现代制造维护策略：从被动响应到处方性维护

制造商深知维护是成败关键，尤其在高价值、快节奏、高竞争垂直领域。过去的维护策略在当今快节奏世界已不适用，仍在使用这些做法的制造商正迅速被淘汰。现代维护利用IoT设备采集数据、机器学习处理数据，达到更好预测和可执行洞察。结合起来，非计划停机可几乎被消除，更别提其他收益：员工士气提升、机会成本降低、客户印象改善、浪费减少。

虽然听起来不错，但问题在于：如何将制造公司从反应性维护推向预测性和处方性维护？如何在避开陷阱的同时收获现代维护策略红利？

要回答这些问题，必须先了解当前的维护方法及各阶段间的变化。本文将涵盖多种工业维护技术。

制造业维护类型

我们在制造背景下介绍以下每种维护策略。点击任意项跳转对应章节：

• 反应性维护：坏了再修。
• 预防性维护：在零件损坏前按固定间隔定期更换。
• 基于使用的维护：在机器使用一定量后、零件损坏前更换。
• 基于状态的维护：当零件看起来磨损过度无法继续正常工作时更换。
• 预测性维护：利用历史数据预测零件何时损坏，并在损坏前基于预测更换。通常但不总是利用人工智能和机器学习。
• 处方性维护：使用高级数据分析方法不仅预测故障点，还提供假设结果，以便在故障、安全隐患和质量问题发生前选择最佳行动及实施时机。

反应性维护

反应性维护是大多数制造商的起点。它是伴随制造业存在的传统维护方法。

什么是反应性维护？

顾名思义，这种维护意味着对发生的一切做出反应。您可能准备好了，也可能没准备好。零件损坏堵塞整条生产线，往往字面和隐喻双重含义。非计划停机随之而来。工人损失工资。公司损失收入。大家只能等拉尔夫维修工大摇大摆走进来更换损坏零件（您可能有备件，也可能没有）。

这可能意味着数天停机、错过截止日期、预算重创，特别是损坏的工具、机器或零件昂贵或难寻时。员工拿薪水给客户发恐怖的“出现延迟…”信息。成本和风险沿整个供应链向下渗透。这是个恶性、昂贵的循环。

基于日历的维护（预防性维护）

制造商一旦发现反应性维护行不通，下一合乎逻辑的步骤是基于日历的维护，也称基于时间的维护（TBM）或预防性维护。

什么是基于日历的维护？

这是一种提前计划的维护形式，旨在在零件损坏前按设定间隔（如每30、60、90天）更换零件。这样制造商可预期一定停机时间或安排非生产时段维护。这有助于确保除紧急或不可预见情况外，设备在所有计划生产期间正常运行。基于日历的维护使用“平均故障间隔时间”（MTBF）概念，根据过去故障时间确定最佳更换间隔。最适合定期使用、磨损可预测的零件。

预防性维护对定期使用、零件廉价易换、磨损率可预测的机械效果好。它简单、可预测、在这些情况下有效。预防性维护配合预测性或处方性维护等其他策略也有益。

基于使用的维护

那些不易被预防性维护覆盖、或用该方法过于昂贵过度的情况怎么办？制造商转向基于使用的维护，以应对机器使用变化、创建更合理时间线、长期降低成本。

什么是基于使用的维护？

正如基于日历的维护用设定时间间隔更换零件，基于使用的维护利用使用间隔，例如：

• 每30天换一次浴球（基于日历的维护）
• 每5000英里换一次汽车机油（基于使用的维护）

后者场景中，无论您用1个月还是1年跑完5000英里，机油只需在用到极限、进一步使用可能导致汽车其他部件退化时更换一次。

继续比喻，对一年跑5000英里的人，每月换油荒谬至极。若每月行驶里程大致相同，他们约每416英里换一次油。这意味着换油成本比实际需要高1200%，加上十一轮不必要更换的时间和风险。在基于使用的维护系统下，他们拥有同等或更低停机风险，十二个月内省下大笔钱。制造机械同理。对使用不稳定的机械，基于使用的维护能防止设备过度维护，节省大量时间和金钱。

基于使用的维护朝正确方向迈进，因它考虑实际使用而非可能武断的时间间隔。它减少过度维护可能性和浪费。但可通过预测性和处方性维护进一步提升效果。

基于状态的维护

基于状态的维护利用前述基于日历和基于使用的维护方法，消除了预测维护计划的一些猜测成分。

什么是基于状态的维护？

这种维护形式类似基于使用的维护，但监控更频繁、数据量和深度更大。工具是否显示磨损迹象？性能下降或显示其他即将故障迹象？仅当项目质量跌破特定预设阈值时才维护。测量可使用连接工具或机器的传感器持续进行，或来自目视检查等较少频次的模拟数据采集方法。

