数字世界中的维护

博世力士乐的 Richard Chamberlain

对于在当今竞争激烈的全球市场中运营的制造商而言，不可预见的停机是一项重大挑战，通常会导致更高的成本、错过订单截止日期甚至声誉问题。正如 Bosch Rexroth 的 Richard Chamberlain 讨论，采用预测性维护方法是最大限度延长正常运行时间的关键，随着工业 4.0 改变制造格局，现在是设计工程师寻求数字解决方案以减少机器停机时间并确保始终如一的效率水平的时候了。

由于与维护相关的停机时间长期以来一直给制造商带来挑战，预测性维护过程正在成为降低昂贵的设施停机时间风险的有用工具。基于状态监测，基本组件都配备了传感器，每个传感器都根据操作说明和过去值的经验，设置了传感器信号和警报的上下限值。在实践中，这可以深入了解机器的健康状况，并使制造商能够就何时更换重要机器的组件做出更明智的决策，并避免整个机器故障。

随着工业 4.0 的到来，最新的技术正在将这种设备维护功能转变为一种真正的预期方法。利用通过战略性放置的传感器利用的数据，新的数字解决方案——可以轻松地整合到工厂车间——基于机器健康和知识生成更可靠的预测和建议。数字化解决方案可解读实时数据，促进预期管理措施的实施，最终减少停机时间。

考虑到这一点，仅仅安装可以收集大数据的手段是不够的；设计工程师必须将数字解决方案的力量与人类智能的力量结合起来。

以数据为中心

正如从整体上看待工业 4.0 的深远可能性一样，数字化运动本身无法取得成果。本质上，它必须与智能——人类智能相结合。在实践中，为了使通过传感器网络利用的数据变得有用，必须对其进行可视化、评估和操作。

一种方法是通过 ActiveCockpit，这是一种由博世力士乐开发的工具，可以轻松收集、处理和可视化制造设施的相关数据。通过战略性放置的传感器转换从重要机械收集的复杂数据，并实时以用户友好的视觉效果呈现，可以在车间做出更快、更准确的决策。安装后，这意味着可以根据调查结果调整系统和流程，以立即取得切实的成果。

为了实现这一目标，算法和数学模型在幕后不断发挥作用。这些不仅是为了充分利用大数据而编写的，而且与巨大的计算能力相结合，使软件能够为自己使用数据，连接模式、路径和预测以供工厂车间人员使用。一旦采取行动，就可以评估更改，以通过机器学习促进持续改进。

工业4.0时代的预测性维护

因此，随着技术不断发展以利用大数据的存在并支持制造商努力保持最大竞争力，制造商实施这些工业 4.0 发展的主要驱动力保持不变：降低成本、提高质量水平和增加产量。

在工厂车间——组件完全联网和连接，以更好地控制和了解其性能——这可以转化为用于预测性维护的健康指数计划。从本质上讲，这允许在最佳时间更换组件，同时考虑资产健康状况等因素，以及对更广泛的互联工厂的影响，从而始终保持顺畅高效的运营流程。

这种方法的一个关键优势是故障查找和预测能力的准确性。从统计上讲，在给定的情况下，偶然检测到故障的概率仅为 13%，在专家人工监控下，这一数字增加到 43%。然而，将其与机器学习相结合，故障检测速度提高到 95%。

Rexroth 的 ODiN 系统结合了自学习算法和预测性维护软件，是一种实用的解决方案，能够提供连接机器的健康指数。通过提供机器状况的指示，制造商获得了保持一致的生产力水平和减少意外停机时间所需的洞察力。

大局观

为了最大限度地发挥这些数字解决方案的影响，设计工程师必须精确规划如何将工业 4.0 融入他们的设施中。在这里，无论工厂选择采用增量方法还是选择全面的数字化改造，重要的是要记住，数字技术具有高度可扩展性，甚至可以匹配最复杂的生产环境。

即使是最容易出现高部件磨损或意外故障的传统机械，也可以通过调整设备以适应智能传感器、控制和驱动器，从而形成全面预测分析的基础，从而与数字化未来保持一致。一旦连接到端到端系统，通过机器学习进行预测性维护的过程将得到完美的帮助。

与 Bosch Rexroth 等供应商合作可以使这种转变更容易，支持数字化转型的每个阶段，从规划到实施。因此，随着数据利用和可视化推动软件变得更智能，工厂变得更智能，它还促进了一种真正主动的维护方法，帮助运营更有效地运行，以提供更一致的质量和输出水平——最终在当今有史以来最大限度地提高盈利能力和竞争力-不断变化的全球市场。

更多信息，请点击这里

此博客的作者是博世力士乐的 Richard Chamberlain