预测分析：释放维护之外的价值

您是否从预测分析计划中获得了真正的好处？大多数预测分析程序都是基于振动的预测性维护程序的替代品 专注于预防故障的单一使命。自 1980 年基于微处理器的数据收集器问世以来，只有不到百分之三 (3%) 的项目实现了可验证的节省，抵消了其经常性成本。

总体而言，这些计划声称可以减少计划外停机时间，但在所有情况下都增加了防止感知到的未决故障所需的计划停机时间。这些计划中的大多数都增加了总体维护停机时间以及总体维护劳动力和材料成本。虽然表面上可能会带来好处，但这些计划已被证明适得其反。不是因为技术限制，而是因为这些技术使用不当。

三个主要因素已经并且正在限制预测分析的好处 可以提供，它们是：

• 专注于故障预防注定不会产生积极的结果 - 如果这是您想要的，那就是您希望实现的最好结果，故障预防对于提高可靠性或降低成本没有任何帮助。 
• 将预测分析限制在维护和维护缺陷上 - 数据显示，17% 的资产故障是由维护问题造成的，其中大部分 (83%) 是由组织内的其他缺陷造成的。扩大范围以将因果因素（例如操作模式）纳入分析中，不仅有助于了解故障背后的强迫功能，还可以识别导致可靠性降低和运营成本增加的缺陷。
• 从计划中省略价值流资产 - 由技术供应商调节，振动计划包括简单的旋转资产、电气设备热成像和作为振动备份的润滑油分析。明显的遗漏是产生收入的资产——这些资产并不简单，可能不是动态的，但如果没有它们，公司就无法生存。

预测分析不仅是维护，也不仅仅是预测维护的替代品。它没有任何限制。预测分析适用于任何经常性活动 - 无论是实物资产 、生产系统或组织中的财务部门。在本文中，我们将讨论仅限于实物资产，以及基于运营动态的预测分析如何能够使您的资产获得并维持最佳性能。

如果您想从您的资产中获得最佳性能、可靠性和经济使用寿命，请加入我们，了解这种富有启发性的方法，实现真正有效的预测分析。重点关注将价值流和关键辅助资产维持在设计或最佳运行状态，而不是仅仅关注故障预防，这不仅会减少故障，而且会同时延长其经济使用寿命并降低组织的总拥有成本。这是获得最佳投资资本回报以及创收的唯一有效方法。

简介

导致这些遗留项目失败的一个共同因素是它们对资本资产的失败模式的关注，而不是其背后的因果因素。一个简单的例子是识别损坏的轴承并采取纠正措施来更换轴承。但是，如果不问导致轴承失效的明显问题，那就是一种自我实现的预言，注定会失败。

即使物理故障是造成停机和高昂维护成本的主要原因，这种方法也根本无法解决问题。除非您将注意力集中在降低可靠性、经济使用寿命并从而增加运营成本和维护资本支出的根本原因上，否则预测分析程序注定会失败。 

基于故障的方法的一个例子是一家大型综合钢厂，该钢厂为该厂实施了合同预测维护计划。在该计划开始之前，计划外停机和高昂的维护成本一直困扰着工厂。该计划实施六年后，他们报告计划外停机时间减少了 35%。

一个成功的结果，对吗？当你看看这六年来的真正变化时，情况并非如此。诚然，他们的计划外停机时间减少了，但他们的计划停机时间——更换被认为损坏的轴承、齿轮和其他磨损部件——增加了 65%。

另一个显着的变化是其同比维护成本。人工和材料总成本增加了80%以上。更换轴承的成本从 240 万美元增加到 1,470 万美元，齿轮和其他磨损部件也遵循类似的模式。 

失败不是常态。被设计为可靠、在设计限制内持续运行并得到充分持续维护的资产将在其设计寿命后仍然保持可靠。失败驱动的预测分析的问题在于没有承认我们如何运营和维护资产可以成为一个自我实现的预言。我们会加速磨损，引发加速磨损的异常操作条件，然后推迟至少可以减轻损害的持续维护。

解决方案

解决预测分析的局限性并不困难，至少从技术角度来看是这样。经典的预测技术并不是限制。当有效使用时，它们将提供取得积极成果的手段。

钢铁厂就是一个很好的例子。当他们的计划从故障驱动转向真正的预测分析时，变化几乎是立竿见影的。在不到一年的时间里，维护材料成本降至不到 200 万美元。

以轴承为例，新计划重点关注所报告的轴承故障背后的原因，并采取纠正措施来消除这些故障。消除致病因素立即消除了导致成本上升和更换成本直线下降的慢性过早故障。

第二年，轴承和其他易损件的成本进一步下降。维护成本降低了 60%，使得工厂的产量始终比重点变更之前高出 30%。 

预测分析计划的成功必须考虑构成工厂的资产、系统和流程的运营动态。它必须考虑定义其动态的固有设计限制、操作模式和持续维护水平。 

故障驱动与真正的预测分析之间差异的另一个例子涉及炼油厂中的 700 个渣浆泵。该炼油厂拥有完善的预测性维护计划，使用便携式数据收集器。技术人员每天尽职尽责地行走其路线，系统会报告每个泵何时需要维护，以防止即将发生故障。