基于状态维护的优缺点

在零件成本方面，基于状态维护比基于使用、日历和反应性维护更进一步。因仅在零件预期即将故障时更换，制造商能以更少钱获得更多使用，避免了将零件推向故障点导致的损害和停机（反应性维护会如此）。

频繁监控有额外成本，无论通过传感器还是人工检查。但这些成本通常被减少停机、零件和机器寿命延长的节省抵消。

若使用传感器，安装相关成本会累积，尤其在传感器可能定期被毁的恶劣运行环境中。一些传感器可能要求制造商修改机械以实施，常使保修失效。此外，培训员工检查、安装、校准传感器可能成本高昂。

此方法下维护行动间时间不可预测，因零件仅在需要时更换。这使提前充分规划计划停机更困难。

基于状态维护改善零件使用同时很大程度保护机器免受关键故障和非计划停机，但培训工人和使用后市场传感器可能变得昂贵耗时，尤其传感器需频繁更换时。计划不可预测也可能导致机会成本增加。此系统最适合需频繁更换、易监控且易修复的机器。对制造商更广泛收益，预测性和处方性维护往往显著更有效。

预测性维护

预测性维护融合前文各类优势，表现优于之前讨论的选项。该系统帮助制造商以不断提高的准确度预测何时最可能需要维护。

什么是预测性维护？

预测性维护利用人工智能、机器学习和IoT设备等技术预测故障发生时间，以便制造商提前规划并在后果出现前更换零件。预测性维护目标是击中维护频率的“黄金区间”——不太频繁也不太稀疏。这避免过度维护陷阱（过多零件和人工成本、浪费、人为错误风险增加），也防止维护不足问题（关键故障、非计划停机、机械或员工损坏）。

为此，从配备IoT传感器的工厂机器采集数据，基于当前和历史数据分析，常利用机器学习寻找趋势并预测故障。

MachineMetrics预测性维护解决方案

了解更多

预测性维护的优缺点

制造商知道设备最可能故障时期时，需备用零件更少。预测性维护技术用户通过减少停机同时优化资源使用，获得两全其美效果。

类似基于状态维护，一些用于此目的的IoT传感器无法承受金属碎屑、润滑剂、腐蚀性材料等恶劣制造环境。传感器更换和重新校准可能成本高昂，特别是那些使工厂机械保修失效的传感器。此外，雇佣数据专业人员监控分析传感器数据以创建可执行洞察可能价格不菲。

MachineMetrics解决所有这些问题及更多。我们的数据监控设备保持机器保修完好，且因无需敏感校准，能承受最苛刻制造环境。我们的设备从您机器计算机拉取数据并加密发送至云端。没有内部数据科学家？没问题，我们帮您搞定。我们的工业物联网平台灵活直观，您几乎能立即看到数字化转型成果——仅5天实现ROI。

处方性维护 (RxM)

处方性维护（RxM）在预测性维护基础上更进一步，为迫在眉睫的维护问题提供最有价值的解决方案。处方性维护赋能制造商自主解决维护需求，无需庞大专家阵容。

什么是处方性维护？

处方性维护利用与预测性维护相同技术——工业物联网和机器学习——但也提供场景模拟指导行动。如果预测性维护告诉您因当前振动模式和显示这些模式先于故障的历史数据，您的工具将在30分钟内故障，那么处方性维护会告诉您：如果现在将该工具负载降低30%，可延长工具寿命3小时。处方性维护告诉您下一步做什么，从现有资源——时间和工具——获取最大价值。

成熟度状态：处方性维护

成熟维护策略利用多变量方法，可结合预测性和处方性维护能力。这使制造商能以当今绝对最高可行精度，在短、中、长期预测零件故障时间。也有助于优化流程，在避免非计划停机的同时最大程度榨取工具和零件寿命。处方性维护解决方案能通过人工智能增强技术员情境智能和知识库，引导其快速维修。

虽然一些预测性和处方性维护实现可能脆弱昂贵，但MachineMetrics提供能承受广泛制造环境、以每秒10000点采集数据、将信息发送给随时待命优化您工厂车间的数据专业人员的工业物联网平台。作为先进数字化转型专家，我们将流程简化到这样程度：您可DIY在机器上安装我们的IoT设备——不使保修失效——我们甚至无需踏入您工厂（但如果您愿意我们也乐意上门协助）。

随后，您将迈向全成熟、易理解、提振士气、收入飙升的超级系统，满足所有维护和制造需求。立即联系我们，看看能为您做什么。