太阳能逆变器中的误报可能会导致系统停机，需要进行检查，从而影响生产率。因此，基于边缘的PdM系统可以在现场分析传感器数据，从而快速检测异常并为维护人员触发即时警报，最大限度地减少停机时间。

Texas Instruments公司在实时MCU（如TMS320F28P550SJ）中增加了本地运行CNN模型，这种集成的基于边缘AI的故障检测功能，可以帮助提高故障检测率，帮助避免误报，同时提供更好的预测性维护。借助边缘人工智能，这些系统可以学习并适应其环境，以优化实时控制，提高整体系统的可靠性、安全性和效率，同时减少停机时间（见图6）。

图：实时控制系统中的边缘AI故障监测解决方案（图源：TI）

本文小结

据统计，在汽车行业，一小时的生产损失可能导致超过230万美元的损失。AIoT融合了物联网的数据收集和连接优势与人工智能的分析能力。在制造业中，这种协同作用导致了更智能的工厂运营。

嵌入机械中的传感器收集实时数据，人工智能算法分析这些数据以优化各种过程。这种持续的反馈循环通过识别瓶颈、预测维护需求和简化生产工作流程来提高运营效率。这些技术的集成使工厂能够从被动维护策略转向主动维护策略，从而显著减少停机时间并提高生产率。

在汽车制造业，AIoT和预测性维护已经显示出令人印象深刻的成果。例如，复杂的人工智能算法监控装配线上的机器人手臂，预测其维护需求的准确率超过99%。这确保了不间断的生产和成本的节约。德勤的一项研究发现，预测性维护可以将维护成本降低5%至10%，将设备正常运行时间延长10%至20%，并将设备生命周期延长20%至40%。

预测性维护（PdM）曾经是一个被降级为科幻小说中的未来主义概念，现在它已经是一个有形的现实，在各个领域都提供了变革的潜力。从优化制造业的生产线和提高能源的电网稳定性到简化运输和物流的运营，各组织正在充分利用PdM来实现可观的投资回报率，并推动运营效率的显著提高。