预测性维护对制造的影响

每一天，在每个制造环境中，都会发生故障和停机。当您处理执行重复性任务的设备时，这只是一个现实。然而，问题在于，当今市场的制造需要高效和优质的生产。在“准时制”制造环境中，仅一台机器的计划外停机可能会导致延误，从而导致客户不满意，这些客户可能会流失给竞争对手，并直接影响公司的底线。

（物联网）增长的真正伟大成果之一是可以利用机器数据来限制计划内和计划外停机的运营成本和影响。这也称为预测性维护。

什么是预测性维护？

预测性维护（简称 PdM）是一种预测工厂车间机器维护需求的方法。通过分析机器的运行数据，出现的模式将使操作员能够了解故障模式并预测何时需要对任何给定单元进行维护，从而可以在成本较低的时间内进行计划。

过去，制造商会依赖被动维护和其他维护策略，也就是所谓的“如果没坏，就不要修理”的方法。您可以想象，仅在机器发生故障时维修机器是一项巨大的成本，无论是在计划外停机时间和对机器其他部件的潜在影响方面，还是在部件出现故障时的输出质量方面.

随着时间的推移，公司试图摆脱被动维护并实施预防性维护策略。但预防性维护依赖于平均值，并不能反映设备的当前或实时状况。

虽然预防性和预测性维护是被动维护的升级版，但显然是赢家。实施预测性维护依赖于从每台机器中提取的特定信息来检测潜在问题。振动分析就是一个例子。

使用基线收集机器预测性维护数据的模型将能够检测到变化，例如特定部件的振动增加，这可能是由损坏或引入异物引起的。与基线的偏差使操作员能够在问题变得严重并导致设备故障之前预测需要进行维护。

预测性维护如何工作？

与预防性维护不同，预测性维护程序使用设备生成的数据并将数据发送到云端。与生产和业务流程数据一样，可以对基于状态的实时维护进行分析，以检测机器健康状况或零件或工具寿命的模式和趋势，并降低维护成本。

通常，OEM 设备可能会说明零件或工具的预期生命周期。但是，这是基于整个行业的平均值。它不考虑零件磨损可能比预期慢的轻型应用或零件磨损更快的重型应用。

生产和维护监控平台中的高级分析使用趋势和基于状态的维护来绘制实际磨损时间或预测故障模式。可以围绕这些见解制定预测性维护计划，以减少停机时间并控制成本。

强大的预测性维护程序可以使用该平台在即将发生故障时向维护人员发送警报，从而减少等待技术人员事后到达的停机时间。他们还可以处理工厂生产信息，例如在计划的转换期间进行维修的预期转换时间或计划的清洁停机时间。

预定的警报可以从技术人员扩展到 MRO 库房，因此可以分阶段放置零件以避免更多的停机时间。并且可以根据系统规定的最小/最大零件计数自动重新订购零件。作为其整体维护策略的一部分，每家公司都可以根据自己的需要定制其预测性维护技术。

预测性维护有哪些优势？

从节省成本的角度来看，预测性维护策略的优势包括优化计划停机时间和最小化计划外停机时间。预测性维护计划还将优化员工生产力和设备寿命。使用高级分析和机器学习算法，预防性维护不容小觑！

预测性维护如何帮助优化计划停机时间

计划内的停机时间可以涵盖从机器清洁和上油到更换已知会定期出现故障的零件的所有内容。这种预防性维护降低了计划外停机的风险。就像保养您的计算机并清除其病毒或保持家中其他电器的清洁一样，您将从一台服务良好的机器中获得更高效、更优质的输出。

由于机器操作中收集的数据，可以定期安排预测性维护，有时对订单生产的影响最小。还有一个额外的好处是，这种性质的充分维护将始终延长难以更换且成本高昂的机械设备的使用寿命。在预测性维护计划中最大限度地延长正常运行时间和组件的使用寿命最终将显着节省成本。

预测性维护限制计划外停机时间

根据《华尔街日报》的一篇文章，“计划外停机每年给工业制造商造成的损失估计为 500 亿美元。”在竞争激烈的制造业中，使用预测性维护来限制这一成本至关重要。

尽管定期的预防性维护可以确保机器大部分时间平稳运行，但监控机器以数字方式收集大量数据，分析后将显示任何给定机器上的模式。这种基于历史数据的模式检测可以帮助识别可能发生停机并且可以主动计划维护的机器。

预测性维护有助于优化设备使用寿命

能够随着时间的推移监控机器的效率、输出和质量将揭示数据，这些数据将识别机器何时需要维护，如上所述，但也将有助于识别机器何时达到其使用寿命。被动和预防性维护无法做到这一点。

随着机器的老化和使用水平的不同，维护计划会发生变化，这可以通过预测性维护进行管理。随着时间的推移，机器的零件对生产压力的反应会有所不同。通过数据模式预测的最终维护增加将揭示机器何时达到成本与性能的临界点。通过从成本/预算和时间/精力的角度预测需求并对其进行规划，最终更换机器的大部分或整个单元的需求变得可管理。

