隨著技術(shù)的發(fā)展，“為什么要修復(fù)未損壞的東西”這句老話已不再有效。
在當(dāng)今“永遠在生產(chǎn)”的世界中，工廠和生產(chǎn)設(shè)備全天候運轉(zhuǎn)，任何故障都會導(dǎo)致生產(chǎn)嚴(yán)重中斷，有時甚至?xí)ζ渌掠螛I(yè)務(wù)產(chǎn)生連鎖效應(yīng)。為了確保運營的可靠性，進行足夠的維護是關(guān)鍵。企業(yè)已經(jīng)知道這一點，所以這不是為什么的問題，而是什么時候的問題。
隨著組織和運營商采用物聯(lián)網(wǎng)(IoT)技術(shù)，包括各種各樣的機器人、攝像頭和傳感器，他們收集的數(shù)據(jù)量只會繼續(xù)增長。
事實上，全球用于收集、分析數(shù)據(jù)和自主執(zhí)行任務(wù)的設(shè)備數(shù)量，預(yù)計將從2020年的97億臺增至2030年的294億臺，增長近三倍。
如此爆炸式的數(shù)據(jù)量對于人類來說是一個挑戰(zhàn)，因為我們的大腦無法及時地分析和處理正確的信息。雖然數(shù)據(jù)為企業(yè)提供了對其運營的前所未有的洞察，但如果不能理解數(shù)據(jù)并據(jù)此采取行動，這種優(yōu)勢就會過時。
這就是在維護中使用預(yù)測分析和人工智能(AI)的原因。
什么是預(yù)測分析?
預(yù)測分析允許用戶通過收集的歷史數(shù)據(jù)確定概率來預(yù)測未來的趨勢和事件。
其預(yù)測潛在的情況并確定每種情況的可能性，幫助推動戰(zhàn)略決策。這些預(yù)測可以是近期的，如預(yù)測某臺機器在當(dāng)天晚些時候會發(fā)生故障；也可以是更長遠的未來，如預(yù)測這一年維護操作所需的預(yù)算。預(yù)測使企業(yè)能夠做出更好的決策，并制定基于數(shù)據(jù)的戰(zhàn)略。
使用人工智能進行預(yù)測性維護
人工智能最有價值的功能之一是，其能夠同時消化來自多個來源的信息，計算各種可能結(jié)果的概率，并基于各種原因提出建議——所有這些都無需人工輸入。這種能力使預(yù)測分析能夠利用許多現(xiàn)代企業(yè)中可用的大量數(shù)據(jù)。
隨著世界產(chǎn)生越來越多的數(shù)據(jù)，無論是從成千上萬的物聯(lián)網(wǎng)傳感器、顯示原材料和零部件交付時間的運輸數(shù)據(jù)，或是從全球氣象站收集的開源天氣數(shù)據(jù)，人工智能正在成熟，以幫助人類理解所有信息。其可以從茫茫的噪音中篩選出信號，做出可行的決策。
通過適當(dāng)?shù)娜斯ぶ悄芘渲?，擁有人工智能、ERP集成運營的企業(yè)可以根據(jù)從數(shù)據(jù)中收集的信息采取行動。
這些都是如何影響維護的？目前，有三種類型的維護：
基于時間的維護
反應(yīng)性維護
預(yù)測性維護
基于時間的維護是指用戶根據(jù)計劃執(zhí)行維護，通常是機器的預(yù)期生命周期。這在理論上很好，因為用戶可以根據(jù)其他類似的設(shè)備來確定維護需求。然而，這主要是理論上的，因為每臺機器的功能取決于許多因素，包括使用、位置、磨損等。使用基于時間的方法，組織可能會在機器上執(zhí)行過多或不夠的維護。
另一方面，對于反應(yīng)式維護，在需要時進行維護，這意味著將出現(xiàn)計劃外停機，從而中斷生產(chǎn)活動。
預(yù)測性維護解決了所有這些問題。這是一種基于條件的維護，通過傳感器監(jiān)測設(shè)備和工具的狀況，傳感器提供的數(shù)據(jù)用于預(yù)測資產(chǎn)何時需要維護。因此，只有在滿足特定條件時，也就是在設(shè)備開始出現(xiàn)故障之前，才計劃進行維護。
隨著人工智能技術(shù)的成熟和組織部署越來越多的物聯(lián)網(wǎng)工具，人工智能支持的預(yù)測性維護的使用正在增加。
預(yù)見性維護的實施
盡管幾乎所有需要定期維護機器的企業(yè)都可以從預(yù)測性維護中受益，這取決于機器停機的成本，但有些企業(yè)比其他企業(yè)受益更大。
例如，由于業(yè)務(wù)運營的遠程性質(zhì)，現(xiàn)場服務(wù)業(yè)務(wù)從預(yù)測性維護中獲益良多。由于石油鉆井平臺和風(fēng)力渦輪機等資產(chǎn)位于偏遠地區(qū)，易受惡劣天氣影響，對機器故障的反應(yīng)可能會嚴(yán)重影響生產(chǎn)。
更糟糕的是，事后進行維護會帶來巨大的成本，因為需要訂購備件，維護人員需要快速部署到那些偏遠的地點。然而，通過預(yù)測分析，現(xiàn)場服務(wù)機構(gòu)可以在風(fēng)力渦輪機部件無法保證持續(xù)發(fā)電之前對其進行必要的維護。
例如，通過分析機器的振動、聲學(xué)和溫度，操作員可以發(fā)現(xiàn)潛在的問題，如失衡、錯位、軸承磨損、潤滑不足或氣流。
另一個例子是警報，這是一個故障設(shè)備發(fā)出的信號/故障代碼。系統(tǒng)可以分析該類型設(shè)備的先前維護工作，以及特定的信號/故障代碼。根據(jù)歷史記錄，系統(tǒng)確定其看到該組合的最后設(shè)置次數(shù)——以前的維護工作和特定的信號/故障代碼。然后，在任何實際故障發(fā)生之前，將在適當(dāng)?shù)臅r間派遣一名技術(shù)人員，配備系統(tǒng)推薦的適用備件，以完成修復(fù)。預(yù)測分析可以讓操作人員更精確地跟蹤機器的磨損和潛在缺陷，更重要的是，可以讓其在機器故障前采取行動。
通過使用歷史趨勢和天氣模式，結(jié)合來自設(shè)備傳感器的信息和預(yù)測的供應(yīng)鏈交付時間，可以提前進行預(yù)防性維護。機組人員可以更好地控制維修的地點和時間，而不是在事故發(fā)生后匆忙前去救援——這讓他們可以選擇自己的戰(zhàn)斗。
總結(jié)
雖然沒有萬無一失的預(yù)測災(zāi)難的方法，但人工智能可以讓我們盡可能地接近災(zāi)難。
正如沿海地區(qū)的人們一旦發(fā)現(xiàn)颶風(fēng)可能會囤積瓶裝水和備用電池一樣，一個集成了人工智能的維護系統(tǒng)可以讓企業(yè)在任何問題變成真正的問題之前根據(jù)需要進行維護。
