预测性维护说明

预测性维护 (PdM) 是在正常运行期间监控设备的性能和状况以减少发生故障的可能性的维护。预测性维护也称为基于状态的维护，自 1990 年代以来一直在工业界使用。

然而，实际上，预测性维护的历史要悠久得多，尽管它的历史没有正式记录。根据 Control Engineering 的说法，“预测性维护 (PdM) 的开始可能是当一名机械师第一次将耳朵放在螺丝刀的手柄上，将另一端接触到机器，然后宣布听起来像是轴承坏了.”

预测性维护的目标是首先预测设备何时可能发生故障（基于某些因素），然后通过定期计划和纠正性维护来预防故障。

没有状态监控就不可能存在预测性维护，状态监控被定义为在过程条件下对机器进行持续监控，以确保机器的最佳使用。状态监测包括三个方面：在线、定期和远程。在线状态监测被定义为对机器或生产过程的持续监测，收集临界速度和主轴位置变化的数据（“旋转机器的状态监测”，Istec International）。

通过振动分析实现的定期状态监测，通过趋势分析（“旋转机器的状态监测”，Istec International）“深入了解装置的振动行为变化”。最后，远程状态监测，顾名思义，允许从远程位置监测设备，并传输数据进行分析。

在制定预测性维护计划之前，组织必须采取几个步骤，其中包括：

• 分析需求和设备历史

• 审查有关停机时间、设备缺陷、损失（产量和能源）、潜在监管罚款和工作场所安全的任何和所有可用记录

• 建立定义和概念以及为 PdM 建立案例

• 教育主要利益相关者并获得认可

• 完成设备盘点，评估设备现状

• 为项目的初步实施选择设备

• 基于单个系统和/或组件开发系统细节

• 评估任何现有的预防性或预测性维护

• 决定包含哪些系统以及检查哪些系统

• 定义项目的关键性并建立 PdM 频率和进度类型

• 评估预期资源并分配人员角色和职责

• 组织程序并集成到调度系统中

• 教育和获得运维支持

• 升级设备并进行培训

• 创建计算机化维护管理系统 (CMMS)

在 Reliable Plant 的 2019 年预测性维护调查中接受调查的维护人员中，约有 65% 表示他们使用了预测性维护。实施和执行后，预测性维护是成功维护计划的基石。

预测性维护和预防性维护的区别

虽然许多维护计划都使用了两者，但预测性维护和预防性维护之间存在一些差异。预防性维护包括对机器进行检查和维护，无论设备是否需要维护。此维护计划基于使用情况或时间触发器。例如，暖气装置每年在冬季前都要进行保养，或者汽车每行驶 5,000 英里就需要定期保养。

此外，预防性维护不需要像预测性维护那样的状态监控组件。由于不需要状态监测，预防性维护计划不会涉及太多的技术和培训资本投资。最后，许多预防性维护计划需要手动收集和分析数据。

预防性维护是通过使用资产的平均生命周期来确定的，而预测性维护则是根据特定设备的预设和预定条件，利用不同的技术来确定的。与预防性维护相比，预测性维护还需要更多的人员、培训和设备投资，但从长远来看，节省的时间和成本会更大。

预测性维护的优缺点

如前所述，从节约成本的角度来看，预测性维护的优势是巨大的，包括最大限度地减少计划停机时间、最大限度地延长设备使用寿命、优化员工生产力和增加收入（Immerman，“预测性维护对制造的影响”）。预测性维护的另一个优势是它能够转变维护团队和组织，因为实施 PdM 可以让资产经理改善结果并更好地平衡盈利能力和可靠性等优先事项。

预测性维护的主要缺点之一是评估和实施 PdM 计划所需的时间。由于预测性维护是一项复杂的计划，因此工厂人员必须接受培训，不仅要了解如何使用设备，还要了解如何解释分析（或数据）。

虽然许多组织选择对现有员工进行预测性维护培训，但也有专门从事所需劳动并分析设施结果的状态监测承包商。除了培训成本外，预测性维护还涉及对维护工具和系统的投资。随着基于云的技术的引入，这种成本随着时间的推移而降低。

