智慧維護
——預測性維護和數字化供應網絡

質量譯叢

智慧維護
——預測性維護和數字化供應網絡

編者按

本文編譯自德勤大學出版社2016年8月刊發的文章。作者分別為克里斯?科爾曼，德勤咨詢供應鏈和制造操作實踐專家領導人、德勤咨詢供應鏈和制造操作實踐高級經理薩蒂什?達莫達蘭，德勤咨詢數字物聯網實踐高級經理馬赫什?錢昌穆里，德勤咨詢供應鏈和制造操作實踐專家艾德?杜爾。本文分析預測性維護的影響、潛在收益、支撐技術及其在數字化供應網絡和智慧型工廠中的地位，構想將預測性維護融入資產維護策略的方式，探討實施預測性維護流程中面臨的挑戰，以及促成預測性維護的組織結構變革。

簡介

多數維護專家采用多種技術組合識別制造設備的故障模式，以縮短停工時間。隨著新興連接技術的崛起，機器能為之代勞，最大化零件的使用壽命，避免發生故障。

落后的維護策略會削弱工廠5%～10%的生產能力。近期研究顯示，意外的停工期導致工業制造商的年損失達500億美元。維護人員難以確定機器下線維護的頻率，也難以估計可能的停工期。因此大多數公司都面臨窘境，有些公司承受停工期的風險，選擇使用零件直至故障發生，也有些公司會提前替換性能良好的零件，最大化機器運行時間。部分公司則根據以往的經驗判斷停工時間，主動解決問題。

圖1 四級維護策略及其設備綜合效率

維護項目通常分為四種：被動性維護、計劃性維護、主動性維護和預測性維護，每一類維護類型都有其利弊（見圖1）。預測性維護借助智能連接技術連接數字資產和實體資產。雖然預測性維護概念早就有，但是成本高昂的數據處理技術導致其使用者多為大型企業。如今，隨著數字技術的普及、成本的降低以及數字化供應網絡的迅速發展，預測性維護已適用于大中小企業。運營與信息技術的結合使人們能夠深入分析實體世界的數據，進一步驅動智慧行動（見圖2）。預測性維護能夠利用相互連接的智能機器與設備的數據預測故障發生的時間和位置，最大化零件工作效率，縮短不必要的停工期。在多數情況下，預測性維護是最具效率的維護策略。因此在數字化供應網絡時代，預測性維護是一種至關重要的能力。

圖2 “實體—數字—實體”循環

權衡取舍

雖然越來越多的人認為預測性維護是維護策略的黃金標準，但面對不同的維護或維修需求，其他方法也許更適用于智慧型工廠。下面我們將簡要探討其他三種維護方式。

被動性維護

被動性維護指在零件或設備崩潰或發生故障時開展維修工作的策略，是技術含量最低、最普通的資產維護策略。該維護策略保證物盡其用，但是這也許會導致機器震動、過熱或故障，進而造成更嚴重的損害。被動性維護會放任企業治標不治本，該策略適用于維護廉價、耐用或笨重的零件。但是在多數情況下，定期更換零件或檢修機器更具成本效益。

計劃性維護

計劃性維護指在計劃時間段內，維護人員更換運行良好的零件的維護策略，這能夠防止機器故障，減少停工時間。該維護策略會更換尚在使用周期內的零件，而且維護人員需要保證備用零件的庫存，相關的庫存管理工作增加了維護工作的復雜性。另外，計劃性維護會下線正常工作的機器，進而中斷工廠的運營，增加計劃停工期。因此，難以確定被動性維護和計劃性維護，哪一種成本效益更高。

主動性維護

主動性維護指利用數據分析率先確定和解決導致機器出現非正常情況根源的維護策略，能夠防止因零件磨損或破裂引發的設備故障，因而可減少故障的發生，縮短停工期。該維護策略的優勢在于降低成本，因為它能夠減少不必要的維修工作，降低備用零件的庫存需求，延長零件和設備的使用壽命。同時，主動性維護策略可與其他策略相結合。對于在惡劣條件下運營的、成本高昂的大型設備而言，該維護策略可能是最佳選擇。表1展現了三種維護策略的優劣。

