最大限度地提高设备可靠性：预测性维护工具专家指南
预测性维护与预防性维护
预防性维护和 PdM 维护都是有效的维护策略，但两者之间存在关键区别。了解预防性维护和预测性维护之间的差异可以帮助您的团队为您的组织选择最合适的维护类型。同样，了解预测性维护和预防性维护的好处可以帮助您选择正确的策略。许多成功的维护计划都结合使用了这两种策略。
预防性维护 使用资产的预期生命周期来确定何时执行维护任务。一个常见的预防性维护示例是每三个月或每 3,000 英里更换一次汽车机油。
对于某些资产来说，预防性维护计划非常简单且足够。对资产的预防性维护可以基于日历、特定的使用小时数或一些其他基于使用的指标来执行。它可能包括更换过滤器、执行润滑或更换磨损部件等任务。
当然，预防性维护提出了一些挑战。当日历规定需要进行维护操作时，某些组件会在需要之前进行更换。每次操作机器时也会产生一些风险。预防性维护可以更简单地计划，但需要更多的时间、金钱和零件。
预测性维护 使用资产的实际运行状况来确定采取哪些步骤以及何时采取这些步骤。当预测性维护分析发现资产性能不正常时，就会进行维护，而不是根据计划进行维护。虽然可以采取类似的步骤，例如润滑或更换零件，但不同之处在于，预测性维护操作恰好在需要时发生。
预测性维护策略可以节省时间和金钱，但它也带来了挑战：主要是 PdM 维护实施的复杂性。幸运的是，使用正确的工具，您可以克服这个问题。当设备正常运行时，可以通过预测维护技术和状态监测设备（例如远程传感器）对其进行监控。他们可以定期或连续进行测量。
当与预测维护软件配合使用时，这些传感器可以在任何资产状况发生变化时向维护团队发出警报。通过 CMMS 自动生成的工单使团队能够快速采取行动，防止设备故障。
维护团队可以跟踪和分析资产状况数据，以帮助发现模式并为未来的维护做出更明智的决策。 PdM 维护的最终目标是最大限度地提高资产可用性并最大限度地减少修复每项资产所花费的时间和成本。
预测性维护挑战
实施新的维护策略总是充满挑战，预测性维护也不例外。 PdM 维护涉及高昂的前期成本和新技术。如果您习惯于被动维护方法，那么过渡到预测性维护还需要对整个方法进行根本性转变。
预测性维护的好处无疑超过了挑战。但在开始之前了解这些挑战很重要，这样您就可以准备好面对它们。
成本
预测性维护依赖于传感器、分析软件和工业物联网技术，所有这些都具有相对较高的前期成本。集成新技术也可能具有挑战性，而且投资昂贵的预测维护解决方案也很难获得认可。
训练
您的员工将需要有关如何实施预测性维护以及如何正确使用新的预测性维护技术的广泛培训。他们可能还需要时间来适应新的维护方法。员工有时会抵制新的预测性维护策略，特别是如果他们习惯了更具反应性的方法，但正确的培训计划可以帮助克服对 PdM 采用的任何不愿意。
缺乏高质量数据
预测维护软件依赖于巨大的数据集。分析模型需要有关资产绩效的历史数据，以便创建基线并跟踪与标准的偏差。如果您的组织尚未收集资产数据，这可能会带来一些问题。
如何克服预测性维护挑战
预测性维护会带来一些固有的挑战。该计划的前期成本相对较高，需要管理人员监督复杂的操作，并且通常需要培训维护团队使用新技术。如果您仔细实施 PdM 维护计划，您就可以克服这些障碍。
克服成本和实施挑战
最好从试点计划开始，而不是试图将整个组织转变为预测性维护方法。试用该系统可以让您保持较低的成本、最大限度地减少培训并限制运营的管理要求。例如，小批量购买预测性维护技术要便宜得多，而且您会发现它们很快就能收回成本。
成功的试点计划将带来显着的投资回报 (ROI)，然后可以投资于更大的 PdM 计划。该试点项目还将有助于加深对预测性维护的理解；维护人员看到结果后可能会采用新方法。
克服培训挑战
确保您的员工接受新的预测性维护应用程序的全面培训至关重要。根据您的组织的不同，这可能会很困难：例如，在拥有远程员工的大型组织中，组织团队培训课程具有挑战性。这就是为什么提供异步和按需培训计划是一个好主意，例如 eMaint University，它可以让用户将课程适应他们独特的日程安排。 eMaint 还帮助跟踪员工培训和认证。
克服数据挑战
如果您还没有收集状态监测数据，那么现在就开始吧。在您的关键资产上安装 IIoT 传感器以收集振动、温度和其他关键性能数据。
