根據世界銀行的數據，2019年全球GDP為87.8萬億美元，而ARC咨詢集團早前即估計全球制造業的停工時間每年約帶來將近1萬億美元的損失，這是一大筆錢。換言之，減少停工時間將是工業物聯網（IIoT）能夠提供的行業最有吸引力的動能之一，對于如何通過結合無線、人工智能（AI）、機器學習（ML）等技術的工業物聯網應用來達成此一目標，Silicon Labs（亦稱“芯科科技”）工業物聯網高級產品營銷經理Mikko Niemi撰寫本篇文章以分享其市場觀點和分析。

為什么停工時間成本這么高？如何降低它？

預測性維護已被證明是一種經濟高效的應用程序，可解決停工問題，并提供投資回報率來證明項目的合理性。根據業內相關機構針對物聯網的分析預測，預測性維護市場將以39%的復合年增長率增長到2024年的235億美元。

預測性維護之所以如此吸引人，是因為它同時解決了兩個關鍵問題。

如果機器或部件（如電機、泵和軸承）一直運行到發生故障，則會因故障對設備造成更大的損失。此外，還有工作人員花時間試圖在現場獲得更換零件，然后加班解決問題。所有這些都會增加計劃外停工事件的最終成本，并導致生產損失。 另一方面，如果設備因為更換易損件太頻繁或太早而過度維修，則停工時間也會因計劃的服務中斷太頻繁而增加。

在預測性維護中，算法使用從機器和部件收集的傳感器數據提前警告操作員未來的故障狀況，以便在故障發生前有充足的時間安排和計劃維護。

預測性維修的關鍵注意事項

預測性維護解決方案通常依賴于檢測電機、泵、軸承和其他運行工業和商業流程的設備的振動指紋中的異常。由于增加振動傳感器的布線成本非常高，這些傳感器通常利用無線通信和電池供電。

對于預測性維護解決方案開發人員，Silicon Labs的產品有一些獨特的優勢。產品包括業界領先的低功耗無線SoC和模塊。使用內置的低功耗模式，傳感器可以受益于快速喚醒時間以及平衡睡眠模式和活動模式之間的時間。

這種電源優化轉化為更長的電池壽命，這意味著最終客戶的總擁有成本（TCO）更低，因為傳感器在其使用壽命期間需要較少的維護。

為應用程序選擇最適合的無線技術

部署預測性維護解決方案的環境在很大程度上有所不同。這就是為什么解決方案開發人員應該與像我們這樣能夠在多個頻段支持廣泛無線技術的通信專家合作的原因。對于更遠距離的需求，Wi-SUN、Mioty或其他Sub-GHz選項更適合。

工廠或工廠內的本地網絡可以受益于藍牙和網狀技術，或者利用現有的雙頻Wi-Fi基礎設施來連接傳感器。

嵌入式AI/ML改變預測性維護的環境

人工智能和機器學習（AI//ML）已經從需要大量計算資源的云級應用擴展到可以在Cortex-M級微控制器上高效執行的應用。Silicon Labs的AI/ML合作伙伴已經開發出了一些工具，這些工具允許預測性維護算法僅在幾千字節的RAM內存上運行。

邊緣預處理意味著可以關閉本地無線電，直到出現需要向后臺系統和操作員報告的異常。這樣可以進一步節省寶貴的電池容量以及提高TCO。

即刻展開工業物聯網的應用開發

如果你想參與解決這個價值萬億美元的問題，一個很好的起點是探索我們的Thunderboard Sense 2評估套件。

該套件集成了無線通信和傳感器陣列，包括加速度計和溫度傳感器，這是最常見的預測性維護應用。您還可以瀏覽我們的設計網絡，尋找合作伙伴，他們可以幫助您設計在我們的無線SoC和模塊上運行的解決方案。

最后，看看我們最近在Sensemore上的案例研究，它選擇了我們預先認證的藍牙模塊作為其預測性維護傳感器。這一決定讓他們能夠快速推進開發工作，并更快地進入市場。

責任編輯：lq