權衡破局

預測性維護能最大化零件的使用壽命，避免或最小化意外停工期，降低成本，從而打破公司原有的策略權衡。本質上而言，預測性維護通過分析連接設備的數據以期預測零件的故障及維護時間。目前，不少公司或持續使用零件直至故障發生，或替換運行良好的零件。但是預測性維護能夠幫助公司恰在零件需要維護的時間點前開展維護工作。

預測性維護的崛起及其在數字化供應網絡中的地位

雖然預測性維護的概念由來已久，但是近年來預測性維護的廣泛使用要歸功于數字技術的進步和成本的降低。過去，預測性維護常常需要進行費時的人工數據運算和分析，以探究數據背后的意義。相關策略通常依賴于“部落知識”的估算，或者持續性地深入了解和分析各種設備以保證數據的準確性。

隨著傳感器、運算能力和帶寬的成本不斷降低，數字技術迅猛發展，預測性維護成為一個可在全公司實行的可行性選項，這反過來促進了預測性維護的使用。維護人員可通過多種渠道快速獲得連接機器的數據，發現先前未注意的細節并分析其原因。以一家消費品包裝商品公司為例，該公司結合傳感器與高速相機的數據識別出兩個看似無關的事件之間的關系，避免了生產線的停運，每年幫助公司節約了500萬美元的維修成本，提高了工廠的生產效率。

然而，簡單地從傳感器和系統采集數據不足以收獲預測性維護的利益，數據只有經過整合和分析后才能預測設備的故障時間，這要求相關人員具備創造、處理和利用數據的能力。事實上，隨著連接技術和數據的發展，分析水平愈加高級，賦予了公司利用自身搜集數據的能力。上述能力在數字化供應網絡和智慧連接工廠是不可或缺的。預測性維護可以利用多渠道數據影響維護策略決策，增強資產健康的透明度，高效維護資產。通過數據驅動行動，實時的信息流動及信息分析能力能以維護和保養的形式帶來運營效率和績效。信息流與分析是數字化供應網絡的兩大特點（見圖3）。

與傳感器相連接的實體資產及相關系統生成的數據流實現了“永遠連線”的敏捷性，能夠實時感知設備內部的意外情況和變化，減少可能發生的損害。資產與系統的互聯群落能提供更大規模和范圍的數據，賦予了更精確的預測分析，使公司能智能優化決策和設備的使用。在生產過程中，對機器中傳感器產生的數據進行整合能夠實現端對端透明，而使用正確的分析和算法處理相關數據能夠達成關于資產維護方法的整體決策，基于資產在整體網絡中的角色，優化其績效。總而言之，上述能力可實現更明智的戰略性決定。

連接技術驅動預測性維護的方式

一旦識別出數據源，就能通過定制或標準數據網絡上傳數據至在線平臺或云存儲空間。隨后，分析工具根據預測性算法分析數據，預測零件的故障時間。最后，工作人員通過數據可視化協作工具在零件需要進行維護的時候開展維護工作。圖4描繪了預測性維護的流程。

預測性維護對智慧工廠的影響

制造公司的兩大商業目標是商業運營和商業增長，相互連接的數字技術和物理技術會影響上述兩個目標。在商業增長領域，數字技術關注收入增長；而在商業運營領域，其目標是提高生產效率或降低關鍵區域成本。人工的設備檢查和排除故障工作費時費力，并且成效一般，所以預測性維護對提高運營效率的作用是顯而易見的。連接技術可從多個渠道和系統提取數據，提供實時先進的觀察報告，因為電腦系統代勞了情報搜集工作，維護經理得以有精力去高效配置各種資源。

提高商業運營效率

圖3 數字化供應網絡的特點

連接技術能幫助解決維護的核心難點，即在合適的時間點確保合適的零件安裝在合適的位置。依靠真實的數據來源，而不是靠猜測來驅動維護流程。預測性維護能幫助識別出維護方案的最優效率。該維護策略可減少20%～50%的計劃維護時間，延長10%～20%的設備運行時間，降低5%～10%的總維護成本。

