预测性维护：提效、减停机、保客户满意

每一天，在每个制造环境，故障和停机都在发生。面对执行重复任务的设备，这是现实。问题在于，当今市场制造要求效率和质量生产。在“准时制”制造环境中，仅一台机器非计划停机就能导致延误、客户不满、客户流失至竞争对手、直接冲击公司底线。

(Internet of Things)增长带来的真正伟大成果之一，是机器数据可被利用限制停机（计划和非计划）的运营成本和影响。这即预测性维护。

什么是预测性维护？

预测性维护——PdM，简称——是预判工厂车间机器维护需求的方法。通过分析机器运营数据，浮现模式让操作员理解故障模式、预测任何给定单元何时需要维护，允许在低成本时段计划维护。

过去，制造商依赖反应性维护和其他维护策略，即“修不好不修”法。可想而知，仅在设备坏了维修成本巨大，无论非计划停机、对机器其他部件潜在影响、还是故障期间产出质量影响。

随时间，公司寻求远离反应性维护实施预防性维护策略。但预防性维护依赖平均值，不反映设备当前或实时状况。

虽预防性和预测性维护是反应性维护的进阶，但有明显赢家。实施预测性维护依赖从每台机器拉取的特定信息检测潜在问题。例子是振动分析。

用基线收集机器预测性维护数据的模型能检测变化，如特定部件振动增加，可能由损坏或异物引入造成。偏离基线让操作员在问题严重、导致设备故障前预测维护需求。

预测性维护如何工作？

与预防性维护不同，预测性维护计划使用设备生成的数据并发送至云端。像生产和业务流程数据，实时基于状态的维护可被分析检测机器健康或零件刀具寿命的模式趋势，降低维护成本。

OEM设备常声明零件或刀具预期寿命。但这基于跨行业平均值。不考虑轻载应用零件磨损慢于预期、重载应用磨损快于预期的情况。

生产和维护监控平台的高级分析用趋势和基于状态的维护描绘实际磨损时间或预测故障模式。可围绕这些洞察开发预测性维护计划以减少停机、控制成本。

稳健预测性维护计划可用平台在故障迫近时发送警报给维护员工，减少事后等技术员到达的停机。也可配合工厂生产信息，如预期换型时间，在计划换型或计划清洁停机期间维修。

计划警报可从技术员延伸至MRO库房，以便分阶段备件避免更多停机。零件可按系统规定的最小/最大数量自动补货。作为整体维护策略一部分，每家公司可根据自身需求定制预测性维护技术。

预测性维护的优势是什么？

从成本节约角度，预测性维护策略优势包括优化计划停机、最小化非计划停机。预测性维护计划也将优化员工生产力和设备寿命。使用高级分析和机器学习算法，预防性维护不容小觑！

预测性维护如何优化计划停机

计划停机涵盖从机器清洁上油到定期故障零件更换一切。这种预防性维护降低非计划停机风险。就像给电脑杀毒、保持家电清洁，保养良好的机器产出更高效、更高质量。

得益于机器运营采集数据，预测性维护可定期安排在对订单生产影响最小的时段。还有额外益处：此类充分维护必然延长难以且昂贵更换的机械设备寿命。在预测性维护计划中最大化正常运行时间和组件寿命最终将带来显著成本节约。

预测性维护限制非计划停机

据《华尔街日报》文章，“非计划停机每年让工业制造商损失估计$500亿。”在高竞争制造行业，用预测性维护限制此成本至关重要。

数字化监控机器采集大量数据，经分析将显示任何给定机器的模式。这种基于历史数据的模式检测，帮助识别可能经历停机的机器，从而主动计划维护。

预测性维护有助优化设备寿命

能随时间监控机器效率、产出、质量将揭示数据，识别机器何时需维护（如上文），也帮助识别机器何时寿命终结。反应性和预防性维护做不到这点。

随着机器老化和使用水平，维护计划将变化，可通过预测性维护管理。机器部件随时间对生产应力响应不同。通过数据模式预测的最终维护增加将揭示机器在成本vs性能临界点。最终更换机器大部件或整机变得可控，通过预测该需求并从成本/预算和时间/精力角度规划。