预测性维护与缺陷检查

一段时间以来，对于检查给定故障模式是否存在的适当方法存在相当多的混淆。我应该进行某种类型的感官检查吗？我应该进行某种类型的定量检查吗？我应该应用一种或多种状态监测技术吗？我是否应该应用这些技术的某种组合来最大化发现缺陷的条件概率？

我如何识别关键缺陷的存在，以最大限度地增加我的计划部门制定工作程序、创建工作订单、订购零件以及安排和完成工作的时间，以免出现条件概率失败率太高？对检查类型以及它们如何相互补充的解释对于阐明哪些检查最合适大有帮助。

缺陷检测技术的种类

长期以来，感官检查一直被认为是任何良好检查计划和维护工作的支柱。人们相信，经常派人到处检查机器问题将导致在充足的时间内识别缺陷，以减少计划外停机时间。检查员将使用视觉、声音和触觉来确定自上次检查以来是否有任何变化。任何更改都将由工匠在下一次预定停电时记录、报告和调查。

虽然派人去执行检查有很多好处，但这种策略存在很多漏洞，永远不应将其视为检查计划的支柱。感官检查通常只能识别最明显和最严重的问题。感官检查几乎不可能早期发现机器的内部缺陷。

加强感官检查

增强的感官检查填补了那个灰色地带。它们既是感官检查，又是具有状态监测特性的定量测量。这些检查使用点辐射计、频闪灯、手持振动笔和简单的超声波仪等仪器来检测 P-F 曲线上的缺陷。虽然这些工具可以放大人类感官的力量，但它们也有其局限性。这些简单的工具确实允许检测不同的故障模式，但它们不应取代全面的状态监控程序。

定量检验

在生成用于趋势分析和确定故障模式特征寿命的数据时，定量检查可以提供有用的信息。定量检查需要有人来衡量。非常常见的定量检查包括测量泵上密封件的温度或测量泵叶轮上的背板间隙。这些测量为规划人员和工程师提供数据，并帮助确定进一步维护行动的需要。

如果设计得当，定量检查程序会详细说明限制和通常预期的测量值。任何需要有人测量某物的检查都应该有最小值、最大值和典型值，并在超出限制时定义有条件的任务。但在适当的检查频率下进行的定量检查很少会出现超出限制的测量值。

作为缺陷检查技术的预测性维护

状态监测，也称为预测性维护 (PdM)，是应用基于状态的监测技术、统计过程控制或设备性能来及早发现和消除可能导致计划外停机或不必要支出的设备缺陷。

一般而言，您必须在设备正常运行时执行此操作，几乎没有过程中断。这些工具（振动分析、红外热成像、电机电路分析等）的目的是在机器正常运行的情况下发现以前可用的检查方法没有发现的缺陷。

利用现有技术，您可以评估零件的状况以及迄今为止无法检测到的缺陷的存在。这些工具在定量检查或感官检查领域的优势的一个例子是使用振动分析来确定滚动轴承上是否存在缺陷。

以前，机械师和工厂工人依靠“提升检查”来确定轴承中的间隙量。不幸的是，这种技术仅适用于导致轴承滚道材料脱落的轴承缺陷；这个轴承如果有千分之一英寸的间隙就很糟糕了。

通过振动分析可以很容易地看到次表面疲劳，在故障传播的这一点上，没有从滚道上去除材料。这是预测性维护技术优势的最常见示例。

可用于机器的缺陷检测技术有多种类型，每种技术都有其优点和缺点。然而，这些技术并不能完全替代彼此。每个决定沿 P-F 曲线的不同位置存在缺陷，因此，每个给规划函数不同的时间来响应缺陷。

故障模式、影响和关键性分析 (FMECA) 可以帮助您确定应该应用哪些检查技术、频率和冗余度。请记住，诀窍是在风险与严谨之间取得平衡。对于给定的故障模式，您愿意承担多少风险以及您愿意为检查支付多少决定了适当的策略。

