最大化设备可靠性：预测性维护工具专家指南
预测性维护 vs 预防性维护
预防性维护和 PdM 维护都是有效维护策略，但两者有关键差异。理解预防性与预测性维护的区别帮助团队为组织选择最合适维护类型。同样，理解预测性维护和预防性维护的优势有助于选择正确策略。许多成功维护计划结合使用两种策略。
预防性维护 基于资产预期生命周期决定何时执行维护任务。常见预防性维护示例：汽车每三个月或每 3000 英里换油。
预防性维护排程直观，对某些资产足够。预防性维护可基于日历、特定运行小时数或其他使用指标执行。可包括换滤芯、润滑、更换磨损部件等任务。
当然，预防性维护有挑战。日历主导维护行动时，一些部件在真正需要前就被更换。每次修理机器都有风险。预防性维护规划较简单，但消耗更多时间、金钱和部件。
预测性维护 基于资产实际运行状态决定采取什么步骤、何时采取。不基于排程，而是当预测性维护分析识别资产性能异常时进行维护。虽可能采取润滑、部件更换等类似步骤，但区别在于预测性维护行动恰好在需要时发生。
预测性维护策略可节省时间和金钱，但也有挑战：主要是 PdM 维护实施复杂性。幸运的是，有了正确工具可克服。设备正常运行时，可由预测性维护技术和状态监测设备（如远程传感器）监控。它们可按固定间隔或连续测量。
配合预测性维护软件，这些传感器可在资产状态变化时提醒维护团队。通过 CMMS 自动生成工单使团队快速行动，预防设备故障。
维护团队可跟踪分析资产状态数据，识别模式、为未来维护做更明智决策。最终，PdM 维护目标是最大化资产可用性、最小化每项资产维修时间和成本。
预测性维护挑战
实施新维护策略总有挑战，预测性维护也不例外。PdM 维护涉及高前期成本和新技术。若习惯反应性维护方法，转向预测性维护还需根本转变整个方法论。
预测性维护的收益无疑超过挑战。但开始前了解这些挑战很重要，以便做好准备。
成本
预测性维护依赖传感器、分析软件、IIoT 技术，所有这些前期成本相对较高。集成新技术也有挑战，为投资昂贵预测性维护解决方案争取买单可能困难。
培训
员工需大量培训如何实施预测性维护、正确使用新预测性维护技术。也需时间适应新维护方法。员工有时抵制新预测性维护策略，特别是习惯更反应性方法时，但正确培训计划可帮助克服对 PdM 采纳的抗拒。
缺乏高质量数据
预测性维护软件依赖海量数据集。分析模型需要资产性能历史数据建立基线、追踪偏离常态。若组织未收集资产数据，这会带来问题。
如何克服预测性维护挑战
预测性维护自带一些内在挑战。计划前期成本相对高，要求管理者监督复杂运营、通常需培训维护团队使用新技术。若谨慎实施 PdM 维护计划，可克服这些障碍。
克服成本与实施挑战
建议从试点项目起步，而非试图将整个组织转向预测性维护方法。试点系统让您控制成本、最小化培训、限制运营管理要求。小批量采购预测性维护技术更负担得起 — 您会发现它们很快收回成本。
成功的试点项目将带来显著投资回报率（ROI），可再投资于更大规模 PdM 计划。试点还将推动对预测性维护的理解；维护团队见到成果时很可能接受新方法。
克服培训挑战
确保员工充分掌握新预测性维护应用至关重要。视组织情况可能困难：大型组织有远程员工时，组织团队培训会有挑战。因此提供异步和按需培训计划（如 eMaint University）是好主意，让用户按独特日程安排课程。eMaint 还帮助跟踪员工培训和认证。
克服数据挑战
若尚未收集状态监测数据，现在开始。在关键资产安装 IIoT 传感器收集振动、温度等关键性能数据。
传感器将数据流式传输到 CMMS/EAM，您无需担心数据录入错误或不完整数据集。收集状态监测数据时，预测性维护软件将为每项资产建立定制的基线“正常”状态，提供足够数据创建有效预测性维护计划。