预测性维护有助优化员工生产力

预测性维护优化员工生产力有多种方式。先看人工成本本身。维修计划时，因更少组件更换而非整机更换，所需维修时间减少。关键设备故障维修频率降低，“关键呼叫”大幅减少。

从员工视角，预测性维护导致故障减少、避免事故系统。这些可在工人危险时警报甚至停机，大幅改善工厂条件、最小化工伤。

此外，停机和次优参数运营不仅影响产出也影响员工士气。问题发生时匆忙解决很有压力。预测性维护最小化此类实例。

预测性维护有助增加收入

上述预测性维护优势最终同一目标：增加利润。好组件少维修、坏组件快修复，维修更有效处理，从而减少维修时间。关于工业分析如预测性维护潜力最全面研究之一由麦肯锡2015年进行。他们发现以下改进机会：

维护成本降低10-40%

因计划维护基于时间表，会有执行维护任务但实际不需要的情况。预测性维护可防止此类低效。

浪费减少10-20%

未被检测的次优运营导致浪费性生产。原材料、能源、人工成本、机器时间在此类实例中浪费。预测性维护系统可在问题产生前发现可导致浪费的问题。

发掘10-50%新改进机会

数据采集自动化后，高级分析可每日发掘流程优化新洞察。

预测性维护技术

稳健数据驱动预测性维护计划中使用多种预测性维护技术。这种状态监控设备可用于创建运营预测性维护解决方案。这些技术包括：

红外热成像

热量几乎总是制造环境副产品。但对每台机器或运行作业类型往往可预测。PdM平台可按机器或作业绘制热模式、分析温度峰值判断逼近问题。红外热成像可监测测量电机、轴承或其他摩擦面温度。也可帮助发现电柜“热点”、检测绝缘故障。红外热成像测量温度并将整个被测单元显示为图像。监控平台可存储分析这些图像检测问题、识别特定条件下趋势。

声学监测

一些预测性维护监控平台可用高频信号判断设备状况。同原理可用空气声。捕获此声学噪音可检测故障。高级机器学习算法随时间改进预测能力。这些分析可结合其他监控技术深入挖掘、在发生前发现异常。

振动分析

所有制造和铣削设备振动。此振动按机器和作业类型可绘制为曲线上健康范围。振动分析帮助预测性维护工程师了解微妙和显著变化含义。可评估磨损率和故障点，随机器学习算法随时间更准确。

油液分析

预测性维护平台可用声音、振动、温度评估设备或零件健康和可能故障，另一捕获机器内部状况的工具是油液分析。测量油纯度、碎屑含量、污染物、油成分，技术员可识别、绘制、预测原因并制定纠正策略。油液分析数据可发送至分析平台、结合其他监控数据获取清晰机器健康图景。

如何实施预测性维护

既明确预测性维护是避免非计划停机、规避更高制造成本的可靠途径，问题来：如何实施预测性维护计划？

先直击您试图解决问题的核心：

• 您更担心非计划停机还是组件故障成本？
• 车间有些机器更“重要”？即使用更频繁、更多订单核心等。

然后需评估现有状态或创建机器性能数据基线。可用自有标准、OEE标准或其他行业标准。复查每台机器历史性能水平：停机频率、定期故障组件、当前维护安排频率等。

第二，检查历史数据模式、什么指标指示问题、什么偏离基线应标记操作员等。

最后，一旦使用这些模式和相对基线性能测量的数据，需建立持续更新数据和复查流程，确保持续反映当前状态、标记清晰信示维护需求的恶化模式。这是关键：无法分析就无法预测。精准数据至关重要！

最小化非计划停机，至少就机器运作而言，是巨大成本节约、防止上市延误冲击底线。在当今制造环境，预测性维护非“锦上添花”。它是必需品。

启动预测性维护策略