预测性维护技术

顾名思义，预测性维护的目标是预测何时需要维护。虽然没有 Magic 8-Ball，但有多种状态监控设备和技术可用于有效预测故障，并为即将到来的维护提供提前警告。

红外热像仪

作为一种无损或非侵入式测试技术，红外 (IR) 热成像技术在预测性维护中得到了广泛的应用。使用红外热像仪，人员能够检测设备中的高温（也称为热点）。磨损的组件，包括出现故障的电路，通常会散发热量，在热图像上显示为热点（“预测性维护”，精益制造工具）。

通过快速识别热点，红外检测可以查明问题并帮助避免代价高昂的维修和停机时间。红外技术被认为是“可用的最通用的预测性维护技术之一……用于研究从机械的单个组件到工厂系统、屋顶甚至整个建筑物的一切事物，”（控制工程）。红外技术的更多用途包括检测依赖于保温和/或传递的过程系统的热异常和问题。

声学监测

随着 声学 技术，人员可以在声波或超声波水平上检测设备中的气体、液体或真空泄漏。声波技术被认为比超声波技术便宜，可用于机械设备，但其使用受到限制。超声波技术应用范围更广，检测机械问题更可靠。

通过使用仪器将 20 到 100 kHz 范围内的声音转换为“听觉或技术人员可以听到/看到的视觉信号。这些高频正是由磨损和润滑不足的轴承、电气设备故障、阀门泄漏等产生的确切频率。” （赖特，“如何利用多种预测性维护技术”）。

虽然声波和超声波检测都可能很昂贵，但还有另一种形式的声学监测非常实惠：技术人员的耳朵。 “像检测漏油或听起来奇怪的变速箱这样简单的事情就可以而且经常确实可以预防灾难性故障，避免数万美元的损失，”（赖特，“如何利用多种预测性维护技术” ).

振动分析

振动分析主要用于高速旋转设备，允许技术人员使用手持式分析仪或设备内置的实时传感器来监测机器的振动。在峰值条件下运行的机器表现出特定的振动模式。当轴承和轴等部件开始磨损和失效时，机器将开始产生不同的振动模式。通过主动监控设备，训练有素的技术人员可以将读数与已知故障模式进行比较，以确定发生问题的位置。

振动分析可以检测到的问题包括不对中、轴弯曲、部件不平衡、机械部件松动和电机问题。

确保技术人员接受培训至关重要，因为利用振动分析预测机器故障可能很困难。许多组织提供深入的培训，让个人为振动分析师的认证做好准备。使用振动分析的唯一缺点是与 PdM 程序实施相关的成本。

油液分析

油液分析是预测性维护的有效工具。它使技术人员能够检查油的状况并确定是否存在其他颗粒和污染物。一些油品分析测试可以揭示粘度、水或磨损金属的存在、颗粒数以及酸值或碱值。

使用油液分析的好处之一是初始测试将为新机器设定基准。如果操作得当，油液分析可以产生无数结果，帮助预测性维护成功。

其他技术

除了这些技术外，设施还可以使用其他技术，例如电机状况分析，它详细说明了电机的运行和运行状况；涡流分析，可识别离心式冷水机组和锅炉系统内管壁厚度的变化。管道镜检查、CMMS、数据集成和状态监测也有助于促进预测性维护。虽然有多种不同的技术可以帮助您进行 PdM 工作，但选择正确的技术以确保成功至关重要。

预测性维护的商业案例

为了实现资本投资回报并保持机器以最高效率运行，设施必须更加重视预测性维护。根据华尔街日报 , “计划外停机时间估计每年给工业制造商造成 500 亿美元的损失。 42% 的计划外停机是造成设备故障的原因。计划外停机导致过度维护、维修和设备更换。”

随着运营和管理朝着降低成本和提高生产力的方向发展，预测性维护的需求变得清晰起来，因为很难为设施做出任何具有成本效益的长期决策。

预测性维护的价值来自于节省成本和/或节省时间的方法，因为只有在需要时才进行维护。事实上，美国能源部联邦能源管理计划的多项研究发现，正常运作的预测性维护计划可比反应性维护节省 30-40%，比预防性维护节省 8-12%。