圖4 預測性維護流程

被動性維護、計劃性維護和主動性維護均要求維護人員準備充足的備件以應對突發故障，而預測性維護能使維護團隊更高效地開展維護工作。意大利鐵路公司在開展常規維護時會停運1600余輛火車，在某一火車突發故障時，該公司也采用相同的處理方式。這會造成難以計數的火車延誤、高額的違約罰款，乘客也為此惱火不已。鐵路公司為解決這一問題，啟動歷時三年的“維護工作改進”項目，在車身上安裝數百個傳感器以搜集數據。相關數據會上傳至公司云儲存中以診斷分析零件的發生故障時間。這樣，最大化了零件的工作壽命，降低了備用零件成本。總體而言，該公司縮短了5%～8%的停工期，節約了8%～10%的年維護成本（約1億美元）。

預測性維護能提供更精準的零件故障時間，確定零件需求量的大小，所以公司可在零風險情況下，減少備用零件庫存。如果該維護策略與物流和零件訂購系統相結合，實現備用零件的自動訂購，那么就更易達到維護工作的終極目標：在合適的時間點確保合適的零件安裝在合適的位置。目前，航空業已利用預測性維護來判斷未來24小時內是否會發生機械故障，確定備用零件的需求。這不僅能最大程度地解決航班的復雜調配問題，還能幫助維護人員準備好所需零件。

實現商業增長

上述論述表明，預測性維護可實現以降低開支、提高效率為目標的商業策略。但是在商業運營領域之外，預測性維護也能幫助實現商業增長。該維護策略不僅有助于控制成本，也具有品牌差異化作用。維護工作的失敗既會影響機器的正常運轉，也會導致殘次品的生產。超出容限度的工具和機器會導致產品質量下滑，而預測性維護能讓維護人員注意控制容限度以保證更優的產品質量。同時，由于停工期縮短，制造商可釋放現有機器的額外生產力，以增加產量，增強反應能力。由此，該維護策略可用更短的時間交付高質量的產品，使公司在激烈的競爭中脫穎而出。

以一家電子元件生產商為例，該生產商將制造執行系統和材料處理系統數據導入分布式數據庫。數據輸入結構化數據槽后，利用公司開發出的預測性算法，可以提高生產力，減少33%的殘次品。

產品質量的提高不僅能夠降低生產成本，更重要的是能提高顧客滿意度和實施品牌差異化。前一案例中，意大利鐵路公司的項目以完善車身的維護工作、提升車身的可靠性為目標，然而鐵路公司的最終目的是提高火車準點率，增強顧客滿意度。

預測性維護背后的驅動技術

只有了解預測性維護背后的連接技術，我們才能理解它的工作原理。連接技術有傳感器與通信協議、分析與數據處理工具、數據可視化與合作工具（見圖5）。

傳感器與網絡

傳感器可能是預測性維護中最重要的一環，它能創建所需的數據與通信，以實現數據存儲與分析。傳感器能把機器的物理動作翻譯為數字信號。當然，我們也可以從可編程序邏輯控制器、制造執行系統、企業資源規劃系統等渠道獲取數據。以美國通用電氣公司為例，該公司的情況預測系統整合每臺發動機的250個傳感器傳輸的數據，以及4萬余條歷史維護信息記錄，最大限度發揮工廠發動機的性能與可靠性。

如今，成本低廉的帶寬和存儲空間使傳輸海量數據不再難以企及。憑借端對端數字化供應網絡提供的透明度，制造商能對工廠資產和整個生產網絡的情況了然于心。

數據整合與增強智能

數字信息一旦集中，必須利用先進的分析和預測算法來解析、存儲和分析數據。預測零件故障需要非結構化數據的解決方案、增強智能或機器學習平臺等工具。數據分析師需要利用上述工具深挖數據之山，在日常運營的“噪聲”中尋獲零件即將發生故障的信號。簡而言之，在預測性維護依賴試點項目或評估周期所決定的故障臨界值的同時，機器學習平臺通過分析每次預測的結果反復調整臨界值。因此，選擇合適的分析法或算法對構建預測性維護的能力至關重要。做對選擇能產生意義非凡的結果。近期，一家制造商利用預測算法的機器學習平臺縮短了一半停工時間，提高了25%的生產效率。

