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
、genghuan，yiquebaozaiweilaiyiduanshijianlideshengchanwendingyunxing，xiangduiyushihoukongzhizhezhongfangshijuyouyidingdekekongxing
，yenengbimianjiaodadeshigufasheng，danshi
，zhezhongweihufangshiwangwangxuyaoyidingdeweihubaoyangshijian，bingqie，jingchanghuichanshengweilebaozhangweilaiyiduanshijianbuchanshengtingji
，erduiweishixiaodeshebei、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、分(fen)析(xi)類(lei)的(de)工(gong)具(ju)與(yu)方(fang)法(fa)變(bian)得(de)更(geng)為(wei)經(jing)濟(ji)的(de)時(shi)候(hou)，數(shu)據(ju)驅(qu)動(dong)的(de)方(fang)法(fa)解(jie)決(jue)了(le)傳(chuan)統(tong)健(jian)康(kang)預(yu)測(ce)的(de)瓶(ping)頸(jing)，進(jin)而(er)使(shi)得(de)數(shu)據(ju)驅(qu)動(dong)的(de)預(yu)測(ce)性(xing)維(wei)護(hu)得(de)以(yi)快(kuai)速(su)發(fa)展(zhan)。

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)。

當(dang)然(ran)
，比(bi)較(jiao)好(hao)的(de)當(dang)然(ran)是(shi)兩(liang)者(zhe)的(de)融(rong)合(he)，模(mo)型(xing)提(ti)供(gong)了(le)快(kuai)速(su)構(gou)建(jian)預(yu)測(ce)性(xing)維(wei)護(hu)的(de)基(ji)礎(chu)，但(dan)模(mo)型(xing)的(de)保(bao)真(zhen)度(du)
，以(yi)及(ji)運(yun)行(xing)環(huan)境(jing)中(zhong)的(de)不(bu)確(que)定(ding)性(xing)等(deng)會(hui)讓(rang)模(mo)型(xing)進(jin)行(xing)的(de)預(yu)測(ce)準(zhun)確(que)度(du)不(bu)夠(gou)，而(er)基(ji)於(yu)數(shu)據(ju)則(ze)可(ke)以(yi)彌(mi)補(bu)這(zhe)方(fang)麵(mian)的(de)缺(que)陷(xian)，提(ti)高(gao)預(yu)測(ce)的(de)精(jing)度(du)。

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。