传感器将数据传输到您的 CMMS/EAM，这样您就不必担心数据输入错误或不完整的数据集。当您收集状态监测数据时，您的预测维护软件将为每项资产建立定制的基线“正常”，从而提供足够的数据来创建有效的预测维护计划。
预测性维护有哪 3 种类型？
有几种不同类型的预测性维护。最广泛使用的预测性维护类型包括振动分析、红外热成像和声学监测。
振动分析
每个旋转资产在使用时都会振动。然而，资产基线振动模式的变化通常表明存在新故障。振动分析实时监控资产的振动水平，寻找异常情况。
振动水平的变化可能表明过早磨损和腐蚀；它们还可以指出松动、不对中和轴承故障。
如今，振动分析已非常复杂。如果做得好，该技术可以让您在机器故障严重到导致故障之前几个月就发现它们。
声学监测
声学监测可以让您——或者更确切地说，您的状态监测工具——“听到”摩擦或磨损的早期迹象。旋转设备在老化时会发出特有的声音。有时，这些声音大到足以用肉耳听到，但声学监测可以捕捉到您无法拾取的微弱声音，使其成为出色的预测工具。
声学监测被广泛用作防泄漏工具，特别是在具有大量天然气、石油或液体管道的系统中。
红外摄像机
红外热像仪可以检测温度的细微变化，这可能会指出新出现的机器故障。
温度升高通常是由于高摩擦、过早磨损或劣化造成的。接线错误或其他电气问题是另一个可能的根本原因。红外热成像还可以帮助定位气体或液体泄漏；它可以发现由湿气或气体引起的温度变化。
当然，还有许多其他的预测性维护方法。如果您使用 CMMS 来锚定您的预测性维护计划，您将能够将所有这些不同类型的见解集成到一个高效的 PdM 模型中。
预测性维护技术
实施预测性维护策略的方法有很多，也有很多可用的预测性维护技术。以下预测性维护工具和技术使每个组织都能够收集实施和维护其预测性维护计划所需的尽可能多或尽可能少的信息。
- 振动监控： 安装在设备上的传感器可以监测深度振动读数。一旦建立了资产的基线，就可以持续监控这些传感器，以检测可能指示不平衡、不对中或轴承故障等故障的偏差。
- 温度监测： 与振动监控类似，传感器可以检测温度何时高于资产的正常温度。当检测到温度升高时，技术人员可以在故障发生之前找到并解决根本原因。
- 状况监控： 使用基于云的 CMMS 将传感器数据存储在云中，可以从任何地方对其进行监控和分析。即使设备位于远程位置或需要在场外进行监控，用户也可以访问当前或历史数据并使用它来做出有关维护和更换的决策。
- 人工智能 (AI) 分析和建议： 学习如何读取振动传感器提供的签名需要多年的教育和经验。现在，即使您的组织没有现场专家，先进的人工智能分析也可以评估机器振动模式并识别变化。它甚至可以识别常见问题的不同模式，使您的团队能够深入了解问题，从而更快地找到并解决问题。
- 警报： 当振动水平表明存在故障时，预测维护软件可以向相应人员发送警报，以便他们立即采取行动。
- 自动化工单： 如果振动监测软件与计算机化维护管理系统集成，CMMS 可以在检测到故障时自动触发工作指令，从而节省时间并减少修复问题所需的人工干预量。
预测性维护示例
几乎每个行业都有重要的预测性维护应用。以下只是一些典型的预测性维护示例。
汽车中的预测性维护示例
预测性维护工具可以识别即将发生的故障，例如传送带减速或冲压机或压力机振动异常。它还可以用于其他资产，例如叉车和喷漆设备。
食品和饮料中的预测性维护示例
在食品和饮料行业，预测性维护技术不仅可以确保最长的正常运行时间，还可以确保所有产品的生产都符合严格的食品法规。预测性维护可用于搅拌机和搅拌机、除尘系统、挤出设备、泵和传送带等设备。
制造业中的预测维护示例
所有类型的制造商都可以使用预测性维护技术来提高产品输出的一致性和质量、降低劳动力成本并延长资产的使用寿命。制造中的预测性维护可以帮助预测和减少风扇、泵和电机等资产的故障。
生命科学中的预测维护示例
生命科学行业的许多制造商都要接受地方、州和联邦当局的审核。预测性维护技术可以确保设备在所需参数内持续运行，并为组织提供经过审计的资产历史记录。在产品需要冷藏或冷冻的情况下，传感器有助于确保用于将产品保持在适当温度的设备始终按预期工作。
石油和天然气领域的预测性维护示例
可靠性在石油和天然气行业非常重要，设备故障可能会造成环境后果并对员工造成安全威胁。对泵、锅炉和压缩机等资产进行预测性维护有助于降低意外故障及其后果的风险。
如何创建 PdM 维护计划
从被动维护到预测性维护的转变并不是一朝一夕就能完成的。但预测性维护技术（例如 CMMS 软件和无线振动传感器）的进步使预测性维护成为比以往任何时候都更容易实现的策略。在考虑制定预测性维护计划时，对于每项资产，需要牢记几个问题：