预测性维护的 3 大类型是什么？
预测性维护有几种不同类型。最广泛使用的包括振动分析、红外热成像和声学监测。
振动分析
每个旋转资产运行时都振动。但资产基线振动模式变化通常预示新故障。振动分析实时监控资产振动水平，寻找异常。
振动水平变化可指示过早磨损和腐蚀；也可指向松动、错位、轴承故障。
如今，振动分析高度复杂。做得对，该技术让您在故障严重到导致故障前数月发现机器故障。
声学监测
声学监测让您 — 或更准确说，您的状态监测工具 — “听到”摩擦或磨损的早期指标。旋转设备退化时发出特征声音。有时声音大到肉耳可闻，但声学监测捕捉您听不到的微弱声音，使其成为优秀预测工具。
声学监测广泛用作泄漏预防工具，特别是在拥有大量气体、石油或液体管道的系统中。
红外相机
红外相机可检测可能指向新兴机器故障的细微温度变化。
温度升高常源于高摩擦、过早磨损、劣化。故障布线或其他电气问题也是可能根因。红外热成像还可协助定位气体或液体泄漏；可发现湿气或气体引起的温度变化。
当然，预测性维护还有许多其他方法。若用 CMMS 锚定预测性维护计划，您能将所有这些不同洞察整合到一个高效 PdM 模型中。
预测性维护技术
实施预测性维护策略有多种方式，可用预测性维护技术多种多样。以下预测性维护工具和技术赋予每个组织收集所需信息的力量，以实施和维护其预测性维护计划。
- 振动监测： 安装在设备上的传感器可监测深度振动读数。资产基线建立后，这些传感器可持续监测、检测可能指示失衡、错位、轴承故障等故障的偏差。
- 温度监测： 类似振动监测，传感器可检测温度升至资产正常温度以上。检测到温度升高时，技师可在故障前找到并解决根因。
- 状态监测： 基于云的 CMMS 将传感器数据存储在云端，可随时随地监测分析。即使设备在偏远位置或需离站监测，用户也可访问当前或历史数据、据此做维护和更换决策。
- 人工智能（AI）分析与建议： 读懂振动传感器提供的特征需多年教育和经验。现在，即使组织无现场专家，先进 AI 驱动分析也能评估机器振动模式、识别变化。甚至能识别不同常见问题模式，让团队更快找到并修复问题。
- 报警： 振动水平指示故障时，预测性维护软件可向相关人员发送预警，以便立即行动。
- 自动工单： 若振动监测软件与计算机化维护管理系统集成，故障检测时 CMMS 可自动触发工单，节省时间、减少修复问题所需人工干预。
预测性维护示例
几乎每个行业都有重要预测性维护应用。以下仅几个典型示例。
汽车行业预测性维护示例
预测性维护工具可识别即将发生的故障，如输送带变慢或冲压/压力机振动异常。也可用于其他资产，如叉车和喷涂设备。
食品饮料行业预测性维护示例
食品饮料行业中，预测性维护技术不仅确保最大正常运行时间，还确保所有产品在严格食品法规下合规生产。预测性维护可用于搅拌机、混合机、除尘系统、挤出设备、泵、输送带。
制造业预测性维护示例
各类制造商可用预测性维护技术提升产品输出一致性和质量、降低人工成本、延长资产寿命。制造业预测性维护帮助预测和减少风扇、泵、电机等资产故障。
生命科学预测性维护示例
许多生命科学行业制造商接受地方、州、联邦当局审计。预测性维护技术确保设备持续在要求参数内运行，为组织提供经得起审计的资产历史记录。在产品需冷藏或冷冻的情况下，传感器帮助确保维持适当温度的设备始终按预期工作。
石油天然气预测性维护示例
可靠性在石油天然气行业极其重要，设备故障可能带来环境后果、对员工构成安全威胁。对泵、锅炉、压缩机等资产的预测性维护有助于降低非计划故障风险及其后果。
如何创建 PdM 维护计划
从反应性转向预测性维护非一蹴而就。但预测性维护技术进步（如 CMMS 软件和无线振动传感器）让预测性维护成为比以往更可行的策略。考虑为每项资产创建预测性维护计划时，有几个问题要记在心：