要使 PdM 战略取得成功，必须考虑并满足几个标准。首先，承诺应该是自上而下的。整个组织必须致力于使预测性维护成为正常计划的强制性部分。所有过程操作员也必须接受教育并参与执行所需的维护检查。此外，整个组织都需要了解维护不善的实际成本和影响。最后，必须立即实施 PdM 程序，以便组织开始收获收益。

虽然许多人认识到对高价机器使用预测性维护的重要性，但 PdM 也可用于监控较小的日常资产，例如咖啡机、打印机、邮资计等。实际上，整个设施都可以从实施预测性维护中受益。

预测性维护应用

预测性维护的最大应用是在制造领域。随着制造工厂继续面临提高生产力的需求，已经制定并实施了多种维护策略。然而，其中大部分都是反应性的。许多设施具有“如果它没有坏，就不要修理它”的心态。不幸的是，这种心态会导致计划外维护和停机。

如前所述，设施在 1990 年代初期开始实施预测性维护。当时，“缺乏生成数据的传感器的可用性以及用于收集和分析数据的计算资源的缺乏，使得实施 PdM 变得困难”（“制造中的预测性维护概述”，Microsoft Azure）。

随着物联网 (IoT)、机器学习、云计算和大数据分析的引入，制造业在实施预测性维护方面取得了进展，从而增加了正常运行时间和质量控制、优化了维护路线、提高了工人的安全性和更高的生产力。由于制造商的利润和时间安排都很紧，计划外停机的想法已变得不可取。预测性维护可以提供解决方案。

PdM 的另一个应用是在铁路部门，特别是因为它与铁路行业的数字化转型有关。由于火车的初始投资很高，因此人们非常关注使它们尽可能长时间地服务。预测性维护使铁路公司能够通过各种降低运营成本并延长车队使用寿命的技术和软件，从其列车车队中获得最大价值。

在铁路部门，预测性维护用于检测线性、固定和移动资产的问题；通过基于车辆驾驶室的监控系统提高安全性和轨道空隙检测；并确定空洞所在的轨道资产类型，并说明空洞的严重程度。

根据MaintWorld 中的一篇文章 ，“未来，可靠的铁路维护预计将依赖智能交通系统和互联解决方案，例如预测性维护和集成安全工具，以改善安全、延误和整体系统容量等关键问题”（Peycheva，“Railway Goes Smart具有预测性维护和工业 4.0 CMMS”）。

虽然传统上对其维护系统进行现代化改造缓慢，但石油和天然气行业正在成为预测性维护的主要支持者。每天，石油和天然气公司通过世界各地油田的传感器——尤其是无线传感器——收集大量数据。随着石油和天然气作业变得越来越复杂，设备状况的可见性变得更加困难，尤其是在偏远、近海和深水位置。

在 2015 年的一份白皮书中，MapR Technologies Inc. 表示：“石油和天然气公司拥有通过更好的资产跟踪和预测性维护来提高效率和降低运营成本的重大机遇。”

预测性维护可被视为石油和天然气公司以及相关服务业务的竞争优势，尤其是在经济衰退时期，当组织被迫寻找更有效地工作的方法时。当然，预测性维护不仅仅适用于制造、铁路、石油和天然气行业。在其他应用中，PdM 用于：

• 借助可绘制公用事业网络地图的无人机和传感器，帮助防止公用事业中断

• 检测蒸汽管道中的温度下降，表明潜在的压力泄漏

• 捕获电气面板中升高的温度以防止组件故障

• 在公共耦合点测量供需侧功率以监测功耗

• 找出配电盘中的过载

• 识别因轴承不良或绝缘故障引起的电机电流峰值或过热

• 从一相或多相的谐波失真、过载、退化或故障中找出三相功率不平衡

IIoT 和 PdM 集成

最重要的因素之一——如果不是 最重要的因素——成功的预测性维护计划是工业物联网 (IIoT) 的使用和集成。根据德勤的一份报告，“物联网 (IoT) 可能是 PdM 难题中最大的一块……物联网使用温度、振动或电导率等传感器将机器的物理动作转换为数字信号……一旦物理动作被通过传感器将其转换为数字信号，然后对其进行处理、聚合和分析。凭借带宽和存储的可负担性，可以传输大量数据，不仅可以提供单个工厂中资产的全貌，还可以提供整个生产网络的全貌”（Coleman 等人，“预测性维护和智能工厂”） ）。

