预测性维护：增长、挑战与成功关键
预测性维护（PdM）是一种在机器故障演变成问题前主动应对的方法。通过分析海量机器数据，PdM 让维护人员了解机器健康状况并相应优化工作，以防止非计划停机和突发故障。但尽管优势显而易见，大多数 PdM 部署注定失败。本文将审视 PdM 的兴起，以及为何众多供应商及其客户屡屡失败。
预测性维护：过去与现在
预测性维护的历史比您想象的要久远。二战期间，科学家 CH Waddington 观察到飞机故障或维修率在检查或维护后立即达到最高。这一“Waddington 效应”促使维护流程依据飞机物理状况和使用频率调整，基于数据分析调整检查周期。简而言之，这是 PdM 的雏形。
此后当然发生了巨变。第四次工业革命和工业 4.0 到来，技术突破以“颠覆几乎每个国家每个行业”的速度发生。这些突破显著改进了传感器、网络、数据采集和存储技术，加上 AI 技术近期进步带来的海量算力和数据访问，使 PdM 越来越适用于广泛工业。
今天，正如近 80 年前一样，PdM 的核心优势仍在于辅助决策。维护专业人员负责监管一个或多个站点的众多机器，极其繁忙。通过提供对机器持续健康状况的更好理解，PdM 方案帮助他们更好地利用有限时间和资源。
鉴于其传承和显著优势，为何这么多人难以在 PdM 中取得成功？
三大常见错误
事实是，许多供应商尽管对这一本质上极独特的领域知之甚少，仍跳上 PdM 顺风车。有些只是试图“超频”传统监测工具，另一些将传统数据科学方法应用于远非传统的问题空间。缺乏对 PdM 系统本质及运作方式的必要理解，许多新方案甚至无法进入市场。结果，极少数企业能在规模上取得真正成功。
归根结底，这种理解缺失及后续 PdM 失败，往往归结为供应商及其客户反复犯的三个根本错误。
- 如前所述，PdM 概念并非新事物。状态监测、维护积分、预后分析等技术已存在一段时间。但缺乏将这些技术扩展至关键机器之外的能力，导致部署长期局限于关键设备。
- PdM 并非某些人认为的大数据问题，即拥有数百万数据点和标签训练模型。工厂环境高度动态嘈杂，变量包括机器维护、不同生产速度、甚至不同操作员行为。当然，每台机器都是独特的。尽管如此，许多组织仍对 PdM 采用经典数据科学方法。
- 必须记住维护专业人员有多忙。如果 PdM 系统的用户体验不反映这一点，就有风险无法吸引目标用户。它产生的所有宝贵信息和洞察将被忽视，组织在系统上的投资将白费。
Senseye 懂 PdM
Senseye 投入 150 多人年研发时间专门针对 PdM。这正是我们理解 PdM 运作机制的原因。重要的是，我们理解 PdM 如何改善维护工程师的日常运作。正是这种理解，让我们的 PdM 方案成功。这也是我们懂得如何规模化部署、不只是堆砌数据科学家、重视用户体验的原因。
下文将探讨我们如何将吸取的教训应用到一切工作中。在此之前，您可在白皮书《Senseye in Depth: Why is Predictive Maintenance so hard?》中找到更多关于 PdM 起源及供应商/买家为何失败的详述。
设备保养维修