预测性维护 - 您需要了解的内容

Momenta Partners 的 Ed Maguire

在 Momenta 合作伙伴 ，我们花了很多时间与创新者和最终用户讨论如何利用来自实物资产的数据来优化流程、降低风险、发展业务，甚至推动全新的业务模式，洞察合作伙伴 Ed Maguire 说。

预测性维护是全面考虑的首要问题，初创企业、专业服务公司和成熟的工业公司都在寻求通过“在问题发生前修复”来实现收益的方法——这可能会节省大量的时间、金钱和声誉风险。

什么是预测性维护？

预测性维护只是能够根据真实世界的数据预测机器或零件何时可能发生故障，然后能够采取行动避免任何问题。这是一个简单的概念，但很难实现。在航空航天和交通运输等行业，能够预防故障可以挽救生命。

而最近的西南航空公司 死亡人数可能无法预见，如果发动机爆炸的数据可以用来防止下一次爆炸呢？为了能够预测潜在的故障，您需要从数据开始——历史数据，特别是导致故障的数据——以便创建一个算法来标记未决问题的迹象。

预测性维护之路

今天，工业维护在本质上主要是“预防性的”。预防维护从一个计划开始。当公司购买工业资产或其他资产时，他们通常会遵循建议的维护间隔。想想每 3,000 英里更换汽车机油的建议。除了遵守规定的时间表外，大多数重大维修发生在设备出现故障时，资产本身在达到一定年龄时会被更换。遵守时间表很有用，但它并不能提供未来可能发生的事情的想法。

通过添加状态监控，企业可以进行主动维护。状态监测涉及实时跟踪数据——例如来自温度或振动传感器的数据。这有助于在问题发生时识别问题，如果出现异常情况，例如过度振动或温度过高，这可能表明需要主动维护 - 例如更换零件。

预防性维护按照预定义的时间表运作，而主动维护通常采用状态监控，但这两种方法都不一定能帮助企业预测未来可能出现的问题。

为了能够预测故障，您需要历史数据来开发预测算法，最好包括导致并包括故障或故障的时期。这涉及收集数据并对数据执行分析，然后使用新收集的数据测试、调整和更新算法。在过去，这是一个昂贵的过程，需要能够开发专门模型的高度专业化的统计人员。

一旦预测性维护解决方案到位一段时间，它们就可以与具体的建议或说明相结合，以便企业在问题发生之前解决问题。这个概念被称为预测性维护，它认为分析可以识别未决问题、指导修复并在最少的人工干预下保持机器正常运行。

自 1980 年代以来，预测性维护一直是资金最雄厚的大型组织的职责，在这些组织中，失败或停机的成本很高，例如军事和航空航天。如今，随着适用于机器学习的存储、处理能力和 GPU 等专用芯片价格大幅下降，预测性维护的可访问性正在变得大众化。

今天的现实是，许多资产被过度维护，公司为了防止故障而不必要地花费，因为他们缺乏对机器实际健康状况的洞察力。有巨大的机会来降低停机和中断造成的成本，以及更有效地在机器的维修频率和范围上进行支出。虽然我们仍处于早期阶段，随着大多数工业公司从预防性维护转向主动性维护，但有大量初创企业和项目正在进行中，以实现预测性维护的民主化。

从数据开始至关重要，因此我们建议采用衡量方法。从状态监测开始，确保数据和流程的舒适度和准确性。一旦掌握了合理的主动维护任务，然后聘请数据和领域专家（可以是自己动手的数据科学家，也可以是来自专业服务公司或软件初创公司的行业专家）。

开发算法，在现实生活中测试它们，测量、调整和升级并继续这个过程。预测性维护是目标，但它更像是一段旅程而不是目的地。有大量资源和专家可以提供帮助，坚持不懈就会取得成功——节约成本、消除意外停机、提高安全性、提高流程效率——最重要的是让客户更满意。

要了解更多信息，我们建议阅读实现预测性维护 (PdM) 分析中的机会 .

此博客的作者是 Momenta Partners 的洞察合伙人 Ed Maguire

关于作者：

Ed 将超过 17 年的华尔街股票研究和投资银行经验带到 Momenta，在企业软件方面拥有深厚的专业知识。事实证明，基于对技术、运营、竞争和市场的严格分析，他成功地识别了战略机遇并阐明了可操作的见解。最近，他担任 CLSA Americas 的高级分析师和董事总经理 涵盖软件产业、技术和创新。