为什么组织应该考虑预测性维护模型

　　对于不断被迫减少停机时间（导致更频繁地使用设备）和降低维护成本（通常随着设备的使用而增加）的工业设备运营商而言，预测性维护已从“锦上添花”转变为一定有。

　　一旦实施，有效的预测性维护系统能够预测和识别潜在的设备故障，使操作员能够提前安排维修，防止灾难性系统故障，并最大限度地减少对工厂运营的干扰——最终有利于公司的底线。

　　对预测性维护的可衡量收益的怀疑仍然存在，高管们经常将预测性维护错误地标记为“黑匣子”解决方案。他们描绘了一个应用程序正在接收机器的操作数据并以某种方式预测其剩余寿命。就高管们对流程的理解程度而言，他们无法想象算法如何能够拥有足够的设备故障数据来发挥作用。

　　实际上，这种“黑盒子”的刻板印象不仅不准确，而且忽略了领域知识或解决方案目标环境特有的专业知识所起的作用。举一个例子，开发、监控和维护工厂运营的工业工程师在开发预测和检测设备潜在故障的算法方面发挥着关键作用。

　　软件如何弥合数据/工程知识差距

　　预测性维护通常由具有数学背景的数据科学家领导，他们有时可能缺乏算法所支持领域的专业知识。因此，工程师带来的价值是他们的领域知识，这使他们成为开发预测性维护的有效算法的关键。软件扮演着弥合这些数据科学家和工程师之间鸿沟的角色。

　　是的，公司在训练这些算法时需要知道故障数据是什么样的。鉴于设备很少发生故障，这种类型的数据通常不可用，并且仅出于收集数据的目的而故意让设备发生故障在经济上是不可行的。这就是MATLAB等仿真软件的用武之地，因为它使工程师更容易将与其专业领域相关的数据输入预测模型，并使数据科学家更容易使用这些数据来训练模型。

　　不熟悉数据科学的用户仍然可以使用该软件来实现不同的数据处理技术，识别潜在问题并测试潜在的解决方案。不熟悉预测性维护的用户也可以使用它生成模拟故障数据，增强算法的预测性维护能力，确保算法有效训练所需的真实数据更少。

　　例如，油田服务公司Baker Hughes使用 MATLAB 开发泵健康监测软件，将设备停机成本降低了 40%，并减少了现场对额外卡车的需求。同时，包装和纸制品制造商Mondi能够使用 MATLAB 开发一种预测性维护应用程序，能够在几个月内识别潜在的设备问题。

　　2021 年预测性维护的下一步是什么？

　　大多数预测性维护算法目前位于使用它们的工业空间和设施中——最好靠近设备，例如从本地发电机、生产设施或提取设备收集数据的边缘服务器。虽然这可以为开始进行预测性维护奠定坚实的基础，但除了本地之外，组织还应该考虑云解决方案。托管在云中可能对一些需要强大处理器来产生洞察力的尖端算法有益，例如人工智能 （AI） 驱动的软件。

　　因此，除了工业控制器和边缘计算设备数量的增加外，公司应该期望看到更多的竞争对手采用云系统，以优化其生产软件的功能。尽管由于数据所有权和安全性等因素，一些制造商对云表示怀疑，但他们仍应为基于云的预测性维护的现实做好准备。由于云能够从多个来源收集数据，因此可以更有效地训练预测性维护算法。

　　当然，预测性维护只是将人工智能纳入其生产线的企业将获得的众多好处之一。忽视人工智能的组织越来越处于竞争劣势，除非他们以某种方式探索人工智能集成，否则将继续保持这种劣势。好消息是，人工智能及其好处，包括预测性维护，都在每家公司的范围内，并且有足够多的资源来帮助他们学习。

　　审核编辑：郭婷