- 如果该资产出现故障，会对生产产生什么影响？
- 修复该资产需要多少钱？
- 更换该资产需要多少钱？
针对每件设备回答这些问题可以帮助团队在预测的基础上缩小需要维护的资产范围。
预测性维护不一定是对每种资产最有效的策略。有些资产可能会出现故障，而对生产或利润几乎没有影响。其他人则受益于简单直接的预防性维护。但对于某些资产来说，预测性维护是最好的策略。
即使您计划仅对少数资产使用预测性维护工具，也有助于提前计划并构建维护团队可以坚持的计划。以下是设置预测性维护计划的六个关键步骤：
- 确定哪些资产应作为预测性维护解决方案的目标
- 选择用于监控资产状况的预测性维护工具和方法（例如传感器和 CMMS）
- 选择并培训实施团队来学习和实施预测性维护技术
- 执行系统集成以全面了解资产运行状况
- 协调您的整体维护策略，确定将使用哪种方法以及在何处使用
- 确定如何在团队成员、利益相关者和审计师之间共享资产运行状况数据
最终，实施成功的预测性维护计划需要从长远角度考虑组织的目标和需求。没有两个预测性维护计划看起来是一样的。
如何控制预测性维护？
根据定义，预测性维护解决方案涉及收集和分析大量数据。控制预测性维护的最佳方法是使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和维护历史记录的数据，使适当的人员无论何时何地都可以访问这些数据。
如果没有 CMMS，维护团队通常只能猜测资产的历史维护情况。工单通常是纸质的，而纸质工单需要时间来查找、完成和归档。纸质工单也使得追踪已完成或尚未完成的工作变得困难。当所有请求、正在进行的任务和优先作业都在不同的纸上时，几乎不可能对它们进行比较。
CMMS 使工单的安排、分配和完成变得更加容易。还可以根据资产重要性确定工作订单的优先级，确保将最重要的任务分配给正确的技术人员。经理可以查看哪些任务尚未完成，并将工作分配给已经在处理特定资产的员工或具有该任务所需专业知识的员工。
技术人员和决策者还可以访问历史维护记录。当某项资产在短时间内出现多次故障时，专家可以使用数据和预测性维护分析来找出问题的根本原因或决定是否需要更换该资产。
eMaint 预测维护软件的主要功能
eMaint CMMS 为组织提供了一整套预测性维护工具。有了它，组织可以：
- 为每个资产定义监控类别
- 独立监控噪音、振动、温度、润滑剂、磨损、腐蚀、压力和流量
- 手动输入或导入仪表读数
- 定义每项资产可接受操作的上限和下限
- 将读数显示为报告，并用颜色编码例外情况
- 超出边界时自动触发电子邮件
- 当读数超出预定义边界时自动生成工单
- 执行数据分析以及早发现故障、防止故障并优化维护资源
- 查看状态监测图
案例研究：使用 eMaint CMMS 状态监测进行预测性维护
Cleveland Tubing, Inc. 是一家柔性、可折叠管材产品制造商，包括 FLEX-Drain 和 PumpFlex。该公司建立了 eMaint，以便导入关键指标（温度、压力、液位、吸力）的仪表读数，并在需要根据预定义范围进行工作或检查时触发优先工作订单。
Cleveland Tubing 的维护经理 Gary Payne 指出，eMaint 已成为他们的维护决策支持系统，根据运行时间、设备利用率和基于状况的指标，通知他们每天需要执行的任务。他们还经历了：
- 针对库存和非库存零件补充库存的自动报告
- 简化了由五名维护员工组成的部门的劳动力时间跟踪
- 通过更好地分配劳动力和材料成本到资产来改进投资回报率计算
- 能够通过状态监测和关键设备潜在问题的自动警报，从被动维护发展为计划维护，再发展为预测性维护
- 根据世界一流标准轻松衡量和跟踪 KPI（90% 计划维护）
预测性维护的未来是什么？
预测性维护的未来将利用人工智能工具来提供比以往更大规模的见解。人工智能工具高速扫描大量数据集，这对于拥有大量关键资产的大型组织来说非常宝贵。最好的人工智能工具可以诊断机器故障并确定故障严重级别，帮助设定明确的维护优先级。
但这并不意味着维护将是自动化的。人类技术人员和操作员需要监督人工智能的输出并基于其洞察力。人工智能是一个有用的工具，而不是一个完整的解决方案。当它与人类员工共享工作流程时效果最佳。
设备保养维修