重新思考工業物聯網預測性維護

孟文出

具有數據分析功能的網絡傳感器可以實現基于狀態的維護，從而預測設備何時可能出現故障。

依賴大型昂貴設備的公司負有維護資產完整性和安全性的基本責任，不僅要保護員工和客戶，還要降低運營成本。

這一責任在所有工業部門中非常普遍。公用事業公司需要維護大型發電廠以及分布廣泛的輸配電線路。基礎設施運營商需要負責確保道路、橋梁、隧道、水道、下水道和供水等大型分散資產的安全性和可操作性。運輸和配送公司必須持續維護和修理分散在各地的火車、公共汽車和卡車車隊。飛機公司和航空公司必須可靠地確保其飛機在每次飛行中都100 %安全。制造廠和加工廠需要確保機器處于最佳工作狀態，以防止機器意外故障而關閉整個生產線。

重要設備的停機可能會給企業及其供應鏈造成高昂的代價。解決此問題最具成本效益的方案是采用預測性維護系統。預測性維護（PDM）是一種監測高價值設備在運行期間狀態和性能的方法，以了解其健康狀況和預測故障時間，并采取壽命延長機制，計劃和執行維護來減輕即將發生故障的影響，從而降低意外故障的可能性。

自1990年代以來，工業界就一直在考慮進行預測性維護，然而，在全部實現方面還存在一些障礙，部分原因是需要為設備配備可以觀察到所關注事件的傳感器。此外，還需要收集、存儲和分析來自分散資產（如大型車隊）的傳感器數據。解決分析問題的一種方法是為每個工業企業開發數學模型和算法庫，這些模型可以應用于每個特定設備的標準化架構中。

工業物聯網中的分析藝術

通過工業物聯網（IIoT）在通信和傳感器部署方面的最新進展，使得預測性維護對于影響深遠的工業設備更加可行。經過精心設計和訓練以識別設備故障的物理模型和機器學習系統的強大結合，可以做出準確的預測特定設備的故障時間。

通過這種方式，工業公司不再需要通過昂貴的程序來定期進行檢查，或通過時間表來進行維護。相反，預測性維護系統可以在邏輯上優先考慮任何必要的維護，以防止故障發生，從而大大節省寶貴的時間、金錢和資源。

此過程的第一步涉及異常檢測，其中網絡邊緣的智能傳感器會檢測出看起來不對勁的事情。下一步是對任何標記的設備執行診斷，以確定問題的原因。最后，預測算法準確估計設備何時會出現故障。

一個名為MOXI的工業物聯網系統分析技術平臺，使工程師、操作員和維護專業人員能夠遠程監測和主動管理意外的系統故障和維護問題。MOXI是為制造業、電網、鐵路、橋梁和其他重型基礎設施等部門的大型工業資產而設計的。工業物聯網套件結合了嵌入式傳感、復雜的系統模型和人工智能技術，以高精度、可忽略的誤報率和接近零的漏檢率預測不利的系統狀況。

部署預測性維護以提高鐵路效率

在一個案例中，PARC正在與東日本鐵路公司（也稱為JR-East）進行試點項目。由于基礎設施老化以及定期維護預算縮減，東日本鐵路公司一直面臨成本上漲問題。

PARC與野村研究所合作，采訪了JR- East的工程師、研發團隊以及維護技術人員，充分了解問題所在，并且確定應如何使用預測性維護技術。然后，PARC創建了儀表板模型，收集了來自JR-East的反饋，并且開始了算法和軟件開發的快速迭代。

該團隊通過應用高級機器學習和基于模型的系統分析方法，開發了定制的故障檢測和診斷試點軟件。還為JR- East工程師開發了儀表板，以可視化更好地理解所獲得的數據。最初的試點工作集中在列車門和鐵軌的維護上，目標是隨著時間推移逐步擴展該計劃，使其包括鐵路、車站、橋梁和隧道等其他資產。

鐵軌和列車門故障檢測的初步測試表明，真陽性率非常高，誤報或漏檢率非常低。儀表板使JR-East技術人員能夠在即將到來的問題升級為資產故障或停機之前發現并修復這些問題。目前正在進行進一步的測試，以驗證調查結果并進行全面的部署。

JR- East試點項目只是預測性維護的眾多例子之一。通過應用基于人工智能的預測模型，工業公司可以對其設備的狀況、安全和性能產生可操作的見解，以保持設備平穩運行，同時最大限度地減少停機時間。