因為這些工具逐漸主流化，所以未來公司也許不再需要統計學和計算機專業的學生，沒有掌握專業知識和資源的公司也能有機會使用上述工具。

增強行為

在數據分析工作完成之后，維護人員和機器會根據分析結果采取行動。可穿戴設備和增強現實等技術使得維護人員可以在全神貫注完成任務的同時“看見”大量資料，如參考維護手冊和專家建議等。上述技術通過提供詳細指導來幫助操作人員在機器發生故障時快速解決問題，并通過按需提供的擬真培訓傳播知識。借用這些技術，異地的團隊甚至可以遠程控制和監督操作流程。

以一家領先的技術制造商為例。該制造商部署了一套行業領先的可穿戴設備，以實現技術問題的遠程解決和專業知識的實時傳播。這個解決方案有力地支撐了故障處理流程。該公司的檢修周期減半，通過縮短停工期，一條生產線就節省了50萬美元。

數據經過加工、分析和可視化之后，數字洞察會轉化為行動。在某些情況下，數字洞察會指示機器人和機器改變功能。其他情況下，維護警示會促使技術人員采取行動。下面讓我們設想一個情景：預測性算法激活公司維護管理計算機系統的維護工作指令，檢查企業資源計劃系統中的庫存，若需要額外備件，則自動下單采購，這一系列全自動的行動均先于意外的停工期。維護經理只需批準工作流程中的項目，派遣合適的技術員去辦即可。

夯實基礎

復雜的新技術涌入工作環境必然造成天翻地覆的影響。采用和實施預測性維護的過程面臨三大挑戰：攀升的成本、技術支持與變化的人才需求。僅憑技術無法實現向預測性維護過渡，流程和組織變革與技術同等重要。向預測性維護轉型的公司需考慮下述內容。

圖5 預測性維護的驅動技術

安全性 相互連接的資產數量倍增，物聯網無處不在，公司應保護會被侵入的關鍵設備的通道，主動采取網絡安全措施。

新技能與組織方法 預測性維護是遠超傳統維護計劃和執行技能的維護策略，公司必須采用一整套新技能才能成功實施預測性維護策略。數據科學家需要與可靠性工程師合作開發算法和預測性模型。許多公司發現，這些技能人才難以找到或培養，并且實施解決方案時需要與多個供應商合作，以增強相關能力。

設備更新換代 公司使用服役年限數十年的機器是司空見慣的情況，然而這將導致維護人員難以找到機器備件，并且難以管理相應的庫存。更新或更換智能設備的成本將是一筆不菲的開支。此外，改進未連接的資產，并將其投入智慧型工廠的運營，會增加安全風險。

數據管理 在預測性維護中，正確的數據能夠幫助公司預測故障模式。因此，維護工作的首要任務是選擇合適的數據渠道。在初始階段，公司需要進行數據清理，以保證將來能進行有效的分析。但是，數據準備只是維護流程的一小部分。數據采集工作完成后，需要定位、存儲，并利用算法分析數據，以預測發生故障的時間和結果。因此，選擇最佳算法和利用機器學習平臺得出預測結果是至關重要的。如上所示，選擇和維護相關的軟件對促成預測性維護的成功同樣重要。

技術 與其他較為成熟的維護手段不同，預測性維護的軟件、硬件與算法尚處于發展的初級階段。因此建議采用試點方式，在大規模采用預測性維護前，先進行測試和學習。

通常，維護策略和流程是維護的核心。如果沒有堅實的流程基礎和素質良好的員工，那么公司在技術方面的投資也不太可能實現回報。如果維護人員無法理解傳感器和智能設備的報告，那么這些高科技產品便毫無用武之地。