预测性维护有助于优化员工生产力

预测性维护可通过多种方式优化员工生产力。首先，让我们看看劳动力本身的成本。当安排维修时，维修所需的时间会减少，因为更换的部件数量较少，而不是更换整个设备。同时，设备严重故障的维修频率也将减少，“紧急调出”的次数将大大减少。

从员工的角度来看，预测性维护将减少故障和事故避免系统。当工人面临危险时，它们可以提醒甚至停止设备，从而显着改善工厂条件并最大限度地减少工人受伤。

此外，停机时间和具有次优参数的操作不仅会影响产量，还会影响员工士气。当问题出现时急于解决是有压力的。预测性维护可以最大限度地减少此类情况。

预测性维护有助于增加收入

我们在上面介绍的预测性维护的优势最终都有一个相同的目标：增加利润。通过减少对好的部件的维护和更快的故障部件的修复，可以更有效地处理修复，从而减少修复时间。麦肯锡在 2015 年对预测性维护等工业分析的潜力进行了最全面的研究之一。他们发现了以下改进的机会：

维护成本降低 10-40%

由于计划维护是基于时间表的，因此在某些情况下，维护任务会在不需要时执行。预测性维护可以防止这种低效率。

减少 10-20% 的浪费

未检测到的次优操作会导致生产浪费。在这种情况下，原材料、能源、劳动力成本和机器时间都会被浪费掉。预测性维护系统可以在可能导致浪费的问题出现之前发现它们。

发现 10-50% 的新改进机会

一旦数据收集变得自动化，就可以通过高级分析每天发现有关流程优化机会的新见解。

预测性维护技术

强大的数据驱动的预测性维护计划中使用了多种类型的预测性维护技术。该状态监测设备可用于为操作创建预测性维护解决方案。这些技术包括：

红外热成像

热量几乎总是制造环境的副产品。但对于正在运行的每台机器或作业类型，它通常是可预测的。 PdM 平台可以按机器或作业映射这些热量模式，并分析温度峰值以确定即将发生的问题。红外热像仪可以监测和测量电机、轴承或其他摩擦表面等设备的温度。它还可以帮助发现电气柜中的“热点”并检测绝缘故障。红外热成像测量温度并将单位显示为被测量的整个单位的图片。监控平台可以存储和分析这些图像，以发现问题并识别特定条件下的趋势。

声学监测

一些预测性维护监控平台可以使用高频信号来确定设备的状况。使用空气传播的声音可以应用相同的原理。通过捕获这种噪声，可以检测到故障。先进的机器学习算法用于随着时间的推移提高预测能力。这些分析可以与其他监控技术相结合，在异常发生之前深入挖掘并发现异常。

振动分析

所有制造和铣削设备都会振动。并且可以绘制每个机器和工作类型的这种振动以确定曲线上的健康范围。振动分析可帮助预测性维护工程师了解细微和重大变化的含义。随着机器学习算法随着时间的推移变得越来越准确，他们可以评估磨损率和故障点。

油品分析

虽然预测性维护平台可以使用声音、振动和温度来评估设备或部件的健康状况和可能出现的故障，但另一个捕捉机器内部情况的工具是油液分析。通过测量油品纯度、碎屑含量、污染物和油品成分，技术人员可以识别、绘制和预测原因并制定纠正策略。油品分析数据可以发送到分析平台，并与其他监控数据相结合，以获得清晰的机器健康状况。

如何实施预测性维护

既然已经清楚预测性维护是避免计划外停机和产生更高制造成本的可靠方法，那么问题是：您如何实施预测性维护计划？

首先，找到你要解决的问题的症结所在：

• 您更关心计划外停机还是组件故障的成本？
• 您所在楼层的某些机器是否更“重要”？即，更频繁地使用，对更多订单的核心等。

然后，您需要评估现有状态或创建机器性能数据基线。为此，您可以使用自己的标准、OEE 标准或其他行业标准。查看每台机器的历史性能水平：停机频率、哪些组件经常发生故障、当前计划维护的频率等等。

其次，检查历史数据中的模式以及哪些指标可以指示问题，哪些偏离基线应该标记运营商，等等。

最后，一旦您使用了这些模式和与您的基准绩效测量相关的数据，您需要制定一个流程来不断更新数据并对其进行审查，以确保它继续反映当前状态，并标记出明显表明恶化的模式需要维护。这是关键：您无法预测无法分析​​的内容。准确的数据至关重要！

最大限度地减少计划外停机时间，至少与机器功能有关，可以节省大量成本，并且可以防止延迟上市，这也会影响利润。在当今的制造环境中，预测性维护并非“值得拥有”。这是必需品。

启动预测性维护策略

预约演示