预测性维护中的机器学习

我们研究机器学习 (ML) 如何帮助颠覆传统的预测性维护模型，推动以资产为中心的组织的设备生产力和性能达到新水平。

机器学习 (ML) 预测性维护

不可预见的设备停机时间对以资产为中心的组织来说意味着越来越高的运营风险，需要更深入地了解物联网和传统预测性维护可以促进的资产健康状况。

在这种背景下，我们看到传统的计算机化维护管理系统 (CMMS) 为企业资产管理 (EAM)、资产绩效管理 (APM) 以及最近的新一代以预测性维护为重点的工具让路。可以公平地说，资产可靠性和性能确实已经被提上了议事日程。

然而，变化的步伐如此之快，以至于这些预测性维护工具已经无法满足当今企业的粒度和性能要求。由于物联网和云的融合提供了更全面和实时的数据采集，机器学习预测性维护可以在潜在的设备故障出现之前就识别出潜在的设备故障。同样，它可以通过专门的监控和维护来延长资产的剩余使用寿命 (RUL)，而不是基于典型使用情况而坚持严格的时间框架。

传统预测性维护与机器学习预测性维护

传统的预测性维护机器学习模型基于特征工程。这些模型是根据经验、专业知识和标准指标和方法手动创建的。虽然这种方法非常有效，特别是在制造运营中，但模型是特定于组织内的一台机器的，因此一旦更换该机器就变得多余了。通过大规模应用机器学习，网络可以自动从数据中提取正确的特征，识别最常见的故障模式，并且无需在每次引入新资产时手动重新创建模型。

机器学习预测性维护应用算法从历史数据中学习，并使用实时数据分析故障模式。随着时间的推移，跨多个组织的资产网络收集数据，允许检测预测设备故障的模式并应用深度学习算法。

将实时数据与历史趋势和变量（例如当前环境因素）相结合，机器学习可以决定何时需要采取行动，并就应该采取的行动提出建议。然后，生产团队可以采取适当的行动，而实际上不需要了解必要的算法。

机器学习预测性维护允许车间工程师获取防止故障发生所需的数据，而不是手动收集温度和压力等关键指标，这不仅存在不准确的风险并需要时间上传，而且会呈现人员的安全风险。从战略上讲，这种方法使工程师能够将他们的技能完全集中在他们最重要的地方：需要他们关注的维护计划和资产。

最佳实践示例

考虑一家运输公司，该公司被告知其一辆公共汽车发生故障。旧的预测性维护可能表明它的引擎即将提供服务，因此建议的操作是加快此服务并确定问题。机器学习预测性维护可以利用其丰富的洞察力来识别公共汽车中使用的发动机类型是否存在常见故障，从而允许快速诊断、部署正确的技能并采取补救措施来解决问题。这不仅最大限度地减少了车辆的“停机时间”，还最大限度地减少了资源利用率，并有助于提高公司的可靠性声誉。

逾期中断；持续创新

机器学习可用于快速实现新目标，无论是增加吞吐量以适应特定区域增加的需求，还是在供应或需求出现下降或变化时调整到及时生产。至关重要的是，这可以通过转换而不是投资数据科学团队来实现，这需要大量的投资和培训。

鉴于我们近年来已经习惯了不确定的时代，难怪它的方法已经被广泛的行业采用，这种方法根深蒂固地使用算法来寻找数据中的模式以预测未来事件。机器学习预测性维护有明显的理由颠覆传统的预测性维护领域。

不仅全球机器学习市场将从 2021 年的 171 亿美元增长到 2026 年的 901 亿美元，这也是这种颠覆背后的动力，到 2026 年，60% 的支持物联网的预测性维护解决方案将作为企业的一部分交付资产管理产品。

预测成功

所有组织都可以访问，并且设置或持续监控所需的人力资源最少，并且可以根据需要灵活扩展，唯一阻碍以这种方式实现影响的是组织摆脱传统手动的雄心操作。

将机器学习带入工厂可以释放其资产及其关键状况指标的潜力。机器学习没有要监控的最大资产数量，它能够管理尽可能少的数据。随着时间的推移，它的洞察力变得更加准确，因为额外的数据丰富了它的建模和分析经验。提供洞察力，而不是直接监控阈值，工厂工程师可以将时间集中在最需要他们的时间，并通过减少计划外停机时间和延长机器寿命来提高效率。

这种深入的、基于知识的资产管理方法的好处延伸到组织的各个角落，因为这种影响使员工能够发现和拥抱新的机会并对其提出挑战。

白皮书：通过机器学习增强人类专业知识

下载我们的免费白皮书，了解让系统用户了解循环的重要性、资产健康这一概念为何具有误导性，以及注意力指数如何提供一种更有效的方式来确定资产优先级并大幅提高生产力。