- 该资产故障如何影响生产？
- 维修该资产成本多少？
- 更换该资产成本多少？
为每台设备回答这些问题帮助团队缩小范围，确定哪些资产应按预测性基础维护。
预测性维护不一定是每项资产最有效策略。一些资产可运行至故障，对生产或底线影响极小。其他受益于简单直接的预防性维护。但对某些资产，预测性维护是最佳策略。
即使只打算在少数资产上用预测性维护工具，提前规划、建立维护团队能坚持的计划也有帮助。建立预测性维护计划的六大关键步骤：
- 识别应针对预测性维护解决方案的目标资产
- 选择用于监测资产状态的预测性维护工具和方法（如传感器和 CMMS）
- 选拔并培训实施团队学习和执行预测性维护技术
- 执行系统集成以获得完整资产健康图景
- 协调整体维护策略，识别各处采用哪种方法
- 确定资产健康数据如何在团队成员、利益相关者、审计员间共享
最终，实施成功预测性维护计划要求从组织目标和需求的长远视角出发。没有两个预测性维护计划长相同。
如何管控预测性维护？
预测性维护解决方案由定义涉及收集分析大量数据。管控预测性维护的最佳方式是用计算机化维护管理系统（CMMS）连接和管理来自工单、实时预测性维护分析、维护历史的数据，使适当人员无论何时何地工作都能访问。
无 CMMS 时，维护团队常对资产历史维护情况猜测。工单常在纸上，纸质工单查找、完成、归档耗时。纸质工单也难追踪什么完成、什么未完成。当所有在单独纸张上时，几乎无法比较完整范围的请求、进行中任务、优先工作。
CMMS 让工单排程、分配、完成容易得多。工单可基于资产关键性优先排序，确保最重要任务分配给正确技师。管理者可看清哪些任务未完成，将工作分配给已在特定资产工作或具备任务所需专长的员工。
技师和决策者也将访问历史维护记录。资产在短时间内多次故障时，专家可用数据和预测性维护分析找到根因、或决定是否该更换资产。
eMaint 预测性维护软件关键功能
eMaint CMMS 为组织提供全套预测性维护工具。借助它，组织可：
- 为每项资产定义监测类别
- 独立监测噪音、振动、温度、润滑剂、磨损、腐蚀、压力、流量
- 手工录入或导入仪表读数
- 为每项资产定义可接受运行的上下边界
- 以彩色异常显示读数报告
- 边界超限时自动触发邮件
- 读数超出预定义边界时自动生成工单
- 执行数据分析以早期识别故障、预防故障、优化维护资源
- 查看状态监测图表
案例研究：用 eMaint CMMS 状态监测实施预测性维护
Cleveland Tubing, Inc. 生产柔性可折叠管产品，包括 FLEX-Drain 和 PumpFlex。公司设置 eMaint 导入关键指标（温度、压力、液位、吸力）仪表读数，基于预定义范围在需工作或检查时触发优先工单。
维护经理 Gary Payne 指出，eMaint 已成为他们的维护决策支持系统，基于经过时间、设备利用率、基于状态指标告知每日需执行任务。他们还体验到：
- 库存补给自动报告（库存和非库存备件）
- 五人维修部门工时跟踪简化
- 通过更好将人工和材料成本分配到资产改进 ROI 计算
- 通过状态监测和关键设备潜在问题自动预警，从反应性维护演进到计划维护再到预测性维护
- 轻松衡量和跟踪 KPI 对照世界级标准（90% 计划维护）
预测性维护的未来是什么？
预测性维护的未来借助人工智能工具以前所未有规模提供洞察。AI 工具高速扫描海量数据集，对拥有关键资产车队的大型组织极具价值。最佳 AI 工具可诊断机器故障、确定故障严重等级，帮助设定清晰维护优先级。
这不意味着维护将自动化。人类技师和操作员需监督 AI 输出、在其洞察基础上构建。AI 是有用工具，而非完整解决方案。当它与人类员工共享工作流时效果最佳。
设备保养维修