對于不斷被迫減少停機時間（導致更頻繁地使用設備）和降低維護成本（通常隨著設備的使用而增加）的工業設備運營商而言，預測性維護已從“錦上添花”轉變為一定有。

一旦實施，有效的預測性維護系統能夠預測和識別潛在的設備故障，使操作員能夠提前安排維修，防止災難性系統故障，并最大限度地減少對工廠運營的干擾——最終有利于公司的底線。

對預測性維護的可衡量收益的懷疑仍然存在，高管們經常將預測性維護錯誤地標記為“黑匣子”解決方案。他們描繪了一個應用程序正在接收機器的操作數據并以某種方式預測其剩余壽命。就高管們對流程的理解程度而言，他們無法想象算法如何能夠擁有足夠的設備故障數據來發揮作用。

實際上，這種“黑盒子”的刻板印象不僅不準確，而且忽略了領域知識或解決方案目標環境特有的專業知識所起的作用。舉一個例子，開發、監控和維護工廠運營的工業工程師在開發預測和檢測設備潛在故障的算法方面發揮著關鍵作用。

軟件如何彌合數據/工程知識差距

預測性維護通常由具有數學背景的數據科學家領導，他們有時可能缺乏算法所支持領域的專業知識。因此，工程師帶來的價值是他們的領域知識，這使他們成為開發預測性維護的有效算法的關鍵。軟件扮演著彌合這些數據科學家和工程師之間鴻溝的角色。

是的，公司在訓練這些算法時需要知道故障數據是什么樣的。鑒于設備很少發生故障，這種類型的數據通常不可用，并且僅出于收集數據的目的而故意讓設備發生故障在經濟上是不可行的。這就是MATLAB等仿真軟件的用武之地，因為它使工程師更容易將與其專業領域相關的數據輸入預測模型，并使數據科學家更容易使用這些數據來訓練模型。

不熟悉數據科學的用戶仍然可以使用該軟件來實現不同的數據處理技術，識別潛在問題并測試潛在的解決方案。不熟悉預測性維護的用戶也可以使用它生成模擬故障數據，增強算法的預測性維護能力，確保算法有效訓練所需的真實數據更少。

例如，油田服務公司Baker Hughes使用 MATLAB 開發泵健康監測軟件，將設備停機成本降低了 40%，并減少了現場對額外卡車的需求。同時，包裝和紙制品制造商Mondi能夠使用 MATLAB 開發一種預測性維護應用程序，能夠在幾個月內識別潛在的設備問題。

2021 年預測性維護的下一步是什么？

大多數預測性維護算法目前位于使用它們的工業空間和設施中——最好靠近設備，例如從本地發電機、生產設施或提取設備收集數據的邊緣服務器。雖然這可以為開始進行預測性維護奠定堅實的基礎，但除了本地之外，組織還應該考慮云解決方案。托管在云中可能對一些需要強大處理器來產生洞察力的尖端算法有益，例如人工智能 （AI） 驅動的軟件。

因此，除了工業控制器和邊緣計算設備數量的增加外，公司應該期望看到更多的競爭對手采用云系統，以優化其生產軟件的功能。盡管由于數據所有權和安全性等因素，一些制造商對云表示懷疑，但他們仍應為基于云的預測性維護的現實做好準備。由于云能夠從多個來源收集數據，因此可以更有效地訓練預測性維護算法。

當然，預測性維護只是將人工智能納入其生產線的企業將獲得的眾多好處之一。忽視人工智能的組織越來越處于競爭劣勢，除非他們以某種方式探索人工智能集成，否則將繼續保持這種劣勢。好消息是，人工智能及其好處，包括預測性維護，都在每家公司的范圍內，并且有足夠多的資源來幫助他們學習。

審核編輯：郭婷