改进制造维护

数字世界的规模每两年翻一番，预计将从 2013 年的 4.4 万亿 GB 增长到 2020 年的 44 万亿字节。根据 EMC 数字世界，企业对这个数字世界中大约 85% 的数据负有责任。

制造工厂只是为这种数据生产做出贡献的一种企业，它收集过程数据以监控机器状态。自动化零部件供应商 EU Automation 的美国经理 Claudia Jarret 表示，工厂工程师可以充分利用这些数据并确保他们的维护计划有利于工厂。

Jarret 解释说，制造商面临着在保持灵活性的同时满足客户需求的持续压力，他们敏锐地意识到工厂停工的威胁。据分析公司 Aberdeen Research 称，由于包括机器故障在内的多种因素，停机时间可能会导致制造商每小时损失高达 260,000 美元。

因此，预防性维护是必不可少的，即在设备发生故障之前对其进行维护，而不是被动维护，后者侧重于在发生故障后修复设备。

但对于那些在食品和饮料或汽车零部件制造等大批量、低利润行业的企业来说，由于预付费用较高，预防性维护可能被错误地视为无法实现。

预防

Jarret 说，例如，等待系统因电机过热或传热系统泄漏而发生故障的日子已经过去了。工厂经理现在计划定期检查、升级和故障排除以避免故障。这些简单的步骤是进行预防性维护的一种方式。

但随着工业 4.0 技术（如状态监测）变得更容易获得，出现了更智能、更准确且耗时更少的方法。

许多制造工厂现在使用预测性维护（一种复杂的预防性维护形式）来确定设备的运行状况并在故障发生之前准确预测故障。这不仅降低了因停机而导致故障的风险，而且还意味着可以订购任何必要的更换部件，并且在设备出现故障时有库存。

此外，监控设备的健康状况可以允许逐步调整，而以前需要进行大修才能进行改进。改造可以提高流程的效率，最终通过消除低效元素来降低成本，并通过维护或更换易损件来延长设备使用寿命。

从哪里开始

Jarret 建议，在实施任何预防性维护计划时，工厂经理应采取的第一步是收集尽可能多的数据。这应该包括对相关工厂的实际停机成本的准确估计。整理智能传感器收集的数据、销售数据和改造系统应该可以让您考虑到销售损失、产品浪费和紧急维修成本，这可以提供有用的基线数据。

利用他们在工厂的经验，维护工程师还应该参与制定一个理想的工厂计划，包括他们认为需要更高水平维护的区域，例如旧设备或固有容易发生故障的机械，如电机、涡轮机，或其他活动部件。

然后可以将此计划与预算一起使用，以制定现实的维护计划，包括可以采用何种级别的预防性维护。对于一些制造商来说，这意味着定期检查设备，例如每月对工厂的某个部分进行一次检查，或者每天对波动较大的机械进行检查。

数据

如果以真正的预测性维护为目标，温度、压力和振动等数据将由传感器收集，并将持续集成、存储和分析。制造商的下一个问题是如何充分利用这些有价值但庞大的数据集。

收集数据后，下一步要充分利用其潜力，就可以开始分析。一种流行的数据分析选项是云分析服务。在这里，原始数据被传输到云端，在那里可以存储和分析可以预测包括故障在内的事件的趋势。许多服务还包含警报系统，并且可以通过门户网站、应用程序、电子邮件或短信向相关人员发送即将发生故障的警告。

其他制造商可能担心网络安全、存储在云中的数据的长期稳定性，或者数据收集和分析之间的滞后，将在内部分析原始数据。虽然这通常会占用更多资源，但它让工厂经理可以完全控制他们的数据。

过时

无论实施哪种系统，除了减少停机时间和提高流程效率外，还可以使用预测性维护来管理过时问题。

这意味着可以在正确的时间订购零件以适应维护计划。传统上，制造商必须保留可能需要更换的零件库存，这会占用工厂车间的宝贵空间，而这些空间可用于运营。如果将备件存放在工厂地板上，备件也可能体积庞大，并会产生健康和安全隐患，包括绊倒或火灾危险。

相反，制造商可以选择仅在必要时订购替换零件，从而最大限度地利用他们可用的空间和资源。由于 EU Automation 等供应商能够在 24 小时内向全球运送过时的零件，因此现在无需在现场存储零件或遭受长时间的停机等待它们到达。

采用预测性维护时，收集的数据还可用于其他目的，例如提高流程效率和确保及时订购更换零件。正确收集和分析这些数据对于最大限度地发挥其潜力至关重要——随着数据量的增加，这一点每年都会变得更加重要。