1. 幾種不同的生產維護概念

相信很多在現場待過較長時間的工程師都知道“巡檢”
、“召修”這樣的工作，在設備發生故障後，由維修人員進行維修、更換，這往往同時意味著生產的停機
、重啟設備帶來的不良品和工時耽擱

、以及潛在的人員傷害
，並且在過程中也會存在過度維修的情況造成二次失效的風險
，這種被稱為“事後控製”—維修人員擔當“消防隊員”的角色，在生產過程中隨時去“救火”。

圖1-現場維護的發展階段

而另一種普遍采用的是預防性維護
，尤其是在流程工業較為普遍，即，安排專門的時間對設備進行統一的檢修、更(geng)換(huan)，以(yi)確(que)保(bao)在(zai)未(wei)來(lai)一(yi)段(duan)時(shi)間(jian)裏(li)的(de)生(sheng)產(chan)穩(wen)定(ding)運(yun)行(xing)
，相(xiang)對(dui)於(yu)事(shi)後(hou)控(kong)製(zhi)這(zhe)種(zhong)方(fang)式(shi)具(ju)有(you)一(yi)定(ding)的(de)可(ke)控(kong)性(xing)，也(ye)能(neng)避(bi)免(mian)較(jiao)大(da)的(de)事(shi)故(gu)發(fa)生(sheng)，但(dan)是(shi)，這(zhe)種(zhong)維(wei)護(hu)方(fang)式(shi)往(wang)往(wang)需(xu)要(yao)一(yi)定(ding)的(de)維(wei)護(hu)保(bao)養(yang)時(shi)間(jian)，並(bing)且(qie)
，經(jing)常(chang)會(hui)產(chan)生(sheng)為(wei)了(le)保(bao)障(zhang)未(wei)來(lai)一(yi)段(duan)時(shi)間(jian)不(bu)產(chan)生(sheng)停(ting)機(ji)，而(er)對(dui)未(wei)失(shi)效(xiao)的(de)設(she)備(bei)、器件進行整體的更換，也是一種時間和維修成本較高的方式。

為了解決“事後控製”和“預防性維護”的弊端
，“預測性維護”是一種目前普遍在進行的運維模式。

第三種稱為“預測性維護”它又有不同的階段和技術成熟度的不同而產生了不同的方法。

2.預測性維護需求的根源

今天，預測性維護技術之所以廣泛關注
，並形成了PHM-設備健康管理的整個完整的係統，也是工業物聯網技術、數字孿生技術的典型應用場景
，這有以下背景原因：

連續生產產生的需求

由於通過產線集群生產方式，每個單台設備的故障將會影響整個產線的OEE水平
，因此，預測性維護的必要性就變得更為迫切。

基於數據的方法變得更為經濟

傳統的機理模型方式依賴於專家或專家係統，專家極其難以培養，而專家係統也需要數十年的各種場景研究的積累
，而隨著數據采集、傳輸
、fenxileidegongjuyufangfabiandegengweijingjideshihou
，shujuqudongdefangfajiejuelechuantongjiankangyucedepingjing，jinershideshujuqudongdeyucexingweihudeyikuaisufazhan。

3. 預測性維護的實現方法

3.1 預測性維護的兩種主要方法

通常預測性維護，首先一個概念稱為“基於狀態監測”（Condition-Based Maintenance）的維護，它借助於傳感器技術
、通信技術
、專家係統，集中采集導致設備停機的狀態參數，可以實現在事故發生之前較長時間裏的故障“預測”
，並提供較為精準的故障定位與處理方法。

圖2-基於狀態的預測性維護

圖2-即是典型的基於振動的分析，通過加速度傳感器對信號進行采樣，通過係列的積分、濾波，對信號的包絡曲線提取、特征頻率獲取，通過快速傅裏葉變換、整流

、解調等方式對信號進行前期處理

，然後，將提取的數據輸入至狀態監測係統（Condition Monitoring System）進行分析，包括工頻
、二倍頻、共振等方麵的分析。而對數據的處理則有兩種不同的方法
，用於對故障進行預測，以獲得設備的剩餘使用時間、故障點、故障類型等處理信息。

其中兩個主要的方法稱為基於模型的（Model-Based）方法，這一種是基於機理模型，即，機械係統的失效分析，它根據已有的軸承

、齒輪箱的機械特征參數，並將實時參數進行對比
，對故障進行預測，這種係統往往會依賴於長期的數據積累，形成“專家係統”


