1. 幾種不同的生產維護概念

相信很多在現場待過較長時間的工程師都知道“巡檢”、“召修”這樣的工作，在設備發生故障后，由維修人員進行維修、更換，這往往同時意味著生產的停機、重啟設備帶來的不良品和工時耽擱、以及潛在的人員傷害，并且在過程中也會存在過度維修的情況造成二次失效的風險，這種被稱為“事后控制”—維修人員擔當“消防隊員”的角色，在生產過程中隨時去“救火”。

圖1-現場維護的發展階段

而另一種普遍采用的是預防性維護，尤其是在流程工業較為普遍，即，安排專門的時間對設備進行統一的檢修、更換，以確保在未來一段時間里的生產穩定運行，相對于事后控制這種方式具有一定的可控性，也能避免較大的事故發生，但是，這種維護方式往往需要一定的維護保養時間，并且，經常會產生為了保障未來一段時間不產生停機，而對未失效的設備、器件進行整體的更換，也是一種時間和維修成本較高的方式。

為了解決“事后控制”和“預防性維護”的弊端，“預測性維護”是一種目前普遍在進行的運維模式。

第三種稱為“預測性維護”它又有不同的階段和技術成熟度的不同而產生了不同的方法。

2.預測性維護需求的根源

今天，預測性維護技術之所以廣泛關注，并形成了PHM-設備健康管理的整個完整的系統，也是工業物聯網技術、數字孿生技術的典型應用場景，這有以下背景原因：

連續生產產生的需求

由于通過產線集群生產方式，每個單臺設備的故障將會影響整個產線的OEE水平，因此，預測性維護的必要性就變得更為迫切。

基于數據的方法變得更為經濟

傳統的機理模型方式依賴于專家或專家系統，專家極其難以培養，而專家系統也需要數十年的各種場景研究的積累，而隨著數據采集、傳輸、分析類的工具與方法變得更為經濟的時候，數據驅動的方法解決了傳統健康預測的瓶頸，進而使得數據驅動的預測性維護得以快速發展。

3. 預測性維護的實現方法

3.1 預測性維護的兩種主要方法

通常預測性維護，首先一個概念稱為“基于狀態監測”（Condition-Based Maintenance）的維護，它借助于傳感器技術、通信技術、專家系統，集中采集導致設備停機的狀態參數，可以實現在事故發生之前較長時間里的故障“預測”，并提供較為精準的故障定位與處理方法。

圖2-基于狀態的預測性維護

圖2-即是典型的基于振動的分析，通過加速度傳感器對信號進行采樣，通過系列的積分、濾波，對信號的包絡曲線提取、特征頻率獲取，通過快速傅里葉變換、整流、解調等方式對信號進行前期處理，然后，將提取的數據輸入至狀態監測系統（Condition Monitoring System）進行分析，包括工頻、二倍頻、共振等方面的分析。而對數據的處理則有兩種不同的方法，用于對故障進行預測，以獲得設備的剩余使用時間、故障點、故障類型等處理信息。

其中兩個主要的方法稱為基于模型的（Model-Based）方法，這一種是基于機理模型，即，機械系統的失效分析，它根據已有的軸承、齒輪箱的機械特征參數，并將實時參數進行對比，對故障進行預測，這種系統往往會依賴于長期的數據積累，形成“專家系統”，類似于“查表”的方式，對故障進行預測、定位與分析。

另一種是數據驅動的預測性維護（Data-Driven Predictive Maintenance）,是在現有的人工智能技術基礎發展起來的，同樣也是基于物理建模，但是，不同在于它沒有提供失效分析的方法而是通過大數據方法對特征值進行學習，可以通過“強化學習”、“監督學習”方法來預測未來的故障，通過大量數據的學習，自主掌握設備的潛在故障。

圖3-常用機器學習過程

3.2 模型驅動與數據驅動的方法選擇

模型驅動與數據驅動的方法各自有優缺點，模型驅動方法對于模型需求較強，必須對整個機械系統的材料、傳動過程等非常清楚，并且能夠有很好的領域知識支撐來實現，這對于專業的依賴非常深，往往需要非常專業的領域專家，例如國際認證振動分析師這樣的專業人士才能進行，而數據驅動型的則不依賴于專家的知識，通過大量數據分析，對故障進行預測，但是，這種方法需要數據量較大，同時，由于機器學習往往具有“不可解釋性”，因此，用戶采用與接受也需要一個長期驗證的過程。

采用模型驅動還是數據驅動也需要結合實際情況，對于機理模型強而數據少的，則采用模型分析方法，而對于機理模型不清晰，數據量較大的情況，則宜于采用數據驅動的方法。

當然，比較好的當然是兩者的融合，模型提供了快速構建預測性維護的基礎，但模型的保真度，以及運行環境中的不確定性等會讓模型進行的預測準確度不夠，而基于數據則可以彌補這方面的缺陷，提高預測的精度。

4.預測性維護帶來的好處

降低甚至消除潛在的停機

備件可以被準確預測并進行準備

可以實現最大的設備使用價值

根據相關研究數據表明，采用預測性維護技術對于工廠的貢獻如下：

降低維護成本：25-30%

消除生產當機：70-75%

降低設備或流程的停機：35-45%

提高生產率：20-25%

版權提示：本文為宋華振為“工控百家談”公眾號獨家撰文，如需轉載，請聯系本微信公眾號獲得授權。如需投稿請聯系微信號：QQ1721078

作者簡介：宋華振

貝加萊工業自動化（中國）有限公司市場部經理，武漢工程大學99屆自動化儀表專業、同濟大學2015屆MBA，并擔任SAC/TC124/SC4委員、自動化學會集成自動化分委會委員，OPC UA基金會（中國）技術顧問、走向智能研究院研究員，主要聚焦于產業市場研究、工業通信、智能制造發展、創新生態系統等方向。