随着时间的推移，每年与泵重建相关的成本增长到超过 1000 万美元。从记录上看，该程序正在运行，几乎没有报告因泵故障而导致停机。 

当真正的运行动态预测分析程序取代预测性维护程序 ，结果发生了巨大的变化。由于新计划寻找因果因素，而不是因故障模式而停止，因此很明显，11% 的泵每年需要进行大修的原因是它们的运行模式。

远程控制排放阀控制每个泵。分析发现，控制范围迫使泵的运行远远超出了最佳实践建议。由此产生的不稳定性导致旋转组件和外壳加速磨损和严重损坏。

为了解决这个问题，客户更改了运行参数，将控制范围限制在 BEP +/- 10% 之内，从而使每年的维修成本降至不到 100 万美元。预测分析的另一个好处是它认识到旧控制范围对功耗的影响。

BEP 的泵功率不是 160 马力，而是平均近 300 马力。年耗电量差异超过 700 万美元。在这个应用程序中，预测分析使成本同比降低了超过 1600 万美元 。 

工作原理

将预测分析应用于资产管理并不那么复杂；您必须逻辑思考并清楚地确定组织中资产的可靠性和可持续性要求。 

以下步骤定义了该过程：
 

确定每项资产的固有可靠性

可靠性由设计决定。设计后的所有活动都必须维持固有的可靠性，以获得最佳的投资回报。第一个关键步骤不仅决定了每个资产或系统的固有弱点，还决定了维持固有可靠性并实现每个资产的最佳经济使用寿命所需的操作和维护模式。 

失效物理学

明确定义每个资产或系统的所有故障模式及其原因。这一定不仅仅是简单的 FMEA 或感知到的失败列表。它必须考虑与最佳实践的所有偏差，例如各种操作模式（生产和维护）的影响。请记住，只有 17% 的资产故障是由于维护不当造成的；其余 83% 是运营缺陷造成的。

了解故障很重要，但了解导致故障的因果因素或强制功能也至关重要。如果您知道故障模式，您也许能够预测它并能够快速恢复，但这无助于提高可靠性或防止再次发生。因果因素提供了防止故障最初和所有复发所需的知识。

哪些参数可识别故障模式和因果因素

一旦您深入了解固有可靠性、故障模式及其因果因素，下一步就是确定作为预测分析引擎输入所需的特定参数，例如振动或热量分布。与任何其他形式的诊断一样，预测分析取决于输入数据的质量和完整性。

例如，输入高分辨率宽带和离散窄带振动数据足以有效分析泵的机械状况，但可能不足以确定可以提供早期检测和纠正可能导致故障的偏差的因果因素。在大多数情况下，这些参数将是从现有监测和控制系统中提取的过程数据以及预测分析引擎中不可或缺的直接测量数据的组合。在动态资产和系统上，后者包括使用智能传感器，这些传感器结合了边缘分析、机器学习和战略性地位于资产、流程或系统上的人工智能。

异常检测模型

结合本次讨论迄今为止获得的知识，有效预测分析的最后一步是开发一个运行动态或基于物理的模型，该模型可以从每个资产、系统或流程中获取连续数据，并自动分析所有变量，识别所有与正常情况的偏差，识别每个偏差背后的因果因素，并生成纠正措施的说明性指令。显然，ODA 模型是有效预测分析的关键。任何经验丰富的可靠性工程师都应该能够在特定资产生命周期的某个时刻对其进行评估并执行相同的操作。

不同之处在于，没有足够的合格可靠性工程师或一天中的时间来持续分析所有资产。预测分析引擎不会感到疲倦、无聊或分心。

总之，预测分析程序的真正功效不在于它们本身的存在，而在于它们的战略实施。人们普遍关注预防故障，尽管本意是好的，但由于无法解决潜在的因果因素，往往存在不足。转向涵盖资产动态和运营复杂性的整体方法会产生切实的好处，从故障驱动范式到真正的预测分析范式的成功转变就证明了这一点。 

通过认识到维持价值流和辅助资产的至关重要性，组织不仅可以减少故障，还可以优化性能并降低总拥有成本。采用预测分析作为提高可靠性、延长经济使用寿命和最大限度降低运营成本的工具，标志着向主动资产管理策略的范式转变，确保投资资本的最佳回报和持续创收。

作者简介

作者简介