探索预测性维护之旅
如何制造和其他工业组织从传统的定期维护转向主动预测性维护？开始这种转变需要哪些第一步？从最初的业务案例和设计阶段到数据准备、文化采用和扩展，整个旅程有哪些不同阶段？
在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与 MCP Consulting Group 的 Peter Gagg 一起探讨了预测性维护如何不仅仅是技术解决方案的技术挑战，而是一个持续的旅程，涉及知识获取、文化接受以及人类与智能系统之间的更大协作。
成绩单
Alexander Hill，Senseye：重新设计维护流程是一件困难的事情，我们绝不会主张您放弃现有的维护实践并直接跳入 PdM。有句老话，过度维护总是比失败更便宜，这是正确的。
需要在计划维护和预测性维护之间找到平衡点。然后，随着您越来越信任您的维护系统，您可以逐渐减少一些昂贵但众所周知的预防措施。
您必须非常缓慢地实施这种文化维护变化，因为您要建立对系统的信任，并相信节省资金和提高效率的业务成果。
Rob Russell，Senseye：维护被认为是建立在成熟的层次上，从被动到计划，再到预防和主动类型的维护。我真正认为必须发生的一个转变不是将这些视为要经历的阶段，而是为正确的资产选择正确类型的维护方法。
Peter Gagg，MCP 咨询集团：预测性维护并不是组织内所有问题的解决方案。它必须在正确的时间用在正确的地方。
使用状态监测工具用预测性维护任务代替计划维护任务很重要。但是，要到达那个位置 - 您知道哪些设备将从 PdM 中受益 - 您需要应用诸如 FMECA（故障模式、影响和关键性分析）和 RCM（以可靠性为中心的维护）等技术来确定正确的组合维护任务：无论是预测性维护、预防性维护、运行到故障，甚至是设计出正在发生的故障。
Rob Russell：我们实际上是从设计、部署、运营、然后细化的角度来考虑的。设计中的初始步骤与资产选择有关，但随后还要了解您必须捕获的各种故障模式。然后，这会通知有关您需要的正确数据和信息类型的决策。
这就是所有可以传递到部署阶段的信息，在部署阶段，您可以与控制工程师和 IT 团队合作实施数据捕获并将其流式传输到云。
Alexander Hill：然后我们可以开始将这些数据输入 Senseye，这是一个自动化的过程，它将获取这些数据并从中学习并开始建立一个稳定的这些机器和资产是什么样的，然后我们可以据此进行预测。
Rob Russell：人工智能的使用是我们工作的基础。它使我们能够进行大规模的分析，并使我们能够检测数据中的东西，这些东西可能对人类来说太微妙了。真正关键和重要的是，它以以人为中心的方式完成，以最终用户可以访问的方式提供信息，也可以成为他们日常工作流程的一部分。
设备保养维修