为了取得成功，预测性维护依赖于传感器来收集和分析来自各种来源的数据，例如 CMMS 和关键设备传感器。使用这些数据，IIoT 能够创建“高级预测模型和分析工具来预测故障并主动解决它们。此外，随着时间的推移，新的机器学习技术可以提高预测算法的准确性，从而带来更好的性能”（Coleman 等，“Predictive Maintenance and the Smart Factory”）。

与预测性维护配合使用时，IIoT 能够提前发现设备故障。随着工业 4.0 在制造领域的到来，设施渴望利用 IIoT 来更好地洞察运营。

预测性维护和投资回报

实施预测性维护需要在资金、人员和教育方面进行大量投资。虽然这些初始投资对组织来说似乎令人生畏，但预测性维护的投资回报 (ROI) 远远超过任何前期成本。

根据德勤最近的一份报告，一些设施在运营和维护、维修和运营 (MRO) 材料支出方面节省了 5-10% 的成本；总体维护成本降低 5-10%；并降低库存成本。美国能源部的进一步数据还表明，实施功能性 PdM 计划有可能使 ROI 增加 10 倍，维护成本降低 25-30%，故障减少 70-75% 和 35-45停机时间减少百分比。

“就维护成本而言，预防性维护的年薪为 13 美元，而预测性维护的年薪为 9 美元，这使预测性维护成为一种更便宜的选择”（乌尔伯特，“预测性维护和预防性维护之间的区别”）。

参考文献

科尔曼、克里斯、萨蒂什·达莫达兰和埃德·杜埃尔。 “预测性维护和智能工厂。”德勤。 2017. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-cons-predictive-maintenance.pdf

《轮换状态监测机器。”伊斯特克国际。 2018 年 11 月 1 日访问。https://www.istec.nl/en/condition-monitoring-rotating-machines/。

控制工程。 “预测性维护技术。” 2018 年 11 月 4 日访问。https://www.controleng.com/single-article/predictive-maintenance-technologies/72faca6f85ddaef6b4479583b2741e6c.html。

伊默曼，格雷厄姆。 “预测性维护对制造的影响。”机器指标。 2018 年 11 月 1 日访问。https://www.machinemetrics.com/blog/the-impact-of-predictive-maintenance-on-manufacturing。

精益制造工具。 “预测性维护。” 2018 年 11 月 2 日访问。http://leanmanufacturingtools.org/427/predictive-maintenance/。

佩切娃，拉利察。 “铁路通过预测性维护和工业 4.0 CMMS 实现智能化。”维护世界。 2017 年 10 月 11 日。2018 年 11 月 4 日访问。https://www.maintworld.com/Applications/Railway-Goes-Smart-with-Predictive-Maintenance-and-Industry-4.0-CMMS。

“制造概述中的预测性维护。”微软 Azure。 2018 年 5 月 1 日。2018 年 11 月 4 日访问。https://docs.microsoft.com/en-us/azure/industry/manufacturing/predictive-maintenance-overview。

“使用 Hadoop 进行石油和天然气行业的预测性维护”，MapR Technologies Inc.，2015 年 5 月。https://mapr.com/resources/predictive-maintenance-using-hadoop-oil-and-gas-industry/。

Ulbert, Sebastian，“预测性维护和预防性维护之间的区别”，Coresystems，2015 年 9 月 15 日。2018 年 11 月 2 日访问。https://www.coresystems.net/blog/the-difference-between-predictive-maintenance-和-预防性维护。

华尔街日报 . 2018 年 11 月 2 日访问。https://partners.wsj.com/emerson/unlocking-performance/how-manufacturers-can-achieve-top-quartile-performance/。

维基百科。 “预测性维护。” 2018 年 10 月 11 日访问。https://en.wikipedia.org/wiki/Predictive_maintenance。

赖特，杰里米。 “如何利用多种预测性维护技术。”机械润滑。 2018 年 11 月 1 日访问。https://www.machinerylubrication.com/Read/29819/predictive-maintenance-technologies