预测分析：释放超越维护的价值

您的预测分析计划是否带来真实收益？大多数预测分析计划只是基于振动的预测性维护计划的替代品，专注于防止故障这一单一使命。自1980年基于微处理器的数据采集器问世以来，不足3%的此类计划产生了可验证的节约以抵消其经常性成本。

总体而言，这些计划宣称减少了非计划停机，但在所有案例中都增加了防止感知到的潜在故障所需的计划停机时间。大多数计划增加了总体维护停机时间，以及总体维护人工和材料成本。虽然似乎有收益，但这些计划被证明适得其反。并非由于技术局限，而是由于这些技术的不当使用。

三大因素限制了预测分析本可提供的收益：

• 专注于故障预防注定无法产生积极结果——如果这是目标，这是所能达到的最好结果，而故障预防无法提高可靠性或降低成本。
• 将预测分析局限于维护和维护缺陷——数据显示17%的资产故障源于维护问题，大多数（83%）源于组织内其他缺陷。将因果因素（如运行模式）纳入分析，不仅有助于理解故障背后的驱动函数，还能识别降低可靠性、增加运营成本的缺陷。
• 将创造价值的资产排除在计划之外——受技术供应商影响，振动计划涵盖简单旋转资产、电气设备热成像和润滑油分析作为振动备份。显而易见的遗漏是创收资产——那些不简单、可能非动态但没有它们公司无法生存的资产。

预测分析不仅不是维护，也不是预测性维护的简单替代品。它无局限性。预测分析适用于任何经常性活动——无论是物理资产、生产系统，还是组织中的财务部门。本文将讨论范围限定在物理资产，以及基于运行动力学的预测分析如何实现从资产获得并维持最优性能。

若想从资产获得最优性能、可靠性和经济寿命，请加入我们，探索真正有效的预测分析方法。与其单一聚焦故障预防，不如聚焦于将价值流和关键辅助资产维持在其设计或最优运行工况，这不仅能减少故障，还能同时延长其经济寿命、降低组织总拥有成本。这是获得投资资本最优回报和收入创造的唯一有效途径。

引言

这些遗留计划失败的一个共同驱动因素是其痴迷于资本资产的故障模式，而非背后的因果因素。一个简单例子是识别出坏轴承并采取更换轴承的纠正措施。但如果不问导致轴承失效的显而易见原因，就是自我实现的预言，注定失败。

即使物理故障是驱动停机和高维护成本的主要原因，这种方法也无法解决问题。除非关注降低可靠性、经济寿命的根本因果因素，从而增加运营成本和维护资本支出，否则预测分析计划注定彻底失败。

一个基于故障的方法案例：某大型综合钢铁厂为工厂实施合同预测性维护计划。计划启动前，非计划停机和高维护成本困扰工厂。六年后，他们报告非计划停机减少35%。

成功的结果？并非如此。查看这六年的真实变化：确实非计划停机降低了，但计划停机——为更换感知到的坏轴承、齿轮和其他磨损部件——增加了65%。

另一个显著变化是逐年维护成本。总人工和材料成本增加80%以上。更换轴承成本从240万美元增至1470万美元，齿轮和其他磨损部件遵循类似模式。

故障非常态。设计可靠、持续在设计极限内运行并获得充分维护的资产，将远超设计寿命保持可靠。故障驱动型预测分析的问题在于不承认：我们如何运行和维护资产可能成为自我实现的预言。我们制造加速磨损、诱发异常运行工况加速磨损，然后推迟本可至少减轻损害的维护。

解决方案

从技术角度看，解决预测分析局限并不难。经典预测技术不是限制。有效使用时，它们将提供实现积极结果的手段。

钢铁厂是个好例子。当其计划从故障驱动转向真正的预测分析，变化近乎即时。不到一年，维护材料成本降至200万美元以下。

以轴承为例，新计划聚焦于报告轴承故障背后的因果因素并实施纠正措施消除它们。消除因果因素立即消除了推高成本的慢性过早故障，更换成本暴跌。

第二年，轴承和其他磨损部件成本进一步下降。维护成本降低60%使工厂持续以比转变前高30%的速率生产。

预测分析计划的成功必须考虑构成工厂的资产、系统和流程的运行动力学。必须考虑固有设计局限、运行模式和维护水平，这些定义了其动力学。

另一个故障驱动与真正预测分析区别的例子涉及炼油厂的700台浆液泵。炼油厂有一个成熟的预测性维护计划，使用便携式数据采集器。技术人员每日忠实巡检，系统报告每台泵何时需要维护以防止即将发生的故障。