構建組織能力

預測性維護流程的制度化能夠極大地縮短流程時間，集合來自不同資產、系統和地點的數據。以一家航空公司為例，該公司整合來自文本文件、飛機日志和維護記錄的數據，實現了維護流程的自動化，把發現問題所需的時間從原來的30～90天縮短至不超過1天。然而，在這樣做的同時，數據分析和維護的能力也必須到位。因此，決策框架的開發是維護策略轉型的關鍵，以使維護人員不再依賴直覺和經驗做決策，而是從數據中解讀、挖掘價值。該公司采取以下三個步驟開發決策框架，管理維護流程。

步驟一：建立績效管理框架。如果要確保指標測量了正確的區域，那么正確理解“所做”與“所得”的關系是關鍵。因為“所得”指輸出，所以應該瞄準滯后指標。“所做”為日常可控因素，因此具有先導基礎，并且應該積極管理。

步驟二：建立辨識和獲取價值的流程。量化價值，建立目標，明確責任，排定項目優先次序，監控績效和分配資源。

步驟三：由被動性預測轉變為基于實時信息分析的主動性預測。通常在這一步驟中會建立資產信息中心，為獲取多渠道信息提供簡單通道。

評估組織需求

不同公司對資產可靠性的要求不同。公司可根據以下三個方面評估任務要求和維護項目的成熟度。

商業戰略

?預測性維護對全公司的價值為多少？

?公司資產可靠性的需求為多少？什么是公司可實現的目標？

維護策略

?如何決定資產更換和資產維護的時間？

?公司已掌握何種未有效利用的數據？

?公司是否已選擇一款能夠解決所需數據類型和容量的分析工具？

?公司是否已在生產系統中辨識出何為關鍵資產？

?預測性維護試點是否會有利于部分關鍵資產？

維護流程

?公司是否在合適的時間和地點備有合適的零件？

?維護流程是否記錄完好、易懂且實用？

?公司是否為此工作配備合適的工具？

?公司的技術人員是否具備完成任務的能力？

無論是大型或是小型維護，但凡取得成功的公司都會考慮基本維護策略、流程以及驅動技術。

邁向預測性維護

制造業公司的成功通常有賴于恰當的技術與流程、能力卓著的員工。在分析數字化供應網絡和智慧型工廠時，并非所有公司都準備立即采用預測性維護。在起步階段，公司應以一些基礎性工作作為預測性維護和主動性維護的開始，逐步培養預測性維護能力。在這個階段，公司應遵循下列三個步驟。

從小處起步公司可利用一至兩套合適的資產，開展預測性維護的試點。試點資產必須與運營緊密關聯，同時相關資產會相對頻繁地發生故障，以生成基本預測算法。另外，公司需根據成功的標準檢查試點項目，以評估維護策略、技術和流程的有效性，并限制其風險。

快速規模化一旦試點結構成形，并在維護試點資產中發揮了作用，那么公司可以快速擴大預測性維護的范圍，從連接數個機器擴展至整個智慧型工廠，然后與大型數字化供應網絡相連，創造生態系統利益。

這個方法也能幫助公司發現自身面臨的挑戰。例如，許多工廠擁有工具和設備，但缺少正確的文檔資料或培訓項目，也有些公司需要投資更復雜的分析能力。公司必須辨識基礎維護達到怎樣的成熟度才能支撐預測性維護的發展，以及智慧型工廠的技術是否有助于增強技術員的工作？

先規劃后實行雖然有時細致周到的規劃看似是浪費時間，但是構建決策框架等基礎性工作對公司認識自身缺陷和取得成功至關重要。在實施期間，應評估所實現的具有里程碑意義的成果，如在首臺機器上安裝傳感器或是建立首個儀表板。這如同一場短距離沖刺賽，賽場休息時的反思有利于吸取前場的教訓，進而采用更為靈活的實施方式。

公司使用上述方法可以衡量預測性維護無可比擬的高效率。新興技術使預測性維護不再是夢想，而公司組織結構的改革使它成為可行的策略，現在只需我們把一切變成現實。

（沈淼 編譯）