，類似於“查表”的方式，對故障進行預測

、定位與分析。

另一種是數據驅動的預測性維護（Data-Driven Predictive Maintenance）,shizaixianyouderengongzhinengjishujichufazhanqilaide

，tongyangyeshijiyuwulijianmo，danshi，butongzaiyutameiyoutigongshixiaofenxidefangfaershitongguodashujufangfaduitezhengzhijinxingxuexi，keyitongguo“強化學習”
、“監督學習”方法來預測未來的故障，通過大量數據的學習，自主掌握設備的潛在故障。

圖3-常用機器學習過程

3.2 模型驅動與數據驅動的方法選擇

模型驅動與數據驅動的方法各自有優缺點，模型驅動方法對於模型需求較強

，必須對整個機械係統的材料、傳(chuan)動(dong)過(guo)程(cheng)等(deng)非(fei)常(chang)清(qing)楚(chu)，並(bing)且(qie)能(neng)夠(gou)有(you)很(hen)好(hao)的(de)領(ling)域(yu)知(zhi)識(shi)支(zhi)撐(cheng)來(lai)實(shi)現(xian)
，這(zhe)對(dui)於(yu)專(zhuan)業(ye)的(de)依(yi)賴(lai)非(fei)常(chang)深(shen)，往(wang)往(wang)需(xu)要(yao)非(fei)常(chang)專(zhuan)業(ye)的(de)領(ling)域(yu)專(zhuan)家(jia)，例(li)如(ru)國(guo)際(ji)認(ren)證(zheng)振(zhen)動(dong)分(fen)析(xi)師(shi)這(zhe)樣(yang)的(de)專(zhuan)業(ye)人(ren)士(shi)才(cai)能(neng)進(jin)行(xing)，而(er)數(shu)據(ju)驅(qu)動(dong)型(xing)的(de)則(ze)不(bu)依(yi)賴(lai)於(yu)專(zhuan)家(jia)的(de)知(zhi)識(shi)，通(tong)過(guo)大(da)量(liang)數(shu)據(ju)分(fen)析(xi)
，對(dui)故(gu)障(zhang)進(jin)行(xing)預(yu)測(ce)
，但(dan)是(shi)，這(zhe)種(zhong)方(fang)法(fa)需(xu)要(yao)數(shu)據(ju)量(liang)較(jiao)大(da)，同(tong)時(shi)
，由(you)於(yu)機(ji)器(qi)學(xue)習(xi)往(wang)往(wang)具(ju)有(you)“不可解釋性”，因此，用戶采用與接受也需要一個長期驗證的過程。

采cai用yong模mo型xing驅qu動dong還hai是shi數shu據ju驅qu動dong也ye需xu要yao結jie合he實shi際ji情qing況kuang
，對dui於yu機ji理li模mo型xing強qiang而er數shu據ju少shao的de，則ze采cai用yong模mo型xing分fen析xi方fang法fa

，而er對dui於yu機ji理li模mo型xing不bu清qing晰xi，數shu據ju量liang較jiao大da的de情qing況kuang，則ze宜yi於yu采cai用yong數shu據ju驅qu動dong的de方fang法fa。

dangran，bijiaohaodedangranshiliangzhederonghe，moxingtigonglekuaisugoujianyucexingweihudejichu，danmoxingdebaozhendu
，yijiyunxinghuanjingzhongdebuquedingxingdenghuirangmoxingjinxingdeyucezhunquedubugou
，erjiyushujuzekeyimibuzhefangmiandequexian，tigaoyucedejingdu。

4.預測性維護帶來的好處

降低甚至消除潛在的停機

備件可以被準確預測並進行準備

可以實現最大的設備使用價值

根據相關研究數據表明

，采用預測性維護技術對於工廠的貢獻如下：

降低維護成本：25-30%

消除生產當機：70-75%

降低設備或流程的停機：35-45%

提高生產率：20-25%

版權提示：本文為宋華振為“工控百家談”公眾號獨家撰文
，如需轉載
，請聯係本微信公眾號獲得授權。如需投稿請聯係微信號：QQ1721078

作者簡介：宋華振

貝加萊工業自動化（中國）有限公司市場部經理，武漢工程大學99屆自動化儀表專業、同濟大學2015屆MBA，並擔任SAC/TC124/SC4委員、自動化學會集成自動化分委會委員，OPC UA基金會（中國）技術顧問、走向智能研究院研究員
，主要聚焦於產業市場研究、工業通信、智能製造發展、創新生態係統等方向。