随时间推移，泵大修相关成本增长至每年1000万美元以上。账面上计划运行良好，鲜有泵故障导致的报告停机。

当基于真实运行动力学的预测分析计划取代预测性维护计划，结果剧烈变化。因为新计划寻找因果因素而非止步于故障模式，显而易见的是，11%的泵每年需要大修的原因是其运行模式。

每台泵由远程控制的出口阀控制。分析识别出控制范围迫使泵在远超最佳实践建议的范围外运行。由此产生的不稳定导致转子组件和泵壳加速磨损和严重损坏。

为纠正问题，客户更改运行参数将控制范围限制在最佳效率点（BEP）的±10%以内，使年维修成本降至100万美元以下。预测分析的另一收益是识别旧控制范围对功耗的影响。

泵在BEP处为160制动马力，实际平均汲取近300马力。年功耗差异超700万美元。仅这一应用，预测分析使逐年成本降低超1600万美元。

如何运作

将预测分析应用于资产管理并不复杂；只需逻辑清晰思考，明确确定组织中资产的可靠性和可持续性要求。

以下步骤定义流程：

确定每个资产的固有可靠性

可靠性由设计决定。设计后的所有活动必须维持这种固有可靠性，以获得投资的最优回报。这一关键第一步不仅确定每个资产或系统的固有弱点，还确定维持固有可靠性、实现每个资产最优经济寿命所需的运行模式和维护要求。

失效物理机制

明确定义每个资产或系统的所有故障模式及其因果因素。这必须超越简单的FMEA或感知故障清单。必须考虑所有偏离最佳实践的情况，如各种运行模式（生产和维护）的影响。记住，仅17%的资产故障源于不当维护；其余83%源于运营缺陷。

理解故障很重要，但理解导致故障的因果因素或驱动函数至关重要。若知晓故障模式，可能预见并快速恢复——但这无法提高可靠性或防止复发。因果因素提供防止故障初次发生及所有复发所需的知识。

哪些参数识别故障模式和因果因素

深入理解固有可靠性、故障模式及其因果因素后，下一步是确定具体参数（如振动或热分布）作为预测分析引擎的输入。预测分析像任何其他诊断形式一样，依赖输入数据的质量和完整性。

例如，高分辨率宽带和离散窄带振动数据输入足以对泵机械状况进行有效分析，但可能不足以确定因果因素，从而对若未知可能导致故障的偏差提供早期检测和纠正。在大多数情况下，这些参数将是从现有监控和控制系统提取的工艺数据与直接测量数据的组合，后者是预测分析引擎的组成部分。在动态资产和系统上，后者包括战略性部署在资产、工艺或系统上的包含边缘分析、机器学习和人工智能的智能传感器。

异常检测模型

结合迄今讨论的知识，有效预测分析的最后一步是开发运行动力学或基于物理的模型，能够摄取每个资产、系统或流程的持续数据，自动分析所有变量，识别所有偏离常态的情况，识别每个偏差背后的因果因素，并生成纠正行动的处方指令。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能在资产生命周期的某个时间点评估特定资产并做同样的事。

区别在于没有足够合格的可靠性工程师或时间持续分析所有资产。预测分析引擎不会疲劳、厌倦或分心。

总之，预测分析计划的真正功效不在于其存在本身，而在于其战略实施。普遍存在的故障预防关注点虽初衷良好，但因无法解决根本因果因素而往往失效。转向涵盖资产动力学和运营复杂性的整体方法，能产生切实收益，这从从故障驱动向真正预测分析范式的成功转型中得到证明。

通过确认维持价值流和辅助资产的关键重要性，组织不仅能缓解故障，还能优化性能、降低总拥有成本。将预测分析作为提升可靠性、延长经济寿命、最小化运营成本的工具，标志着向主动资产管理策略的范式转变，确保投资资本最优回报和持续收入创造。